RBF神经网络在高校奖学金评定中的应用

对目前高校奖学金评定的现状及存在问题进行分析,对高校学生奖学金的评定,建立RBF神经网络模型,利用测试样本进行仿真测试,结果表明,该方法比传统方法更加全面、公平、公正,具有较高的参考价值及实用性.     

浅论高校奖学金评定的完善对策

奖学金是高校对优秀学生进行奖励和激励的具体措施。本文对目前高校奖学金评定过程中存在的问题进行了分析,同时提出了具体的改进和完善对策。     

基于决策树C4.5算法的奖学金评价体系构建——以湖南农业大学为例

本文针对高校奖学金评定中存在受学校、专业等因素影响的问题,以湖南农业大学为例,通过对大学生综合测评信息有关属性的数据分析,建立了奖学金评价体系数据集,并采用C4.5算法,构建了奖学金评价体系决策树。     

“质量工程”项目智能评价方法研究

为了提高＂质量工程＂项目评审的科学性,本文设计一个智能评价管理系统。根据评价因素的模糊性,采用模糊综合评判方法处理＂质量工程＂项目申报、中期检查、结题验收的评审问题,保证评价的科学性和公正性,提高管理效率和服务水平。     

4+1视图在奖学金评审系统中的应用

随着UML应用的不断推广,利用统一建模语言阐述系统架构的方式也各不相同.本文就以奖学金评审系统(SAS)作为项目背景,结合4+1视图从不同的纬度对该系统的架构进行阐述.     

Kohonen SOM下的模糊神经电压稳定评估算法

为解决传统电压稳定评估计算方法存在的速度慢、精度低等问题,设计了一个多输入单输出的模糊神经网络。该网络通过Kohonen自组织映射聚类含SVC电力系统的有功和无功负荷来减少输入量个数,同时采用一个模糊输入的三层前馈神经网络进行训练,并评定电力系统的负荷能力裕度。经仿真验证,所设计的模糊神经网络计算精度高,有效改善了模糊神经网络的性能。     

教你绝招,把奖学金放入荷包

金秋时节,奖学金开始评定了!奖学金披着神秘的面纱,大学新人们伸长了脖子、瞪大了眼睛,也还是雾里看花。好在CFan为大家寻找到了一位连年斩获一等奖学金的牛人师姐,听她带来的权威解读,为你拨云见日!     

基于FCE的计算机实验课程平时成绩的评定

本文根据医学院校计算机实验课程教学的特点,针对由教师对学生平时实验成绩进行主观评定所引起的系列问题,运用FEC(模糊综合评价)的方法,确立了计算机实验课程平时成绩的教学评价指标体系和模糊评价模型[1]。以医学院校的《计算机基础》实验课为例进行全面、合理的定性定量分析。结果证明该方法避免了传统实验教学考核评价过程中的片面性和形式化的缺点,实现了对其平时成绩考核评定的客观性、可行性和科学合理性。     

基于SSM框架的奖学金评定管理系统设计

随着现代信息技术的发展,利用信息化技术来进行管理是各行各业研究的方向。近几年,各大高校中,一年一度的学生评优工作是一项重要工作。在这个过程中,教师和学校管理者付出了大量的精力,评奖的过程非常复杂,因此利用这种管理系统去加强学生评奖工作的建设是很有必要的。在这种背景下,研发了一个基于Java语言后端SSM框架的奖学金评定管理系统。     

浅析奖学金评定系统的设计研究

本文简述奖学金评定系统的设计思想和设计要求,分析功能模块的实现。     

模糊聚类在入侵检测中的应用

入侵检测系统是网络和信息安全构架的重要组成部分．本文对现有入侵检测技术所存在不足进行分析的基础上．将改进的模糊C均值聚类算法应用于入侵检测。实验采用KDD99数据集进行测试，结果表明，该方法具有可行性和有效性。     

模糊聚类在入侵检测中的应用

入侵检测系统是网络和信息安全构架的重要组成部分,本文对现有入侵检测技术所存在不足进行分析的基础上,将改进的模糊C均值聚类算法应用于入侵检测。实验采用KDD99数据集进行测试,结果表明,该方法具有可行性和有效性。     

A fuzzy-based customer clustering approach with hierarchical structure for logistics network optimization

