关怀德育视域下问题青少年教育矫正的困境及突破

问题青少年矫正教育中的关怀德育实践是学校落实立德树人,培养学生正确的价值观,增强青少年社会责任感的重要体现。为此,从诺丁斯关怀德育的视角研究问题青少年,探讨新时代问题青少年教育矫正的主要困境,提出关怀德育视域下问题青少年教育矫正的五大策略,在一定程度上弥补了传统问题青少年教育矫正情感缺失的弊病,对新时代学校问题青少年教育矫正工作具有重要意义。

DBSCAN聚类算法的研究与改进

针对"基于密度的带有噪声的空间聚类"(DBSCAN)算法存在的不足,提出"分而治之"和高效的并行方法对DBSCAN算法进行改进.通过对数据进行划分,利用"分而治之"思想减少全局变量Eps值的影响;利用并行处理方法和降维技术提高聚类效率,降低DBSCAN算法对内存的较高要求;采用增量式处理方式解决数据对象的增加和删除对聚类的影响.结果表明:新方法有效地解决了DBSCAN算法存在的问题,其聚类效率和聚类效果明显优于传统DBSCAN聚类算法.

基于密度的DBSCAN聚类算法的研究及应用

首先对DBSCAN(Density Based Spatial Clustering of Applications with Noise)聚类算法进行了深入研究,分析了它的特点、存在的问题及改进思想,提出了基于DBSCAN方法的交通事故多发点段的排查方法及其改进思路,并且给出了实例以说明处理过程及可行性。实验结果表明本文提出的方法可以大大提高交通事故黑点排查效率。

基于样本选取的决策树改进算法

为提高决策树分类算法的精度,通过比较几种经典的决策树分类算法,提出了基于样本选取的改进的决策树分类算法.改进算法基于决策树精度与样本的相关性较大以及决策树只能得到局部最优解的事实,通过反复迭代寻找较优样本,从而在不改变决策树分类算法的前提下,得到较好的决策树分类算法.该算法不针对某个决策树,只利用输入和输出的反馈信息进行迭代,因此通用性较好.实验证明,该改进算法与ID3,C4.5算法平均错误率的比值约为0.82∶1.22∶0.92.

基于语义距离的高效文本聚类算法

针对现有文本聚类算法忽略了词之间的语义信息,导致文本的相似度计算不够精确的问题,提出了一种基于语义进行文本聚类的新方法.该方法从语义上具体分析文本,利用文本的具体语义来计算文本间的相似度.聚类采用最近邻聚类算法,并提出第二次聚类算法来改进最近邻算法对输入次序敏感的问题.根据相似度权重优胜劣汰类特征词,使得最后类特征词越来越逼近类的主题.实验结果表明,文中所提出的算法在聚类精度和召回率上均优于基于向量空间模型的k-Means聚类算法.

一种提高DBSCAN聚类算法质量的新方法

针对基于密度带有"噪声"的空间聚类应用(DBSCAN)聚类算法存在的3个主要问题:输入参数敏感、对内存要求高、数据分布不均匀时影响聚类效果,提出了一种基于遗传方法的DBSCAN算法改进方案数据分区中使用遗传思想的DBSCAN算法(DPDGA)来提高聚类质量.利用遗传算法改进K-means算法来获取初始聚类中心;对数据进行划分,在此基础上对划分的每一部分使用DBSCAN算法进行聚类;合并聚类的结果.仿真实验表明,新方法较好解决了传统DBSCAN聚类算法存在的问题,在聚类效率和聚类效果方面均优于传统DBSCAN聚类算法.

基于改进差别矩阵的增量式属性约简算法

研究目前粗糙集中求属性核和属性约简存在的效率低下问题,提出基于改进差别矩阵的核增量式更新算法,用于解决对象动态增加情况下核的更新问题.为降低现有增量式属性约简算法的时间和空间复杂度,提出一种不存储差别矩阵的高效属性约简算法,用于处理对象动态增加情况下属性约简的更新问题.理论及实验结果表明,该算法可明显降低时间和空间的复杂度.

数据挖掘技术在试题质量评价中的应用

介绍了关联规则基本概念及Apriori算法,分析了关联规则挖掘在试题评价中存在的不足,提出了一种基于信息量的关联规则挖掘改进算法ARMABI.实验结果表明,该算法性能明显优于传统的关联规则挖掘算法,具有较高的推广价值.并且,对下一步工作进行了展望.

基于改进k-medoids算法的XML文档聚类

XML文档由于其自身的可扩展性、半结构化和自描述性等特点,已成为数据表示和交换的数据格式标准。一个高效、快速的XML文档聚类机制能够大幅缩短信息检索时间,提高数据查询的效率,挖掘出潜在的信息价值。为此,提出一种改进的k-medoids算法对XML文档进行聚类。运用模糊聚类方法确定聚类个数,利用遗传算法的全局最优的搜索能力求解最佳聚类中心点或质心,从而提高大规模XML文档集的聚类质量。实验结果表明,与基于传统k-medoids算法的聚类方法相比,改进的聚类方法具有较高的聚类准确性和收敛度。

基于粗糙集聚类的物化视图动态调整算法

根据用户查询多样性的特点,提出了基于粗糙集聚类的物化视图的动态调整算法(RSCDMV)。该算法在对物化视图进行粗糙集聚类的基础上进行动态调整,这不仅满足了用户查询多样性需求,而且兼顾了维的层次关系因素。实验结果证明,随着用户查询集合的增大,查询集的动态性和多样性更加明显,因此,RSCDMV算法更具有优势。

决策树算法的研究与改进

决策树是数据挖掘中重要的分类方法,本文在研究和比较几种经典的决策树算法基础上,提出了一种改进的决策树算法:基于度量的决策树(MBDT).这种决策树实际上是把线性分类器和决策树结合在一起.实验证明,用该方法构造的决策树能有效地减少决策树的层数,从而提高决策树的分类效率.通过MBDT分类实验,验证了上面结论的正确性和有效性.

