基于多样化top-k shapelets转换的时间序列分类方法

针对基于shapelets转换的时间序列分类方法中候选shapelets存在较大相似性的问题,提出一种基于多样化top-k shapelets转换的分类方法 Div Top KShapelet。该方法采用多样化top-k查询技术,去除相似shapelets,并筛选出最具代表性的k个shapelets集合,最后以最优shapelets集合为特征对数据集进行转换,达到提高分类准确率及时间效率的目的。实验结果表明,Div Top KShapelet分类方法不仅比传统分类方法具有更高的准确率,而且与使用聚类筛选的方法(Cluster Shapelet)和shapelets覆盖的方法(Shapelet Selection)相比,分类准确率最多提高了48.43%和32.61%;同时在所有15个数据集上均有计算效率的提升,最少加速了1.09倍,最高可达到287.8倍。

基于AUC的时间序列Shapelets提取方法

近年来,基于Shapelets的时间序列分类方法受到了广泛关注。现有的基于Shapelets转换的时间序列分类方法使用信息增益作为评价Shapelets的标准,并主要关注分类准确率,不能很好地适应不平衡时间序列分类。为了解决上述问题,使用AUC作为提取Shapelets的标准,并用于后续的数据集转换和分类,最后使用不平衡评价指标F-measure和AUC值对分类结果进行评价。结果显示,该方法能够很好地适应不平衡时间序列分类。

纤维素酶在肥育猪日粮中的应用试验

发展节粮型畜牧业缓解人畜争粮的矛盾,是摆在全国畜牧科技工作者面前的重大研究课题.玉米-豆粕-麸皮型猪日粮,在全国具有一定代表性.为改变这一状况,发展节粮型养猪,我们从增加肥育猪粗饲料的比例、配合应用纤维素酶进行了初步试验,以观察对生产性能的影响.

基于多样化Shapelets的不平衡时间序列分类方法

针对现有shapelets分类方法不能解决不平衡时间序列分类的问题,提出了基于多样化top-k shapelets转换的时间序列分类方法,用不平衡数据分类评价指标曲线下面积(Area Under Curve,AUC)代替传统的信息熵,作为衡量shapelets的标准,并利用多样化top-k shapelets对训练集进行转换,最后使用SMOTE方法对转换后的训练集进行过采样。该方法利用AUC值对不平衡数据不敏感的特性,提高shapelets特征评估分类的准确性,不仅可以有效提取时间序列特征,还能在特征的基础上进行数据集的平衡处理。

智慧校园背景下高职计算机网络技术课程教学方法创新研究——以“OSI参考模型”为例

在智慧校园的背景下,课堂教学方法不断改革创新。笔者运用智慧化校园环境,将不同的信息化手段应用于教与学的过程中,转变传统教学模式,科学利用网络学习平台和移动学习设备,模拟生活情境并运用类比法提高学习效率,建立线上线下学习小组学习模式促进师生互动,运用虚拟仿真软件深入理解知识要点等多种创新教学实践手段进行教学,有效调动了学生的学习积极性,提升学习效率。