量化关联规则在高校就业信息数据中的应用

针对就业信息数据中存在着大量的量化属性和分类属性等现象,提出了一种基于k-means的量化关联规则挖掘方法,该方法首先利用聚类算法k-means对量化属性进行合理分区,将量化属性转化为布尔型,其次利用改进的布尔关联规则方法对此进行关联规则挖掘,找出学生的受教育属性和就业属性之间的关联性,最后对挖掘出的规则进行分析和运用。就业信息数据实验证明,本文所提方法对就业信息进行挖掘是有效的、可行的,它为高校教育提供了指导和参考依据,在高校教育领域具有较好的应用前景。     

一种基于频繁模式树的约束最大频繁项目集挖掘及其更新算法

目前已提出了许多快速的关联规则挖掘算法,实际上用户只关心部分关联规则,如他们仅想 知道包含指定项目的规则.当这些约束被用于数据预处理或将它结合到数据挖掘算法中去时 ,可以显著减少算法的执行时间.为此,考虑了一类包含或不包含某些项目的布尔表达式约 束条件,提出了一种快速的基于FP-tree的约束最大频繁项目集挖掘算法CMFIMA,并对其更 新问题进行了研究,提出了一种增量式更新约束最大频繁项目集挖掘算法CMFIUA.     

一种自适应加权SpPCA单样本人脸识别算法

子模式主成分分析(SpPCA)算法忽略了人脸不同分块应该具有不同的重要性.为了解决此问题,提出一种自适应加权SpPCA单样本人脸识别算法,对人脸图像的不同分块自适应地计算其权重.算法对人脸进行分块,按照SpPCA算法将各个分块投影到特征脸的基坐标上,并以每个模块LBP编码的纹理图像信息熵来表征该模块的权值;将模块的权重赋予该模块的特征脸投影,并得到最终分类结果.实验在Yale B和扩展Yale B人脸数据集上进行测试.实验表明,该算法得到了较好的识别结果,有效地弥补了SpPCA算法的不足.     

RISC-V指令集子集RV32I的译码电路设计与优化

面向RISC-V处理器五级流水线数据通路,设计了基于FPGA的RISC-V指令集子集RV32I的指令译码电路。电路分为主译码电路和程序计数器输入选择(PCSel)译码电路,使用Verilog HDL编程设计,并进行了系列优化:使用时序约束工具分析时序状态,设定约束后对电路进行综合,降低电路延迟;利用无关项化简组合逻辑,减少模块输入输出项,减少电路级联;构建独立的32位串并行数值比较器;插入流水线,提高电路工作频率。电路基于FPGA芯片CycloneⅣEP4CE6F17C6进行设计,使用Quartus Prime 17.1对电路进行仿真,仿真结果表明:在Slow 1 200 m V 85℃条件下,指令译码电路达到295.6 MHz的工作频率,相比同类设计具有高速和低资源消耗的特点。     

有限加筋板宽度对应力强度因子的影响

基于线性累积损伤理论,分析了含裂纹损伤的加筋板加强筋宽度的不同对裂纹尖端应力强度因子的影响。然后根据分析得到裂纹尖端应力强度因子随加强筋宽度的变化规律。结果表明,随着加强筋宽度的增大,结构应力强度因子的下降幅度逐渐增大,当裂纹尖端离筋条越近时,这种现象越明显。     

一种新的分类器选择集成算法

为提高集成分类器系统的分类性能,提出一种分类器选择集成算法MCC-SCEN。该算法选取基分类器集中具有最大互信息差异性的子集和最大个体分类能力的子集,以确定待扩展分类器集,选择具有较大混合分类能力的基分类器加入到待扩展集中,构成集成系统,进行加权投票并产生结果。实验结果表明,该方法优于经典的AdaBoost和Bagging方法,具有较高的分类准确率。     

基于动态加权的粗糙子空间集成

提出一种基于动态加权的粗糙子空间集成方法EROS-DW。利用粗糙集属性约简方法获得多个特征约简子集,并据此训练基分类器。在分类阶段,根据给定待测样本的具体特征动态地为每个基分类器指派相应的权重,采用加权投票组合规则集成各分类器的输出结果。利用UCI标准数据集对该方法的性能进行测试。实验结果表明,相较于经典的集成方法,EROS-DW方法可以获得更高的分类准确率。     

基于模糊规则的学习者认知水平估算方法

认知水平估算是远程学习系统中实现学习导航和知识推荐的一个重要依据.针对现有的估算方法存在计算方式单一、逻辑推理简单等问题,提出了一种用模糊集表示认知水平等级,以记忆量为判断标准、试题难度和做题时间为影响因素,通过模糊推理产生对认知等级不同的影响参数,并利用影响参数和改进的SherlockⅡ方法修改认知水平的等级隶属度的方法.通过和其他方法比较,得出本方法逻辑合理、计算简便,能够合理地反映学习者的认知过程.     

基于核空间相对密度的SVDD多类分类算法*

针对现有基于支持向量数据描述(SVDD)的多类分类算法未能充分利用重叠区域样本分布信息等问题,提出了一种基于核空间相对密度的SVDD多类分类算法DM-SVDD。该算法首先由SVDD确定包围每类数据的最小超球,然后计算位于最小超球重叠区域中每个样本在其同类样本间的相对密度,最后以各类样本相对密度的均值为标准,对重叠区域内的待测样本进行分类。实验结果表明,算法DM-SVDD是可行有效的。