工业4.0环境下软件工程专业本科毕业生就业能力量化评价方法及实证研究

针对工业4.0背景下企业对高校人才培养的新要求,为缩短高校教育与企业用人需求之间的差距,从学生能力评价的角度,基于工程教育认证思想,凝练出学生能力评价指标,提出一种科学有效的毕业生就业能力量化评价方法并介绍如何实践应用,以帮助学校相关部门和学生更好地提升学习效果并促进持续改进.     

基于物联网的实验室防火防盗系统的设计

国内高校大多是分校区办学,实验室分散,防火防盗管理困难。可使用物联网技术解决该问题,在校保卫处建立云计算报警中心,实现对多校区的实验室统一监控。在前端,应用MC68HC908GP32芯片设计实验室报警器,通过各类传感器检测实验室异常状态,以SMS实现跨校区远程通讯,实时向报警中心告警。在实验室突发事件的驱动下,报警中心激活相应的应急预案,发布调配指令,实现跨校区联动。该系统可提高高校应急指挥效率,统一安排人力资源和物资调配。     

较差质量数据下的返回弹道计算及对落点影响的分析

针对某老式卫星返回时雷达跟踪数据曾发生的测量异常及质量较差等情况,为解决此类数据在返回弹道及落点计算中出现的实际困难以及给出应对措施,基于工程实际情况给出了三种不同建模类型下的弹道计算方法——当前统计解耦扩展卡尔曼滤波（EKF）、动力学建模无迹卡尔曼滤波（UKF）、多项式滑窗最小二乘估计算法,并应用该次质量较差的实际观测数据进行了算法应用效果分析与落点计算情况对比,对计算中的经验及教训进行了总结。研究结果表明,所给出的三种算法在面对较差质量数据时性能差异较大,在工程实际应用中可考虑将多种算法互为参考。研究结果及其经验教训对卫星返回弹道及落点的实时估计的工程实施有一定的参考价值。     

基于冗余性分析的改进ReliefF特征选择算法

为了解决ReliefF算法随机抽样会抽取到不具代表性的样本且未考虑特征间相关性的问题,提出基于冗余性分析的ReliefF特征选择算法。首先改进ReliefF的抽样策略,其次将特征权重序列划分为几个子集,分别利用最大信息系数及Pearson系数共同衡量特征相关性,设置相应采样比例剔除冗余特征。将改进算法与其他特征选择算法进行对比,结果表明相较于传统ReliefF,在LightGBM(Light Gradient Boosting Machine,轻量级梯度提升机器学习)上的分类准确率可提升0.63%~12.10%,在SVM(Support Vector Machine,支持向量机)上的分类准确率可提升0.92%~9.06%,改进算法的分类准确率明显优于其他几种特征选择算法,在考虑特征与标签相关性的同时,能有效剔除冗余信息。     

基于粗糙集理论的不完备数据分析方法的混合信息系统填补算法

为了提高基于粗糙集理论的不完备数据分析方法（ROUSTIDA）在实际应用中对包含离散型（如整型、字符串型、枚举型）、连续型（如浮点数表达）、缺失型属性的混合信息系统（HIS）数据的填补能力,提出了一种基于粗糙集理论的混合信息系统缺失值填补方法（RSHISMIA）。首先,根据决策属性等价类划分思想并按照决策属性对混合信息系统HIS进行划分,解决了填补后可能出现的决策规则冲突问题;其次,定义混合距离矩阵来合理量化对象间的相似性,从而筛选出具有填补能力的样本并克服ROUSTIDA无法处理连续性属性的缺点;然后,结合近邻思想解决了ROUSTIDA在无差别对象属性值发生冲突情况下无法对相同属性缺失数据进行填补的问题。最后,使用10个UCI标准数据集进行实验,将所提出的方法与ROUSTIDA、K近邻填补（KNNI）算法、随机森林填补（RFI）算法和矩阵分解（MF）等几种经典算法进行了比较。实验结果表明,与ROUSTIDA相比,所提方法在查全率上平均高出81%,在查准率上提升了5%~53%,且其归一化均方根误差（NRMSE）最多减小了0.12。此外,所提方法的分类准确率与ROUSTIDA相比平均提升了7%,且优于KNNI、RFI及MF等填补算法。     

