数据挖掘技术下数字化校园系统的分析与研究

随着科学技术的发展,数据挖掘技术的应用越来越广泛。文章首先介绍了数据挖掘技术下数字化校园系统的重要性,其次阐述了系统的构建,其中包括总体技术架构、功能设计和关键技术,最后重点分析了数字化校园系统中的成绩管理系统的评估模型。     

幼儿园大班美术教学实施“情境创意模式”的策略研究

幼儿园作为启蒙教育的主要场所,为了符合素质教育背景,大班教师将重视起美术教学,培养幼儿多方面能力的成长。本文将以幼儿园大班美术教学活动的现状作为主要的出发点,分析出情景创意模式在美术教学中所要遵循的基本原则,探索出有效的教学策略,为幼儿营造一个愉悦的美术学习环境。     

基于用户感知的3D MIMO扩容门限研究

3D MIMO是Pre5G技术之一,是Massive MIMO的初期形式。3D MIMO多部署在网络热点区域,其中容量评估是影响其效果的重要因素。为匹配用户不断增长的网络体验需求,需要制定与时俱进的网络扩容评估标准。因此,从用户实际无线环境和业务类型出发,建立感知评价模型,设计实验用例得出感知受限门限值。实验中业务模型选择视频业务和混合业务,视频感知评价采用决策树评价模型。根据测试结果,提出了一组3D MIMO扩容门限,能有效指导后期3D MIMO网络规划、优化和工程设计。     

面向冷启动用户偏好获取的自适应物品询问列表生成方法

新用户进入系统之初,由于缺少必要的行为信息,推荐系统无法给出高质量的推荐,为了提高推荐精度,可以使用主动学习技术,使系统主动向用户发起相关物品的评分请求,从而通过用户的交互信息了解用户的偏好信息.现有的主动学习方法基于不确定性、熵等信息选择物品让用户提供反馈.然而由于用户的差异性,其适合的最佳策略是不一样的.因此,本文针对新用户冷启动问题,将要向用户发起询问的物品分阶段产生,通过用户对上一阶段问题的不同反馈,通过决策树模型个性化的动态选择下一阶段适合的策略来生成物品列表以征求其评价.同时,采用遗传算法来优化各个阶段的最优物品个数.在实际数据集上的实验表明,通过这种自适应生成询问物品列表的方法能够改进推荐效果.     

基于决策树的敏感词变形体识别算法研究及应用

针对网络中敏感词变形体识别效率不高的问题,提出了基于决策树的敏感词变形体识别算法。首先,通过分析汉字的结构和读音等特征,研究敏感词及变形体;其次,基于敏感词库构建敏感词决策树;最后,通过多因子改进模型,对微博等新媒体的文本敏感程度进行计算。实验结果表明,该算法在识别中文敏感词及变形体时,查全率和查准率最高分别可达95%和94%,与基于确定有穷自动机的改进算法相比,查全率和查准率分别提高了19.8%和21.1%;与敏感信息决策树信息过滤算法相比,查全率和查准率分别提高17.9%和18.1% 。通过分析,该算法对敏感词变形体的识别和自动过滤是有效的。     

基于改进粒子群优化的支持向量机与情景感知的人体活动识别

针对目前人体活动类别识别准确率偏低的问题,提出一种支持向量机（SVM）与情景分析（人体运动状态转换的实际逻辑或统计模型）相结合的识别方法,对人体日常的六种活动（步行、上楼、下楼、坐下、站立、躺下）进行识别。该方法利用了人体活动样本之间存在逻辑关系的特点,首先使用经改进的粒子群优化（IPSO）算法对SVM模型进行优化,然后利用优化后的SVM对人体活动进行分类,最后通过情景分析的方法对错误的识别结果进行修正。实验结果表明,所提方法在加州大学欧文分校（UCI）的人体活动识别数据集（HARUS）上的分类准确率达到了94.2%,高于传统的仅使用模式识别进行分类的方法。     

基于情景感知的制造组合服务自适应决策机制

针对组合服务面临复杂、动态的业务需求和运行环境,提出基于情景感知的自适应决策机制,保证制造过程的顺利执行,为用户持续稳定地提供高质量服务.从智能制造单元个体视角,构建制造组合服务自适应调整系统架构.根据多变的应用场景,充分考虑决策主体状态和情境因素对服务调整活动的影响,设计情景感知、主体-情景-活动(Subject-situation-action,SSA)2种自适应决策机制,并通过多Agent技术搭建实验环境,应用关联规则方法挖掘决策知识.通过汽车制造云服务实例与现有事件驱动机制对比,验证所提出的2类机制在不同场景下的效果,并从决策准确率、时间和服务QoS两方面证明情景感知、SSA机制的优势和可行性.     

一种基于地形因素的空气质量空间估计方法

空气质量监测对于污染评估、危害降低和环保治理等具有重要的指导意义。然而,由于空气质量监测站点的数量十分有限,且空气质量随位置的变化是非线性的,因此空气质量空间估计(即估计任意无空气质量监测站点位置的空气质量)是一项具有挑战性的工作。目前最先进的空气质量空间估计方法考虑了交通、人流、POI等因素,并基于机器学习技术建立估计模型。然而,这些方法仍存在如下不足:1)由于考虑的因素主要反映城区的特性,因此只能局限在城区范围内使用;2)直接使用从各类因素中提取的特征建立模型,没有对特征进行更深层次的提炼。针对上述问题,提出了一种基于地形因素的空气质量空间估计方法。在该方法中,首先建立地形数据库并提取地形特征,然后基于集成决策树模型对地形特征进行深层转换,最后基于因子分解机建立回归模型。基于真实数据的实验表明,该方法对估计自然地形(如高原、森林、水域等)区域中的空气质量有明显的优势。     

基于并行C4.5算法的民机质量数据决策指导

民机设备系统每天都在产生大量的质量数据信息。随着时间的推移及数据量的积累,传统离散制造业的数据统计分析已经无法对这些庞大的质量数据进行有效地处理分析。为了解决这一问题,并挖掘出数据之间的隐含规律,提出了一种有效的数据挖掘方法。该方法通过集成决策树C4.5并行算法完成质量数据分析。分析结果展示了该分析方法的正确性、有效性和价值性。     

面向K最近邻分类的遗传实例选择算法

针对传统的实例选择算法会误删训练集中非噪声样本、算法效率低的不足,提出了一种面向K最近邻（KNN）的遗传实例选择算法。该算法采用基于决策树和遗传算法的二阶段筛选机制,先使用决策树确定噪声样本存在的范围;再使用遗传算法在该范围内精确删除噪声样本,可有效地降低误删率并提高效率,采用基于最近邻规则的验证集选择策略,进一步提高了遗传算法实例选择的准确度;最后引进基于均方误差（MSE）的分类精度惩罚函数来计算遗传算法中个体的适应度,提高有效性和稳定性。在20个数据集上,该方法相较于基于预分类的KNN （PRKNN）、基于协同进化的实例特征选择算法（IFS-CoCo）、K最近邻（KNN）,在分类精度上的提升分别为0.07~26.9个百分点、0.03~11.8个百分点、0.2~12.64个百分点,在AUC和Kappa的上的提升分别为0.25~18.32个百分点、1.27~23.29个百分点、0.04~12.82个百分点。实验结果表明,该方法相较于当前实例选择算法在分类精度和分类效率上均具有优势。