材料科学基础混合式一流课程建设

基于OBE理念,对标国家级一流本科课程进行混合式课程建设。通过线上线下相结合,课内课外有效衔接,以赛促学,融合工程案例、科技前沿成果和思政元素,增加过程性评价比例,把以教为主转变成以学为主,取得了显著效果。学生学习成绩、对课程的学习兴趣和认可度有了很大提高,增强了对专业的认同感。

以金相实验为例对材料专业本科实践教学的改革与实践

文章以金相实验为例,结合专业实验教学现状与问题,提出通过改善实验条件、丰富实验内容、借助学科竞赛等方式进行材料专业实践教学的探索与实践。旨在提高实践教学效果,提升大学生竞争力,培养具有工程意识、创造性思维、团队合作能力和自主性学习能力的专业型人才,为进一步探索理工科专业学生的实践教学改革提供了思路。

基于R语言的数据抓取与可视化分析

在大数据的背景下,对数据进行分析和处理变得越来越关键,而数据可视化技术由于可以将数据中隐藏的特征和隐藏的信息直接展现出来而备受重视。R语言的资料可视化,以图像为基础,以清楚而高效的方式传递和交流资讯,可以协助使用者快速辨识出图案,让决策人可以以视觉的方式来理解各个层面的详细资讯。通过对一系列个股的实例研究,完成了K线图的绘制和正态性的测试,从而为股市的研究奠定了一定的理论基础。

基于SVR的混沌时间序列预测

支持向量机是一种基于统计学习理论的新颖的机器学习方法,由于其出色的学习性能,该技术已成为当前国际机器学习界的研究热点。这种方法已广泛用于解决分类和回归问题。论文介绍了支持向量回归算法的各种版本,同时将它们应用到混沌时间序列预测中,并且比较了它们的预测性能,为实际应用合理选择模型提供一定的依据。

单参数支持向量回归算法

支持向量机是一种基于统计学习理论的新颖的机器学习方法,由于其出色的学习性能,该技术已成为当前国际机器学习界的研究热点.这种方法已广泛用于解决分类和回归问题.在回归中,标准的支持向量回归算法在采用ε-不敏感损失函数时引入两个参数.为了减小学习复杂性,给出一种单参数约束下的支持向量回归算法,该算法能够减少支持向量的数量,提高程序的运行速度.最后,以一个混沌时间序列预测为例,所给方法同标准支持向量回归算法进行了比较,运行速度明显提高.

SVR在混沌时间序列预测中的应用

支持向量机是一种基于统计学习理论的新颖的机器学习方法,该方法已广泛用于解决分类和回归问题。将支持向量回归算法应用于混沌时间序列预测中,并同BP网络及RBF网络的预测结果进行了比较分析。仿真实验表明,支持向量回归方法具有很好的泛化能力和一定的噪声容忍能力。

加权支持向量回归算法

1引言 Vapnik等人根据统计学习理论提出的支持向量机学习方法[1],近年来受到了国际学术界的广泛重视.支持向量机的最大特点是根据Vapnik结构风险最小化原则,尽量提高学习机的泛化能力,即由有限的训练集样本得到的小的误差能够保证对独立的测试集仍然保持小的误差.

基于线性规划的多类支持向量机算法

多类支持向量机一般采用多个两类分类支持向量机来求解,这就需要解多个二次规划问题,从而导致算法的计算复杂性很高。根据一类分类思想,提出一种基于线性规划的多类分类算法及其分解形式,所给算法通过引入核函数能够独立地对每一类样本形成一个紧致的优化区域,从而达到分类的目的。对人工三螺旋线数据和几组实际数据库的识别实验表明,所结算法在保持良好的分类精度前提下,能有效地降低程序的运行时间。

基于SVR的异常数据检测

支持向量机是一种基于统计学习理论的新颖的机器学习方法,该方法已广泛用于解决分类和回归问题。该文利用支持向量回归算法中结构风险函数的性质以及KT条件,提出一种回归中的异常值检测方法。仿真实验结果表明了所给方法的可行性和有效性。

支持向量回归中的预测信任度

Support vector machine(SVM)has been widely applied to classification and regression problems, but it suf-fers from some important limitations, one of the most significant being that it makes point predictions rather thangenerating probability output. A notion of predicting credibility is proposed in support vector regression machinebased on the problem, which can make predicting value have a definite measure, and then relationship between pre-dicting credibility and noise is discussed. Finally, an example of predicting chaotic time series shows the rationality ofthe definition.

