基于模糊综合评判推理机制的学生素质评价系统设计与实现

根据模糊数学的原理，采用模糊综合证判推理机制，有效地模拟了领域专家根据人的感官获得不确定信息而进行推理综合评判过程，阐述了上体设计的思想和实现方法，并对其主要技术问题和解决方法作了探讨，解决了以往用计算机进行学生素质评价时只能用分明集处理或最大--最小合成模糊推理运算所带的缺陷。     

基于GPGPU的Lattice-Boltzmann数值模拟算法

对Lattice Boltzmann方法(LBM)在GPGPU下的建模和算法进行了一系列研究,使得该方法在GPU下的计算加速比提升,大大缩短计算过程的时间消耗.重新设计了GPU的计算流程,在舍弃pixel buffer离屏渲染的同时,采用最新的帧缓存对象,多重纹理、多通道渲染和乒乓技术来设计一套基于方腔的LBM数值模拟程序,最终使GPU的计算时间缩短到CPU计算时间的六分之一.     

基于粗糙集的分类关联规则挖掘算法研究

本文给出了一种将属性约简和分类关联规则挖掘相结合的新型分类挖掘系统的算法（CARMA）。它运用粗糙集理论把关系数据库按属性值分成若干等价类、约简冗余属性及依赖属性，然后对数据约简后的目标关系表求取分类支持度大于阈值的强类和特征置信度大于阈值的强特征，从而有效获取强类中的强特征的决策关联规则。实验结果表明，CARMA对于数据的分类是有效的，比其它算法具有更高的分类精度和效率。它能够有效地克服ID3系列算法的冗余性、复杂性和对大数据量的不适应性，对增量数据能够达到较好的分类效果和具有广泛的应用前景。本文关键讨论了具体的算法、系统框架和实例。     

基于属性值分类的特征规则的知识发现

1 引言知识发现(Knowledge discovery in database,KDD)是应用一系列技术从大型数据库或数据仓库中提取隐含的、未知的、非平凡的对决策有潜在应用价值的知识和信息的过程,提取的知识表示为概念、规则、规律、模式等形式。知识发现过程一般由三个主要的阶段组成:数据准备,数据开采,结果表达和解释。知识发现的主要方法是数据总结、分类发现、聚类分析和关联规则的发现。其中分类是知识发现中非常重要的方法。现在从统计学和机器学习的角度提出了较多的分类技     

基于门控多层感知机的端到端实体关系联合抽取

从非结构化文本中进行实体和关系抽取已经成为自然语言处理的一项关键任务,然而命名实体识别(NER)和关系抽取(RE)两个任务经常被分开考虑,从而丢失了大量的关联信息。鉴于此,该文提出了一种端到端的基于多层感知机SGM模块进行信息过滤的实体关系联合抽取方法。该方法在不引入外部其他复杂特征的情况下获得了丰富的语义,充分利用了实体和关系之间的关联。该文从句子级、词语级和字符级三个级别输入信息,利用SGM模块进行信息提取以获得高效的语义表示,之后利用Span-attention进行融合得到Span的具体表示,最后利用全连接层进行实体和关系的联合抽取。该文使用NYT10和NYT11数据集验证所提方法的有效性。实验结果表明,在NYT10和NYT11数据集上,该文提出的模型在关系抽取任务中的F₁值分别达到了70.6%和68.3%,相比于其他模型有较大提升。