基于应用驱动的编译原理教学研究

针对当前编译原理教学效率低下的问题,研究了基于应用驱动的编译原理课程教学方法.分析了理论教学与实验教学相融合的应用驱动教学基本原理与方法,对于每个知识点设计两个层次的题目,在第一层次题目的作用下,形成以教师为主导,以实验题目为主线,学生积极参与讨论的教学模式,增强授课效率,提高学生实验的自信心;通过第二层次题目,进行知识的巩固与强化,培养学生团队协作的能力.讨论了应用驱动教学法在编译原理教学中实施的具体措施以及应该重点注意的问题,这对于改善编译原理课程的教学现状,提高编译原理课程的教学效率具有重要的参考意义.     

可持续城市设计的内涵、原则与维度

 可持续发展是世界范围内各国城市发展建设的基本共识，以可持续发展理论内涵为基础，通过分析可持续发展理论的研究进程和城市建设面临的困境，融合生态、绿色概念，总结出可持续城市设计的基本概念与原则，从生态环境、历史文化、空间形态、管控治理4个维度，提出具有实效性的可持续城市设计策略，指出城市建设未来的发展方向和城市研究的重难点问题，为中国城市的健康有序发展提供有益借鉴。     

基于GPC的环肋耐压圆柱壳结构失稳概率分析

为评估具有小失效概率特性的深潜环肋耐压圆柱壳结构的失稳概率，提出了一种新的基于高斯过程分类和重要抽样的自适应分析方法.该方法通过引入马尔科夫链蒙特卡洛法和欧式距离，开发了一种新的考虑预测不确定性和取样均匀性的自适应试验设计策略，以便更高效地构造高斯过程分类器；采用核密度估计构造准最优重要抽样密度函数；基于失效概率估计的稳定性，提出了一种更精确的迭代停止准则.通过某一分段函数验证了所提分析方法的准确性及高效性.应用所提方法得到某深潜环肋耐压圆柱壳结构的失稳概率约为8.242×10^-5.     

语言符号任意性原则视角下的辞格应用--以莫言《蛙》为例

修辞手法的使用是一种语用行为。将索绪尔任意性原则与《蛙》中辞格建立有效的联系，依据能指—所指理论对修辞进行剖析，可以进一步丰富该理论，有助于分析作者使用的修辞手法。所作的具体阐述表明，辞格的应用是建立在绝对任意性下的相对任意性的联系。     

Poisson ARCH(1)过程的中偏差及其应用

给出Poisson ARCH(1)过程的中偏差存在形式,并将Poisson ARCH(1)过程应用到一个离散风险模型中,利用获得的中偏差结果,对其有限破产概率进行了渐近等价估算.     

基于深度无监督学习的图像分类算法

为了取得精确的图像分类效果,一方面需要提取大量的图像特征数据进行样本分析,另一方面大量的数据又造成了维数灾难.因此,为了解决信息全面与维数灾难的矛盾,引入了深度学习.深度学习利用分层结构处理复杂的高维数据,可以完成复杂函数的逼近,是一类具有多层非线性映射的学习算法,但深度学习模型优化困难且对隐层参数敏感.针对上述问题,将无监督算法引入深度学习,这种学习方法无须人工设计特征提取数据,训练过程中样本标签是未知的.实验表明,该算法在不影响图像分类效果的前提下,可以大大降低计算复杂度,具有一定的时效性.     

一种基于位向量流分类算法的改进

在流分类算法中,聚合位向量(ABV)算法分类速度快、并行性好,但内存开销过大;位向量折叠(AFBV)算法对ABV算法进行了改进,降低了运行时内存的消耗,但其冗余计算增加了时间开销。针对上述不足,文章提出一种改进的位向量流分类算法,该算法无需进行位向量聚合,减少了内存开销,并按规则的源/目的IP地址前缀建立分组表,根据表中分组所包含IP地址数目降序排列,使得算法具有良好的时间性能。实验结果表明,本算法在大规模规则库下具有良好的时间和空间效率。     

SystemView 在通信原理课程实验教学中的应用研究

文章研究了 SystemView 仿真软件在通信原理课程实验教学中的应用，表明 SytemView 仿真平台有利于加强学生的学习动机，培养学生的兴趣，加深了学生对调制、解调电路的理解，拓展了实验范围，提高了教学效率。     

川黄柏一年生实生苗质量的分级标准

为有利于指导生产实践，推动川黄柏实生苗培育规范化、标准化，以湖南省龙山县大安乡2020年培育的川黄柏1年生实生苗为研究对象，以72个1 m×1 m样方2 564株样苗为研究样本，以地径、苗高为苗木质量分级指标，采用K-均值聚类法及标准差法，划分质量分级值.经综合评定，确定川黄柏1年生实生苗质量分级标准为Ⅰ级苗地径D≥1 cm，苗高H≥100 cm；Ⅱ级苗地径D 0.6～＜1 cm，苗高H 60～＜100 cm；Ⅲ级苗地径D＜0.6 cm，苗高H＜60 cm.在该标准下，本次研究样本Ⅰ、Ⅱ级苗占比64.8%.     

基于mRMR与因子分解机的分类模型研究

很多学者用“全球恐怖主义研究数据库”GTD数据集，采用博弈论、K近邻法和支持向量机等分析恐怖事件的聚集性，已经取得一些成果.但在前期研究中未有很好考虑数据的稀疏性以及高维度多冗余等会导致聚集分类准确率不高的问题.本文提出一种基于最小冗余最大相关与因子分解机结合的TFM分类模型，使用增量搜索方法寻找近似最优的特征解决高维度多冗余问题和FM方法解决数据稀疏问题，并对预处理后的恐怖袭击事件数据用TFM模型做量化分类.文中使用朴素贝叶斯NB、支持向量机SVM、逻辑回归LR与TFM等4个模型的“马修斯相关系数”MCC进行比较，结果显示TFM的MCC相对于其他三个模型NB、SVM、LR分别提高了49.9%,2.5%,2.3%，可见TFM模型有一定可行性.