一类支持向量机在车辆识别中的应用

支持向量机分类方法已经在实际应用中显示了良好的学习性能,其最初是针对二值分类问题提出的,如何有效地将支持向量机推广到多值分类中一直是人们关注的课题。通常的多值分类问题是以一系列二值分类来实现,可是这将导致较高的计算复杂性,本文将一类支持向量机推广到多值分类情况,并将其应用于车辆识别中,仿真实验结果表明了所给方法的可行性及有效性。

基于GARCH模型的深证综合指数收益率波动性研究

在介绍GARCH模型相关理论的基础上,以深证综合指数收盘价为研究对象,运用Eviews6.0软件对深证综合指数收益率的波动情况进行了实证分析.结果表明,深证综合指数收益率具有明显的ARCH效应和平稳性特征,且有显著的"尖峰厚尾"现象,存在波动的集群性.同时,通过比较发现GARCH(1,1)模型最能模拟深证综合指数收益率的实际情况.此外,得出收益率具有明显的"杠杆效应",且验证了深证综合指数支持风险溢出理论.最后,在GARCH模型的基础上计算了VaR值.

基于线性规划支持向量回归的混沌系统预测

支持向量机是一种基于统计学习理论的新颖的机器学习方法,该方法已经广泛用于解决分类与回归问题。标准的支持向量机算法需要解一个二次规划问题,当训练样本较多时,其运算速度一般很慢。为了提高运算速度,介绍了一种基于线性规划的支持向量回归算法,并由此提出几种新的回归模型,同时将它们应用到混沌时间序列预测中,并比较了它们的预测性能。在实际应用中,可以根据具体情况灵活地选择所需模型。

基于一类分类的时间序列异常值检测

论文结合相空间重构理论与一类分类方法提出一种时间序列中的异常值检测方法。该方法首先将时间序列映射到相空间,然后对相空间中的点实行一类分类,最后,根据KKT条件进行异常值检测。仿真实验结果表明了所给方法的可行性和有效性。

GARCH类模型在我国期货市场预测中的应用研究

理论研究和实证分析是期货市场波动性和价格操纵行为研究的重要基础,GARCH类模型的研究和应用被认为是该领域的重要成果.利用时间序列分析方法,以2009年1月5日至2011年6月10日期货市场每月总成交额为样本,对我国2009年以来期货的总成交额进行实证分析.通过ARCH模型分析、ARCH效应检验和CARCH模型分析,认为TARCH(1,1)模型是适合的,且期货日成交额序列存在一定的波动聚类与持续性而表明存在条件异方差性的较明显、非对称性的存在而显示出的杠杆效应的突出.

主成分分析与因子分析关系探讨及软件实现

文章论述了主成分分析与因子分析之间的区别与联系,同时指出SPSS软件实现主成分分析的错误之处,并给出其正确的实现方法。另外,针对文献[4,5]中提出的因子分析模型精确解加以探讨,指出其精确解实际上就是主成分解,并以具体实例加以说明。

基于线性规划的支持向量聚类算法

为了克服k-均值聚类算法容易受到数据空间分布影响的缺点,将线性规划下的一类支持向量机算法与K-均值聚类方法相结合提出一种支持向量聚类算法,该算法的每次循环都采用线性规划下的一类支持向量机进行运算。该算法实现简单,与二次规划下的支持向量机聚类算法相比,该算法能够大大减小计算的复杂性,而且能保持良好的聚类效果。与K-均值聚类算法、自组织映射聚类算法等进行仿真比较,人工数据和实际数据表明了该算法的有效性和可行性。

基于一类分类的线性规划支持向量回归算法

根据一类分类思想,提出一种基于线性规划的支持向量回归算法,该算法揭示了一类分类和回归之间的关系。实验在一个正弦函数、一个混沌时间序列和一个实际的数据上进行。实验结果表明,所给算法的泛化性能优于标准的支持向量回归算法(ε-SVR)、线性规划支持向量回归算法(LP-SVR)和最小二乘支持向量回归算法(LS-SVR),实验结果也说明了所给算法的有效性和可行性。

LS-SVM在混沌时间序列预测中的应用

支持向量机是一种基于统计学习理论的新颖的机器学习方法,该方法已广泛用于解决分类和回归问题。文中将最小二乘支持向量机算法应用于混沌时间序列预测中,并同BP网络及RBF网络的预测结果进行了比较分析。仿真实验表明,该方法具有很好的泛化能力和一定的噪声容忍能力。

基于一类分类的非线性回归算法

一类支持向量机是只有正类样本的一类分类算法,该算法已经在孤立点检测、经济预警中有了广泛的应用。根据一类分类方法,本文提出一种非线性回归算法,该算法揭示了一类分类、二类分类以及回归之间的关系。该方法首先对训练数据的响应变量向上和向下移动ε,进而获得两个样本集合;然后应用核映射方法在高维特征空间中分别求包含两个集合的最小超球体中心;最后,通过求平分两个中心的间隔最大超平面获得回归函数。两个仿真实验结果验证了所给算法的有效性和可行性。