基于GSM模块的家庭智能报警系统设计与研究

基于GSM模块的家庭智能报警系统,以STC89C52为核心处理单元,该报警系统通过采用电源供电热释电传感器进行信号检测,通过串口发送AT指令与控制GSM短信模块实现在GSM网络中实时传输信息到目的手机的家庭智能报警系统。本系统是一种可靠的、能远距离实时反映家中安全情况的家庭防盗报警系统。     

基于神经网络的医疗文本分类研究

传统的医学文本数据分类方法忽略了文本的上下文关系，每个词之间相互独立，无法表示语义信息，文本描述和分类效果差；并且特征工程需要人工干预，因此泛化能力不强。针对医疗文本数据分类效率低和精度低的问题，提出了一种基于Transformer双向编码器表示BERT、卷积神经网络CNN和双向长短期记忆BiLSTM神经网络的医学文本分类模型CMNN。该模型使用BERT训练词向量，结合CNN和BiLSTM,捕捉局部潜在特征和上下文信息。最后，将CMNN模型与传统的深度学习模型TextCNN和TextRNN在准确率、精确率、召回率和F1值方面进行了比较。实验结果表明，CMNN模型在所有评价指标上整体优于其他模型，准确率提高了1.69%～5.91%。     

最大模糊频繁模式挖掘算法

针对有效模式挖掘的组合爆炸及挖掘结果信息如何有效表达的问题,提出了一种基于“核心-牵引”结构的修剪候选模式和考虑项目不确定性的最大模糊模式挖掘算法（MFFP-Tree）。首先,综合分析项目的模糊性,提出模糊支持度,分析项目在事务数据集中的模糊权重,依据模糊修剪策略修剪候选项集;其次,仅扫描数据集一次,就能成功构建模糊模式挖掘树,依据模糊剪枝策略减少模式提取的开销,采用FFP-array阵列结构使得搜索方式更精简,从而进一步降低时空开销。根据基准数据集的实验结果,与最大模式挖掘算法PADS和FPMax^*对比分析,MFFP-Tree挖掘出的最大模糊模式能够更准确地反映项目与项目之间的关系;算法的时间复杂度能减半甚至低1个数量级;算法的空间复杂度降低1~2个数量级。     

温度传感器在大体积高强混凝土施工中的应用体会

中煤第一建设有限公司承建的神华宁夏煤业集团有限责任公司金家渠煤矿中部回风立井井筒,在内层井壁C70高标号混凝土段施工过程中,通过安设温度传感器,从混凝土浇筑到混凝土终凝,连续测量井壁环境温度,混凝土入模温度,混凝土水化反应开始时间,混凝土内外温度差及井壁降温情况等。进行监测收集混凝土的水化热情况及温度变化的数据。解决了大体积、高标号混凝土的裂缝问题。本文以此为例,在分析混凝土裂缝产生的原因,通过安设温度传感器,进行监测收集混凝土的水化热情况及温度变化的数据的基础上,阐明了大体积、高标号混凝土施工安设温度传感器技术的可行性及重要意义,并根据现场实施情况,提出看法和建议。     

基于增量加权的不平衡漂移数据流分类算法

概念漂移是数据流学习领域中的一个难点问题,同时数据流中存在的类不平衡问题也会严重影响算法的分类性能。针对概念漂移和类不平衡的联合问题,在基于数据块集成的方法上引入在线更新机制,结合重采样和遗忘机制提出了一种增量加权集成的不平衡数据流分类方法(incremental weighted ensemble for imbalance learning, IWEIL)。该方法以集成框架为基础,利用基于可变大小窗口的遗忘机制确定基分类器对窗口内最近若干实例的分类性能,并计算基分类器的权重,随着新实例的逐个到达,在线更新IWEIL中每个基分器及其权重。同时,使用改进的自适应最近邻SMOTE方法生成符合新概念的新少数类实例以解决数据流中类不平衡问题。在人工数据集和真实数据集上进行实验,结果表明,相比于DWMIL算法,IWEIL在HyperPlane数据集上的G-mean和recall指标分别提升了5.77%和6.28%,在Electricity数据集上两个指标分别提升了3.25%和6.47%。最后,IWEIL在安卓应用检测问题上表现良好。