互动教学法对Java EE课程教学效果的影响研究

为了验证互动教学法对教学效果的影响,在《Java EE及其应用》课堂的教学环节中,采用对比的方式,选择一个班级进行传统教学,另一个班级除了传统教学外,还使用Java EE教学互动平台来进行课程教学,在课堂上和课后给学生提供全方位的互动教学。实验结果证明教学互动平台对于教学效果有明显的积极影响,尤其对于70~89分数段的学生来说具有较明显的促进作用,学生卷面成绩有明显提高。     

非稀疏多核组合的支持向量回归方法

为了改善支持向量回归机的性能,本文提出了一种利用多核学习解决回归问题的算法(NS-MKR),算法对基本核函数的组合系数施加了Lp范数的约束(p>1),以得到组合系数的非稀疏解,并采用了两步优化方法,首先求解基于加权组合核的标准支持向量回归问题,用于学习拉格朗日乘子,然后采用简单的计算,求得基本核函数的组合系数,这两个步骤交替进行,直到满足事先定义的收敛准则。在人工数据集和真实数据集上的实验表明,相对于传统的单核和稀疏多核支持向量回归方法,本文提出的算法有更好的泛化性能。     

基于交互式多媒体技术的E-Learning系统研究

针对在线学习的多媒体技术,本文以在线教学为基础,以39个在校大学生为实验主体,研究了基于交互式多媒体技术的E-Learning系统。将实验主体随机分为使用LBA在线听课和在传统课堂听课2个对照组,并提供相同的授课时间和学习资料,通过衡量2组学习者考试成绩的等级和学习者的满意度来调查学习结果,实验结果表明,在线组的学习成绩高于课堂组的成绩,即使用LBA系统学习的学生比传统课堂下学习的学生能取得更好的成绩,而且在2种教学环境中学习的学生,其满意度相当。该系统可以帮助学习者更好地理解学习内容,取得比传统教学更好的成绩,为建立高效的基于多媒体技术的E-Learning教育环境开辟了一条重要路径。     

大学英语课堂教学中合作学习有效性探讨

合作学习已经越来越多的被大学教师引入到英语教学中。文章探讨了合作学习中遇到的问题,分析合作学习受阻的原因,提出解决问题的对策。     

学习型离退休党支部建设探析

建设学习型离退休党组织,对加强离退休党支部建设,提升党组织凝聚力和战斗力具有重要意义。建设学习型离退休党支部是推动离退休党建工作科学开展的需要,是发挥离退休党员干部参谋助手作用的需要,是提高离退休党员干部生活质量的需要。建设学习型离退休党支部,必须把理论武装工作放在首位,必须服务于党的中心工作,必须立足于离退休党员干部素质的提高。我们要努力营造建设学习型离退休党支部的浓厚氛围;强化建设学习型离退休党支部的制度保障;采取确保学习效果的多种学习方式。     

兴趣度在基于关联分析的选课指导系统中的研究与应用*

简要地介绍了数据挖掘技术,通过对关联分析的经典算法Apriori在学生选课指导系统中的应用分析,发现了Apriori不适合学生选课指导系统的缺陷.提出了增加兴趣度阈值以减少产生的无用规则,提高挖掘精度,克服原系统缺陷的新算法,为学生选课辅助决策提供了良好的理论依据和实现方法.     

基于神经网络的数控机床位置控制的研究

本文提出了一种新型的神经网络结构的位置控制器，给出了该控制器的学习算法，并进行了数控机床位置伺服系统的仿真实验，结果表明这种控制器性能优越，自适应能力强。     

Learning to rank academic experts in the DBLP dataset

Expert finding is an information retrieval task that is concerned with the search for the most knowledgeable people with respect to a specific topic, and the search is based on documents that describe people's activities. The task involves taking a user query as input and returning a list of people who are sorted by their level of expertise with respect to the user query. Despite recent interest in the area, the current state‐of‐the‐art techniques lack in principled approaches for optimally combining different sources of evidence. This article proposes two frameworks for combining multiple estimators of expertise. These estimators are derived from textual contents, from graph‐structure of the citation patterns for the community of experts and from profile information about the experts. More specifically, this article explores the use of supervised learning to rank methods, as well as rank aggregation approaches, for combining all of the estimators of expertise. Several supervised learning algorithms, which are representative of the pointwise, pairwise and listwise approaches, were tested, and various state‐of‐the‐art data fusion techniques were also explored for the rank aggregation framework. Experiments that were performed on a dataset of academic publications from the Computer Science domain attest the adequacy of the proposed approaches.     

Single machine scheduling problems with exponentially time-dependent learning effects

In this paper, we introduce a single-machine scheduling problem with an exponentially time-dependent learning effect. The processing time of a job is assumed to be an exponential function of the total normal processing time of jobs already processed before it. For such a scheduling problem, we first provide the upper bound for the maximum lateness and for the total weighted completion time. Next, we show that problems with the following criteria: makespan, the total completion time, the total weighted completion time, the total earliness/tardiness penalties and the maximum lateness under some agreeable conditions, are polynomially solvable.     

二次回归学习及其在软件开发工作量预测上的应用

回归学习是用于对具有实值标记样本进行学习建模的监督学习技术。为获得良好的预测性能,通常需要大量的训练样本,然而,在实际应用中可收集到的训练样本数量极少。针对该问题,提出一种基于二次学习框架的新型二次回归学习方法———基于神经网络集成的回归树算法( NERT)。该方法借助虚拟样本生成技术,通过串行执行的两个学习阶段对其进行有效利用,有效缓解训练样本不足的困难,从而提升学习性能。同时,通过为两个阶段分别选择泛化能力强和理解性好的学习方法,可得到预测性能好且可理解性高的模型。实验结果表明在训练样本极少的软件开发工作量预测问题上,NERT方法能够从小样本数据得到比现有方法更好的预测性能,同时其模型内在可理解性能够揭示工作量预测的关键因素。