Customer clustering is an essential step to reduce the complexity of large-scale logistics network optimization. By properly grouping those customers with similar characteristics, logistics operators are able to reduce operational costs and improve customer satisfaction levels. However, due to the heterogeneity and high-dimension of customers’ characteristics, the customer clustering problem has not been widely studied. This paper presents a fuzzy-based customer clustering algorithm with a hierarchical analysis structure to address this issue. Customers’ characteristics are represented using linguistic variables under major and minor criteria, and then, fuzzy integration method is used to map the sub-criteria into the higher hierarchical criteria based on the trapezoidal fuzzy numbers. A fuzzy clustering algorithm based on Axiomatic Fuzzy Set is developed to group the customers into multiple clusters. The clustering validity index is designed to evaluate the effectiveness of the proposed algorithm and find the optimal clustering solution. Results from a case study in Anshun, China reveal that the proposed approach outperforms the other three prevailing algorithms to resolve the customer clustering problem. The proposed approach also demonstrates its capability of capturing the similarity and distinguishing the difference among customers. The tentative clustered regions, determined by five decision makers in Anshun City, are used to evaluate the effectiveness of the proposed approach. The validation results indicate that the clustered results from the proposed method match the actual clustered regions from the real world well. The proposed algorithm can be readily implemented in practice to help the logistics operators reduce operational costs and improve customer satisfaction levels. In addition, the proposed algorithm is potential to apply in other research domains.     

基于有偏场的光栅图像模糊聚类分割算法

针对有偏场环境下带有光栅的散焦图像分割问题,提出了一种新的基于有偏场估计的模糊聚类分割算法。通过建立依赖于有偏场的模糊聚类目标函数,导出了基于灰度以及邻域灰度均值的聚类中心、模糊聚类函数以及有偏场估计的迭代算法;并在该算法生成的初始分割基础上,利用膨胀算子对分类结果进行细化。该方法较好地处理了传统模糊聚类对有偏场下光栅图像分割精度下降的问题。实验结果表明,基于有偏场的模糊聚类算法能有效分割光栅图像,其分割精度优于传统模糊聚类和阈值法。     

一种协同的FCPM模糊聚类算法

比重隶属度模糊聚类(FCPM)算法可从不同角度解决聚类问题,取得较好效果。协同聚类算法利用不同特征子集之间的协同关系,并与其它聚类算法相结合,可提高原有的聚类性能。文中在FCPM聚类算法的基础上进行改进,将其与协同聚类算法相结合,提出一种协同的FCPM聚类算法。该算法在原有FCPM聚类算法的基础上,提高对数据集的聚类效果。在对数据集Wine和Iris进行测试的结果表明,该方法优于FCPM算法,说明该方法的有效性。     

Multiprocessor Task Assignment with Fuzzy Hopfield Neural Network Clustering Technique

Most scheduling applications have been demonstrated as NP-complete problems. A variety of schemes are introduced in solving those scheduling applications, such as linear programming, neural networks, and fuzzy logic. In this paper, a new approach of first analogising a scheduling problem to a clustering problem and then using a fuzzy Hopfield neural network clustering technique to solve the scheduling problem is proposed. This fuzzy Hopfield neural network algorithm integrates fuzzy c-means clustering strategies into a Hopfield neural network. This investigation utilises this new approach to demonstrate the feasibility of resolving a multiprocessor scheduling problem with no process migration and constrained times (execution time and deadline). Each process is regarded as a data sample, and every processor is taken as a cluster. Simulation results illustrate that imposing the fuzzy Hopfield neural network onto the proposed energy function provides an appropriate approach to solving this class of scheduling problem.       

模糊C-均值(FCM)聚类算法的实现

传统的FCM算法能够将靠近边界的具有固有形状的两个簇合并成为一个大的簇.然而,对于一些稍微复杂的数据,如果没有其它的像去除小簇之类的机制的话,FCM算法很难将非常接近的类聚类到一起.给出的聚类算法是在传统FCM算法的循环之后添加了去除掉空簇的步骤,解决了上述很难将非常接近的类聚到一个簇中的问题.另外,为便于选出最优结果,在递归之后又添加了计算聚类有效性的步骤.最后用Java实现了该算法并在数据集上进行了实验,证实了改进方法的有效性.     

一种模糊聚类系统的设计与实现

介绍一种基于模糊逻辑的数据聚类技术,讨论了模糊C均值聚类方法。模糊C均值算法就是利用模糊逻辑理论和聚类思想,将n样本划分到c个类别中的一个,使得被划分到同一簇的对象之间相似度最大,而不同簇之间的相似度最小。     

Evolutionary semi-supervised fuzzy clustering

For learning classifier from labeled and unlabeled data, this paper proposes an evolutionary semi-supervised fuzzy clustering algorithm. Class labels information provided by labeled data is used to guide the evolution process of each fuzzy partition on unlabeled data, which plays the role of chromosome. The fitness of each chromosome is evaluated with a combination of fuzzy within cluster variance of unlabeled data and misclassification error of labeled data. The structure of the clusters obtained can be used to classify a future new pattern. The performance of the proposed approach is evaluated using two benchmark data sets. Experimental results indicate that the proposed approach can improve classification accuracy significantly, compared to classifier trained with a small number of labeled data only. Also, it outperforms a similar approach SSFCM.