新疆高校非计算机专业计算机课程的教学探索

提出新疆高校非计算机专业计算机类课程教师在教学方法上存在的不足,针对问题提出了相应的解决办法,经教学实践证明是可行的,并且是有效的。     

双网卡Socket通信及在考试软件中的应用

在单网卡情况下,实现Socket通信比较简单。在双网卡情况下,如何实现Socket通信,文献报道尚不多见。以开发维吾尔语口语考试系统为例,研究了在双网卡下Socket通信的算法。在维吾尔语口语考试中,通过管理机和考试机之间的Socket通信,实现了对考试机端登录的控制。在管理机端具有双网卡的情况下,可以充分利用网络资源。实验结果表明,所讨论的双网卡Socket通信的方法可行和有效。     

粗糙集与其他软计算理论结合情况研究综述*

最近几年,对于粗糙集的研究越来越多,尤其是粗糙集与其他软计算理论相结合的研究更为突出,取得了很多有意义的研究成果。鉴于此,将此方面目前的主要研究状况进行了总结,主要介绍了目前粗糙集与模糊集、神经网络、证据理论等一些其他软计算理论之间的结合研究情况,并对这方面未来的发展提出了自己的观点。     

HMM与神经网络相融合的低资源语音合成方法

为了提高语音合成自然度和稳定性,提出HMM与深度神经网络相融合的,以维吾尔语作为实验语言的语音合成方法.基于深度学习的端到端语音合成方法存在生成速度慢、稳定性及可控性不够好,但是合成语音自然度高,而基于HMM的方法系统稳定性好,合成语音自然度不如端到端的方法.因此,系统前端部分利用HMM(马尔科夫模型)获取维吾尔语固有的语言特征,后端合成部分利用深度神经网络框架建立自回归模型.前端文本分析用HMM模型获取语言特征,后端合成用不同的神经网路模型,并进行了对比试验.最后对于实验结果进行了评测.实验结果验证了基于HMM+BiLSTM的语音合成方法的效果最好.     

微信息大数据粗糙集的近似约简

为了应对微信息舆情数据的格式复杂、价值稀疏和收集困难等大数据处理技术难题,基于隐含语义分析和粗糙集近似约简理论,设计微信息的数据区间值集和近似匹配分类算法.在不影响数据主要关联关系的原则下,提炼核心属性、消减次要属性,实现一种微信息异常主题倾向的发现方法.结果表明,该近似约简算法能在完成微信息兴趣倾向主题分类的前提下,将数据集属性大幅度缩减,提高微信息的信息挖掘效率,为微信息大数据舆情处理工作提供了新的思路和案例.     

基于脱钩模型的新疆碳排放与经济增长的关系研究

在共建丝绸之路经济带以及生态文明的大背景下,新疆作为丝路经济带的核心区与中国西部重要的桥头堡,其经济发展的速度与效益值得关注。尤其新疆是我国重要的能源资源储备区,如何协调好能源开发过程中的碳排放与经济增长之间的关系,是当前摆在我们眼前的一大课题。本文旨在通过脱钩模型分析新疆碳排放与经济增长之间的关系,得出新疆碳排放与经济增长总体上呈现弱脱钩的结论,据此分析弱脱钩状态产生的原因,并提出了有针对性的对策建议,以期促进新疆经济能更好的适应经济新常态。     

风险投资与IPO公司盈余管理的关系研究：基于我国创业板2009—2014年的经验证据

以创业板市场2009—2014年的数据为样本,研究风险投资机构参与对创业板IPO公司盈余管理的影响。研究发现：创业板市场上,企业为了上市成功,普遍存在着盈余管理行为;风险投资机构的参与能够对被投资企业的盈余管理起到一定的抑制作用;审计机构的参与发挥了对企业盈余管理的监督作用,然而承销机构却并未发挥应有的作用。     

经济增长、能源消费与产业结构之间动态调整关系研究

利用面板向量自回归系统,分析中国大陆29个省、市、自治区1985年~2012年的面板数据,分析经济增长、能源消费与产业结构之间的相互动态调整关系。主要结论:三者之间存在着长期稳定的关系,产业结构调整对能源消费的作用大于经济增长对能源消费的作用;在短期内,产业结构变化对能源消费变动的影响具有滞后效应;能源消费变动对产业结构的影响大于对经济增长的影响,产业结构升级对经济增长的促进作用存在一定的时滞期。     

基于区域GAC模型的二值化水平集图像分割算法

针对测地线主动轮廓(GAC)模型进行了改进,提出了一种基于区域的GAC模型.通过构造基于区域统计信息的符号压力函数取代边界停止函数,有效解决了弱边界目标或离散状边界目标的分割问题.该模型采用二值化水平集方法实现,避免了传统实现方法水平集函数需要重新初始化为符号距离函数,从而导致稳定性差、计算量大、实现复杂等缺点.对不同类型图像的试验结果表明:该算法迭代收敛速度比GAC模型传统实现方法明显加快,且可有效防止边界泄漏,分割效果优于传统GAC模型与C-V模型.     

神经网络在空白试卷识别中的应用

在计算机评卷过程中,通常方法是将试卷扫描成灰度图像,由评卷人员对扫描图像进行评卷.有些试卷是空白试卷,可以通过计算机识别后,直接给分.在一些情况下,很难直接用像素灰度值来区分空白试卷和非空白试卷.研究表明,像素灰度值的列向量或行向量的标准差可以将空白试卷的特征表现出来.神经网络具有自组织、自学习、非线性逼近能力,应用神经网络可以有效地识别出空白试卷.为了便于神经网络进行空白试卷的识别,减小神经元的数量,可将图像像素灰度值列向量标准差的标准差和行向量标准差的标准差作为区分空白试卷和非空白试卷的影响因子.