混合式学习背景下基于PBL的教学模式构建与实践 ——以信号与系统课程为例

针对信号与系统课程存在的理论知识难理解、授课方式单一、学生学习兴趣不高、动手能力差等问题,提出将问题导向式教学方法与混合式学习方式相融合的教学模式,阐述该模式下的具体教学方法,从教学目标、教学设计、教学评价、技术实现4个方面探讨如何在继承的基础上创新问题导向教学模式,最后通过调查数据说明教学实践效果.     

面向光伏发电的规则表预测模型

基于模式树提出了一种面向光伏发电的规则表模型.学习时,迭代地构建不同的模式树;对于每次迭代,树中对应于最优的路径被作为规则表中的规则.预测时,根据规则表,使用相应的线性回归模型进行预测.实验结果表明,较之于神经网络、模式树,该模型具有更好的可解释性,同时表现出更高的预测准确性.     

一种基于束状搜索的组合分类器修剪方法

以现有组合分类器修剪方法为基础,从增大搜索空间的角度出发,提出一种基于束状搜索的组合分类器修剪方法,在每一步增加或删除一个基分类器时都保存最优的前k个组合。该方法既保持了爬山搜索算法的高效剪枝特性,又能有效减小其过快收敛到局部最优解的可能性,使修剪得到的组合基分类器更接近于全局最优。与传统组合分类器修剪方法的对比结果表明,该方法修剪所得的组合分类器具有更高的分类准确率,并且组合规模也有所降低。     

带调整策略的微聚类-宏聚类邮件社区划分算法

讨论邮件社区的划分及邮件社区的性质;提出一种基于微-宏聚类的邮件社区划分算法,在宏聚类之后加入了调整划分策略,显著提高了划分质量.本算法根据邮箱通信行为特征定义邮箱问的联系紧密度,采用微聚类-宏聚类找到联系比较紧密的簇,然后通过对个别节点做合理的簇间调整来找到真正的结果簇.实验表明,这种社区划分算法能够发现高质量的社区.     

基于贡献增益的森林剪枝

基于决策树的组合分类器可以看作一个森林。提出了一种森林剪枝算法来对森林进行剪枝,以简化组合分类器的结构,并提高其分类准确率。传统的决策树剪枝只考虑剪枝对单棵决策树的影响,而森林剪枝则把所有决策树看作一个整体,更加关注剪枝对组合分类器的性能影响。为了确定森林的哪些分枝可以被剪枝,提出一种称作贡献增益的度量。子树的贡献增益不仅与它所在的决策树的分类准确率有关,而且也与诸决策树的差异性有关,因此它较好地度量了一个结点扩展为一棵子树对组合分类器分类准确率的提高程度。借助于贡献增益,设计了一种基于结点贡献增益的森林剪枝算法FTCG。实验表明,无论森林是基于某种算法(如bagging)构建的还是某种组合分类器选择算法(如EPIC[1])的结果,无论每棵决策树是未剪枝的还是剪枝后的,FTCG都能进一步降低每棵决策树的规模,并且在大部分数据集上显著提高了剪枝后的组合分类器的分类准确率。     

可控式开关耐久性试验机的研制

开关作为最常用的一种电气分断部件被广泛使用于各种家电产品及室内照明电路中。耐久性是表征开关性能的一个重要参数。研制了一台用于开关耐久性试验的装置,具有贴近实际驱动方式,试验结果准确,通用性强,测试效率高,结构简单易于维护保养等特点。该装置已投入使用,经实际使用表明该试验装置可以很好的满足开关相关标准的测试要求。     

面向光伏发电的模式预测树模型

文章将模式预测树引入到光伏发电预测中,提出了一种面向光伏发电的模式预测树模型(PGMT)。与传统的神经网络不同,PGMT将树模型与线性回归模型相结合,预测时输入信息沿着某条路径到达叶结点,该叶结点使用线性回归模型预测相应的发电量。该方法有效地避免了标准线性回归模型对数据的线性要求,同时保留了线性模型的可解释性。利用在某光伏电站的数据集上的实验结果表明,PGMT较之于神经网络保留了很好的可解释性,表现出更高的预测准确性。     

基于特征变换的Tri-Training算法

提出一种基于特征变换的Tri Training算法。通过特征变换将已标记实例集映射到新空间,得到有差异的训练集,从而构建准确又存在差异的基分类器,避免自助采样不能充分利用全部已标记实例集的问题。为充分利用数据类分布信息,设计基于Must link和Cannot link约束集合的特征变换方法(TMC),并将其用于基于特征变换的Tri Training算法中。在UCI数据集上的实验结果表明,在不同未标记率下,与经典的Co Training、Tri Trainng算法相比,基于特征变换的Tri Training算法可在多数数据集上得到更高的准确率。此外,与Tri LDA和Tri CP算法相比,基于TMC的Tri Training算法具有更好的泛化性能。     

旋转网格:一种新的聚类融合方法

网格聚类以网格为单位学习聚簇,速度快、效率高。但它过于依赖密度阂值的选择,并且构造的每个聚簇边界呈锯齿状,不能很好地识别平滑边界曲面。针对该问题,提出一种新的面向网格问题的聚类融合算法(RG) . RG不是通过随机抽样数据集或随机初始化相关参数来创建有差异的划分,而是随机地将特征划分为K个子集,使用特征变换得到K个不同的旋转变换基,形成新的特征空间,并将网格聚类算法应用于该特征空间,从而构建有差异的划分。实验表明,RU能够有效地划分任意形状、大小的数据集,并能有效地解决网格聚类过分依赖于密度阂值选择以及边界处理过于粗糙的问题,其精度明显高于单个网格聚类。