计算机专业基于课程群的EIP-CDIO项目设计

CDIO的教育模式致力于构建学生的可扩展知识体系、个人能力、人际交往能力和系统竞争力,汕头大学工学院计算机系实施以设计为导向的CDIO三级项目设计体系。本文阐述此三级项目设计的基本概念和方法,结合具体教学实践,介绍在计算机科学与技术专业进行的基于课程群的二级项目设计理念和实施过程。此项教学改革在提高学生对课程体系的理解,项目构思、设计、实施和操作的能力,以及团队合作精神等方面取得显著效果。     

基于信息熵的高维分类型数据子空间聚类算法

由于分类型数据相异度度量的局限性以及分类型数据在高维空间中的稀疏性,使得传统的相异度度量在高维分类型数据聚类中失效,针对上述问题,本研究提出了一个基于信息熵的理论高维分类型数据聚类算法。该算法综合考虑对应子空间和噪声空间的维度信息熵设计了一个高效、无监督的子空间搜索对高维数据进行有效降维,同时提出了基于整体数据的平均信息熵的全局优化方法对聚类结果进行迭代寻优。通过用人工数据和Votes、Mushroom和Soybean 3个典型的真实分类数据集试验,与其他分类型聚类算法相比,新算法在聚类准确性、熵值、CU（category utility）以及类个数等指标上有明显提高。     

PMC系统的软件测试

通过分析测试项目中流程设计、接口测试、持续集成和测试覆盖率遇到的问题,该文提出了对流程设计器、接口测试、持续集成技术和代码覆盖率工具集为一体的系统进行测试的新方案,此方案满足接口测试的一致性、正确性和完整性,实验结果证明了该方案的可行性和有效性。     

基于小波分析和Gaussian回归的急性低血压预测

急性低血压是危害病人健康的并发症之一,对急性低血压发生的提早预测,能够帮助医生对重症病人找到更好的医疗处理方案。提出了一个基于趋势分量的Gaussian函数拟合预测模型,即用小波多尺度分析提取出信号的趋势分量;再根据Gaussian回归模型对趋势分量进行函数拟合,得到的函数参数作为特征值,用支持向量机SVM对数据分类。Gaussian回归模型使用的是数据驱动,用系数来描述数据之间的关系。通过在较大病人数据集上实验得到了较好的效果。     

高维分类型数据加权子空间聚类算法

子空间聚类是高维数据聚类的一种有效手段,子空间聚类的原理就是在最大限度地保留原始数据信息的同时用尽可能小的子空间对数据聚类。在研究了现有的子空间聚类的基础上,引入了一种新的子空间的搜索方式,它结合簇类大小和信息熵计算子空间维的权重,进一步用子空间的特征向量计算簇类的相似度。该算法采用类似层次聚类中凝聚层次聚类的思想进行聚类,克服了单用信息熵或传统相似度的缺点。通过在Zoo、Votes、Soybean三个典型分类型数据集上进行测试发现：与其他算法相比,该算法不仅提高了聚类精度,而且具有很高的稳定性。     

水位流量关系曲线的规划求解方法与应甩

对于测站控制良好，各级水位流量关系都保持稳定的测站，通常采用单一线法推求流量。为改变水位流量关系定先的手工模式，提高工作效率，可以通过建立数学模型，用计算机求解。模型及目标函数的选择对定线精度有重要影响。本文以蓝旗营站2005年实测资料为例，探讨了浮动多项式方程的适应性，并分别讨论了两类目标函数所得成果的差别。     

Windows应用软件扩充功能的一种方法

本文给出了用GetWindowLong函数和SetWindowLong函数建立自己的窗口处理函数,在不修改Windows应用软件源程序的情况下,实现功能扩充的一种方法,它既保留了原来应用软件的各种功能,又可以使用户根据需要扩充自己的特殊功能,大大缩短了新型应用软件的开发周期。 下面给出的方法是解决这一问题的有效途径。首先建立自己的一个窗口处理函数,它包     

类属型数据核子空间聚类算法

现有的类属型数据子空间聚类方法大多基于特征间相互独立假设,未考虑属性间存在的线性或非线性相关性.提出一种类属型数据核子空间聚类方法.首先引入原作用于连续型数据的核函数将类属型数据投影到核空间,定义了核空间中特征加权的类属型数据相似性度量.其次,基于该度量推导了类属型数据核子空间聚类目标函数,并提出一种高效求解该目标函数的优化方法.最后,定义了一种类属型数据核子空间聚类算法.该算法不仅在非线性空间中考虑了属性间的关系,而且在聚类过程中赋予每个属性衡量其与簇类相关程度的特征权重,实现了类属型属性的嵌入式特征选择.还定义了一个聚类有效性指标,以评价类属型数据聚类结果的质量.在合成数据和实际数据集上的实验结果表明,与现有子空间聚类算法相比,核子空间聚类算法可以发掘类属型属性间的非线性关系,并有效提高了聚类结果的质量.     

CDIO教学中实践教学环节的探讨

针对CDIO实践教学的目标和存在的问题,分析实习基地的建设思路、目标、内容、师资和管理模式,提出一些建设性意见与建议,希望为其他实习基地的建设起到借鉴作用。     

一种高维混合属性数据聚类算法

在许多应用中,很多数据集都具有数值型和分类型数据的混合特征,k-prototype是针对这类数据聚类的经典方法之一,该方法是一种基于k-means和k-mode的聚类方法。在研究了现有的混合属性数据聚类方法之后,引入了一种新算法用于混合型数据聚类,不仅改进了prototype的选取方法,而且提出了一种新的针对混合型数据的相似度度量方式,基于此又提出了一种不同于k-prototype的数据到prototype的分配方式,采用类似层次聚类中凝聚聚类的思想进行聚类,通过在四个真实的混合型数据集上测试发现：与传统算法相比,算法提高了聚类的精度和稳定性。