一种改进的核增量式更新算法

深入分析基于差别矩阵的属性核快速更新算法——FUAC后,指出引起该算法空间复杂度高的原因,在此基础上提出了一种不存储差别矩阵的改进核增量式更新算法,主要考虑对象动态删除情况下核的更新问题。理论分析表明改进的核增量式更新算法有线性空间复杂度。

基于统计分析方法的雾霾影响因素及治理措施

雾霾天气是一种重要的城市气象灾害,为了科学有效治理雾霾,基于2种统计分析方法:非参数统计结合多元回归的方法以及多元统计分析中的因子分析和对应分析方法,对2013年11月全国大范围雾霾现象的主要影响因素进行了相关性实证分析研究,同时比较所提方法的优劣,在综合2种分析方法得到的结果的基础上,结合西方发达国家曾经对雾霾治理的经验提出了缓解我国雾霾污染的有效方法.

并行分布环境下的黑板模型

黑板模型支持并行性,它是分布式和并行编程可用的强有力的模型之一。在一个需要并行性和分布式编程的系统中,黑板模型有助于组织和概念化并发性及通信。本文着重分析了黑板模型的结构、构造方法、控制策略。基于CORBA(Common Object Request Broker Architecture)对象和全局对象研究了黑板和知识库的实现。最后,通过一个具体实例的实现方法和过程,说明了黑板模型解决分布式和并行编程问题的可行性。

基于XML的Web数据集成技术的研究

本文首先介绍了Web环境下异构数据集成技术产生的背景和研究目的以及相关的概念、技术和方法,然后针对XML作为合适的数据交换格式的特点介绍了基于XML的信息集成的关键因素,基于此,提出了一种基于XML的Web数据集成操作模型,并讨论了该模型在Web数据集成时数据交换和共享过程。最后,给出了集成构架的结构及组成。

基于向量的动态XML编码方法研究

基于向量的动态可扩展标记语言(XML)编码方法计算简单,但不能对已删编码进行重用,严重影响XML更新效率。为此,利用Stern-Brocot树对中间向量计算进行改进,提出一种求解最短位长中间向量的多项式时间算法,对批量分配进行优化,从而提高向量编码的更新性能。实验结果证明改进的编码方法能较好地重用已删编码,适用于XML的频繁更新。

基于XML和JAVA构建程序生成器

本文将XML、JAVA、JSP及程序生成器等技术与方法结合起来 ,通过域分析的思路、方法、过程 ,讨论了使用XML和JAVA创建程序生成器的方法和过程 ,并比较了不同方法的优劣。指出了将XML应用到程序创建和维护上的优势。

一种基于XML的Web数据集成方案

介绍了Web环境下异构数据集成技术产生的背景和研究目的以及相关的概念、技术和方法,针对XML作为合适的数据交换格式的特点介绍了基于XML的信息集成的关键因素,提出了一种基于XML的Web数据集成操作模型,并讨论了该模型在Web数据集成时数据交换和共享过程,给出了集成构架的结构及组成。

高效的用户访问预测新算法

针对基于Web日志挖掘的用户访问预测经典算法的不足,提出了基于Markov链和关联规则的预测算法(MAPA).使用二阶Markov链找到用户下一步或将来可能访问的页面集,生成预测候选集;使用二项关联规则从正向和反向2个角度修正Markov的预测结果,从而生成最后的预测页面.通过引入用户反馈机制,提出了带反馈的Markov预测算法(MPAF),即在预测过程中逐步构造历史预测树,把历史预测信息保存到历史预测树中,并根据用户的反馈来判断预测的正确性.在预测过程中,用二阶Markov预测算法生成预测候选集,再利用历史预测信息动态地调整预测算法,从而生成预测页面.理论分析证明,这2种预测算法具有线性时间复杂度的预测效率.实验结果表明,MAPA和MPAF在预测准确率上平均提高5%和10%.

一种提高文本聚类算法质量的方法

针对基于VSM(vector space model)的文本聚类算法存在的主要问题,即忽略了词之间的语义信息、忽略了各维度之间的联系而导致文本的相似度计算不够精确,提出基于语义距离计算文档间相似度及两阶段聚类方案来提高文本聚类算法的质量.首先,从语义上分析文档,采用最近邻算法进行第一次聚类;其次,根据相似度权重,对类特征词进行优胜劣汰;然后进行类合并;最后,进行第二次聚类,解决最近邻算法对输入次序敏感的问题.实验结果表明,提出的方法在聚类精度和召回率上均有显著的提高,较好解决了基于VSM的文本聚类算法存在的问题.