设计类大学生学习评价量表指标选取方法

目的研究设计类大学生学习评价量表指标选取方法;方法面向设计类学生及专家,以座谈会和问卷调查的方式确定测定因素,用因子分析、信度和效度分析法,对设计类大学生学习评价指标和测评量表进行系统研究;结果通过研究得出具有较高信度、效度和鉴别力的3个一级指标(学习动机、学习行为及过程、学习效果),22个二级指标的评价指标和测评量表;结论弥补了设计类大学生学习测量研究领域中的不足,丰富了设计类教育研究方法,为此类大学生学习评价研究提供了科学的量化工具及依据。     

基于兴趣度的聚类协同过滤推荐系统的设计

协同过滤技术被成功地应用于个性化推荐系统中.随着用户数目和网页数目的日益增加,整个用户矩阵数据极端稀疏并且实时性效果不理想.传统的推荐方法解决不了这些问题.本文结合兴趣度和聚类技术对客户的个人兴趣进行评价,提出了基于兴趣度的聚类协同过滤推荐系统,实验表明,该算法能够有效避免传统方法带来的弊端,提高系统的推荐质量.     

对象迁移自动机在TDT中的聚类研究

对象迁移自动机(OMA)是一种能够较好地解决话题识别与跟踪(TDT)中聚类问题的方法,但是,传统OMA模型由于聚类速度慢等缺点,难以满足TDT实时和增量聚类的要求.针对这一问题,本文一方面改进传统的OMA模型中自动机的动作设计,同时提出文档选择策略,加快了OMA的聚类速度.改进的方法在中等文档集上进行了实验,实验结果表明,该方法具有较好的聚类效果.     

基于结构自适应神经网络用电量时间特征的聚类分析

鉴于聚类分析在数据挖掘中具有重要的作用,针对聚类分析中聚类数确定难的问题,深入研究了聚类准则的选择和曲线特性,提出了一种基于SOFM神经网络的结构自适应聚类神经网络,其特点是能够自动确定最佳的聚类数.基于实际营销数据,采用结构自适应聚类神经网络技术实现了用户用电量时间特征分析,所得结论对于电价的针对性的调整以及合理地安排电力生产具有重要的参考价值.     

基于核函数的层次聚类算法

层次聚类算法是运行复杂度较高的聚类算法,基于不相似性测度的层次聚类算法不适合稀疏高维数据.结合核函数特点,提出了一种基于核函数的层次聚类算法.利用该算法,对稀疏高维数据进行了层次聚类对比,实验结果表明,该算法提高了层次聚类的准确率.     

基于聚类非参数检验的动态停车需求分布特征

为了探索动态停车需求的分布特征,提出聚类非参数检验分析方法.该方法按照个体-组-类的顺序对多时段随机变量进行聚合,在各聚合阶段运用相应的非参数检验方法校核结果,在确保拟合精度的同时,采用相应的模型描述动态随机变量的分布特征.结合该方法的运用,从问题确定、数据调查、数据处理与分析以及分布特征的归纳总结等环节详细阐述了动态...     

基于Probit的犯罪嫌疑人判定方法研究

为了在涉案人群中实现计算机识别犯罪嫌疑人,协助办案并提高办案效率,提出了一种基于Probit模型的犯罪嫌疑人判定技术.采用聚类的分离算法、关联算法以及Probit模型的显著性水平参数发现重要属性,通过对重要属性提取后的数据进行训练得到犯罪风险判定模型.实验结果表明,该方法对嫌疑人判定的平均准确率达到90.5%,平均查全率达到92.7%,判定效果较好.     

污水处理厂出水维甲酸X受体干扰效应研究

应用重组维甲酸X受体(RXR)基因酵母筛选南方某污水处理厂进水、不同工艺出水的维甲酸干扰活性;结合大鼠肝均浆(S9)体外代谢方法,检测样品间接维甲酸干扰活性.结果表明:进水、出水样品均不能诱导RXR介导酶活性,但在高富集倍数下,样品与空白对照相比显著抑制9-顺维甲酸诱导酶活性,表现出维甲酸拮抗效应;在添加S9体外代谢活化后,所有样品均检出类维甲酸干扰活性,部分样品还检测出抗维甲酸活性,表明城市污水样品中存在大量具有类/抗维甲酸干扰活性的化合物.研究结果证实,现行处理工艺对类/抗维甲酸干扰物有一定的去除效果;重组基因酵母结合S9体外代谢活化体系可用于水环境样品类/抗维甲酸干扰效应的快速筛选.     

基于遗传算法的直觉模糊C均值聚类算法

 针对一般直觉模糊C均值聚类算法在寻优过程中易陷入局部最优解的问题,利用遗传算法具备全局寻优的优点,提出了一种基于遗传算法的直觉模糊C均值聚类算法。在该算法中聚类中心为直觉模糊数,这使得遗传过程中个体信息变得复杂,进而增大了约束问题的处理难度。本文对产生的个体采用适时分段的归一化方法,很好地解决了该问题。仿真结果表明该算法所得聚类结果不仅准确而且更为细致。     

基于AIC方法的切换神经网络模型设计

将切换系统设计中的切换思想与神经网络相结合,构建了切换神经网络模型.根据模糊C均值（FCM）聚类方法将样本数据分为多组训练数据,每组数据对应训练一个单一神经网络模型,再利用赤池信息准则（AIC）制定相应的切换规则.根据输入数据特性,选择单一网络或多网络组合的输出作为模型输出,从而达到函数逼近目的.本模型更好地利用了各个子网络在特定区域具有较高逼近精度的特点.仿真结果表明,切换神经网络模型有较高的逼近精度.