教育高校毕业生树立正确的职业观

正确的职业观对高校毕业生求职择业、指导职业活动和人生发展具有重要的意义。文中针对加强高校毕业生的思想政治教育,帮助高校毕业生树立服务人民、奉献社会的正确职业观,引导他们用正确的职业观处理求职择业和职业活动中的各种矛盾,选择科学的人生价值目标,重视人生价值的实现,服从社会需要,追求全局利益,发扬艰苦奋斗精神,从而引导高校毕业生提高求职择业质量和水平,并在职业活动中创造出不平凡的业绩进行了分析和论述。     

稳定的K-多均值聚类算法

指定K个聚类的多均值聚类算法在K-均值算法的基础上设置了多个次类,以改善K-均值算法在非凸数据集上的劣势,并将多均值聚类问题形式化为优化问题,可以得到更优的聚类效果。但是该算法对初始原型敏感,且随机选取原型的方式使聚类结果不稳定。针对上述问题,提出一种稳定的K-多均值聚类算法,并对该算法的复杂度与收敛性进行了简要讨论。该算法先基于数据样本的最邻近关系构造图,根据图的连通分支将数据分为若干组,取每组数据的均值点作为初始原型,再用交替迭代的方法对优化问题进行求解,得到最后的聚类结果。在人工数据集和真实数据集上的实验表明,该算法具有更稳定更优越的聚类效果。     

基于蚁群优化算法的单通道冗余VLSI阵列重构

通过冗余修复方法来解决超大规模集成电路(VLSI)制造过程中因缺陷而造成的成品率低的问题。根据物理阵列中缺陷单元的分布情况,构造相应的矛盾图模型,将阵列的重构问题转化为用蚁群优化算法求解矛盾图的最大独立集问题,使得所求独立集的顶点个数恰为缺陷单元的个数。实验表明,与标准遗传算法和神经网络算法相比,用蚁群优化算法来求解单通道冗余VLSI阵列重构问题是简单有效的。     

用于图像恢复的基于正则化可能性线性模型的自适应滤波器

中值滤波器在有效抑制脉冲噪声的同时,会模糊图像细节.为克服这一缺陷,文中对中值滤波器进行改进,提出一种基于正则化可能性线性模型的自适应滤波器.该滤波器的输出是原始输入信号和经典中值滤波器的加权和,而权值则根据输入的信号序列由建好的正则化可能性线性模型来决定.实验表明,该滤波器在有效滤除脉冲噪声的同时能较好地保留图像的细节信息,且针对不同比例的脉冲噪声,表现出较好的鲁棒性.     

无标度网络中的边免疫策略

针对无标度网络提出一种边免疫策略,与目标免疫相比,该策略可使网络获得更高的传播临界值,并能更好地保持网络的连通性。采用SIS病毒传播模型,分别在BA无标度网络和HEP网络中进行仿真实验,结果表明,该免疫策略可以减少免疫剂量并能有效控制病毒传播。     

半监督FSVM在羽绒菱节识别中的应用

目前,我国对羽绒种类的识别主要由人工借助于显微镜完成,这种方法存在许多不足。提出将半监督FSVM算法引入到羽绒识别中,用半监督学习方法以少量的训练样本为基础,扩大训练样本集的规模,同时利用FSVM的特性减少半监督学习所带来的误差;利用半监督FSVM对经过处理的羽绒二值化图像中的菱节进行识别。该方法提高了菱节识别的准确率。     

基于DCOM的远程计算机监控

网络环境下的许多应用软件 ,如多媒体网络教学系统等 ,都需要解决对远程计算机进行监控的问题 ,而利用微软的分布式组件对象模型ＤＣＯＭ ,则是解决该问题的一个良方。1　分布式组件对象模型ＤＣＯＭ　　ＷｉｎｄｏｗｓＮＴ功能强大 ,其主要原因之一是加入了ＤＣＯＭ。ＤＣＯＭ本质上是一种建立对象、接口的方法和沟通对象的通信协议 ,它可以让应用程序和对象在网络中不同的机器之间沟通 ,也就是说我们可以在应用程序或动态链接库中建立对象 ,并提供对象的各种服务 ,而在另一台远程机器中的应用程序可以通过接口调用这个对象的方法或访问它…     

基于蚁群算法的集合覆盖问题

蚁群算法是一种基于群体智能原理的优化模型,用于解决组合优化问题。集合覆盖问题是NP完全问题中应用面最广的问题之一,它在模式识别、机器学习等领域中具有重要的应用。以SCHF[1]启发函数作为启发信息,用蚁群算法求得集合覆盖问题的优化解。通过几种算法的仿真结果对照表明,用蚁群算法求解集合覆盖问题是有效的,蚁群算法得到的解是比较理想的。     

特征融合与分发的多专家并行推荐算法框架

为了解决点击率预测任务中现存的参数共享和计算耗费较高的问题，提出特征融合与分发的多专家并行推荐算法框架.利用该方法不仅可以提高并行架构对不同类型特征的分辨能力，学习表现力更强的特征输入，还能够在显式特征和隐式特征之间进行参数共享，缓和反向传播期间的梯度，提高模型的性能.该框架是轻量级而且与模型无关的，可以泛化应用在众多主流并行架构的推荐算法上.在3个公共数据集上的大量实验结果表明，利用该算法框架，能够有效地提高SOTA模型的性能.     

[K]近邻相似度优化的密度峰聚类

针对密度峰聚类分配时,仅考虑样本点与指向点（密度比它大的最近点）之间的距离,不适用于流形聚类（如Circleblock数据集、Lineblobs数据集等）的问题,提出了[K]近邻相似度优化的密度峰聚类算法。在计算每个点的密度与指向点后,通过相似度函数,找出每个点的[K]近邻,然后根据[K]近邻信息判断样本点的指向点是否正确,对于指向错误的点重新寻找正确的指向点,可以有效减少错误分配。在人工数据集和UCI数据集上的实验表明,新算法具有更高的准确率。