Web挖掘技术及其在网络教学评价中的应用

结合W eb日志挖掘技术和数据立方体技术应用于网络教学评价体系,以网络教学体系的W eb服务端和客户端的日志作为数据源,使用数据挖掘技术采集有用的数据进行分析抽取,建立数据库,再应用数据立方体技术、OLAP进行分析处理,得到所需的评价结果。结果表明,此算法可以客观的评价网络教学结果。     

增量式的多变量决策树构造算法研究

针对增量数据集,结合粗糙集理论和多变量决策树的优点,给出了增量式的多变量决策树构造算法。该算法针对新增样本与已有规则集产生矛盾,即条件属性相匹配,而决策属性不匹配的情况,计算条件属性相对于决策属性的核,如果核不为空,则计算核相对于决策属性的相对泛化,根据不同的结果形成不同的子集,最终形成不同的决策树分支。该算法很好地避免了在处理增量数据集时,不断重构决策树。实例证明该算法的正确性,对处理小增量数据集具有良好的性能。     

基于变精度粗糙集的正交实验设计方法研究

通过正交实验,可以获得最少的实验次数,但是由于选择样本的盲目性决定所测得的样本中可能不包含最优样本,如果要找到最优样本就必须进行大量的后续实验。针对这些特点以及实验本身存在误差,提出了基于变精度粗糙集理论的正交实验设计方法,通过比较条件属性对决策属性的B分类质量来设计实验参数,结果表明大大提高了实验工作的效率和质量。     

基于粗糙集理论的决策树构造算法

应用粗糙集理论,提出了一种利用新的启发式函数构造决策树的方法。该方法以属性重要性评价指标作为信息熵函数,对条件属性进行选择,充分考虑了属性间的依赖性和冗余性,弥补了ID3算法对属性间依赖性强调不够的缺点,解决了决策树中子树的重复和有些属性在同一决策树上被多次选择的问题,该方法还能对不相容决策表进行正确分类。实例表明该方法是正确有效的,而且明显优于传统的决策树构造方法。     

增量式的多变量决策树构造算法研究

针对增量数据集,结合粗糙集理论和多变量决策树的优点,给出了增量式的多变量决策树构造算法.该算法针对新增样本与已有规则集产生矛盾,即条件属性相匹配,而决策属性不匹配的情况,计算条件属性相对于决策属性的核,如果核不为空,则计算核相对于决策属性的相对泛化,根据不同的结果形成不同的子集,最终形成不同的决策树分支.该算法很好地避免了在处理增量数据集时,不断重构决策树.实例证明该算法的正确性,对处理小增量数据集具有良好的性能.     

高校大型仪器设备共享机制研究

随着高校大型仪器设备数量的不断增加,大型仪器设备的共享问题已引起高校设备主管部门的重视.本文对大型仪器设备共享中存在的问题做了分析阐述,并结合河南科技大学的实际情况,从转变观念、健全实验技术队伍建设、建立大型仪器设备网络共享平台、设立专项基金等八个方面对实现大型仪器设备共享的措施进行研究和探讨.     

Struts 2框架输入校验的研究与应用

输入校验是Java Web开发中表现层数据处理的一种,因此应该由MVC框架提供。基于MVC模式的Struts 2框架为开发者提供了良好的输入校验支持,文章简要介绍了输入校验及其必要性,总结了客户端校验和服务器端校验的常用方法及其优缺点,结合实例详细阐述了Struts 2框架支持的三种输入校验的用法,给出了输入校验的流程。采用Struts 2框架完成输入校验,由于其提供了很多常用的校验规则,开发者基本上可以不需要为校验编写太多的代码,即可完成绝大部分输入校验,并可以同时完成客户端校验和服务器端校验,提高了工作效率,而且易于扩展。     

笔顺输入法的汉字搜索算法研究

结合开发实际,介绍了笔顺输入法中汉字搜索算法和字码表及词码表的生成过程。从排序和查找两方面考虑,首先将汉字字库生成汉字字码表,然后将字码表根据首笔进行分区,当用户输入首笔后由汉字字码表索引文件决定在哪个分区范围内进行查找。实例证明本方法满足查找速度要求。     

变精度粗糙集模型在决策树构造中的应用

本文在应用变精度粗糙集模型构造决策树的研究基础上,提出了具有置信度规则的决策树的构造方法。该方法是对决策树生成方法的一个改进,所构造的决策树具有更强的实用性以及更高的可理解性。本文还针对两个甚至两个以上属性的分类质量量度相等的特殊情形,给出了如何选择较优的属性作为结点的方法。与传统的ID3算法相比,该方法所构造的决策树不仅结构简单,而且更加实用,利于理解。     

一种新的决策树模型在就业分析中的应用

决策树是数据挖掘中常用的分类方法。针对高等院校学生就业问题中出现由噪声造成的不一致性数据,本文提出了基于变精度粗糙集的决策树模型,并应用于学生就业数据分析。该方法以变精度粗糙集的分类质量的量度作为信息函数,对条件属性进行选择,作为树的节点,自上而下地分割数据集,直到满足某种终止条件。它充分考虑了属性间的依赖性和冗余性,允许在构造决策树的过程中划入正域的实例类别存在一定的不一致性。实验表明,该算法能够有效地处理不一致性数据集,并能正确合理地将就业数据分类,最终得到若干有价值的结论,供决策分析。该算法大大提高了决策规则的泛化能力,减化了树的结构。