基于AMOS的网络学习忠诚度调查研究

借助成熟的客户满意度ASCI模型,构建了网络学习忠诚度模型,并利用AMOS统计分析工具,定量分析了在网络学习中影响学生学习忠诚度的相关因素。同时,对模型运算结果进行了分析。

数据挖掘技术在网络课程资源配置中的研究

以第三军医大学网络教学应用系统为背景,通过对基于决策树算法的数据挖掘技术在医学网络课程建设中不同类型的资源配置进行分析,介绍了对其影响的关键因素。

媒体资产管理的存储体系

媒体资产管理是当前广播电视行业所面临的一个重要问题 ,其核心是媒体资产的存储体系。如何根据自身应用需求 ,力求降低建设成本 ,优化系统结构 ,实现系统的最佳整合 ,是多数用户不得不面临的一个现实问题 ,因此充分了解媒体资产管理的存储体系就显得尤为必要。

基于IP SAN架构的医学院校媒体资产管理的存储体系

如何设计一个合理、高效的存储体系，对于医学院校媒体资产管理系统建设是一个核心问题。文章通过对相关技术的分析比较，提出了学校媒体资产存储体系架构的方案，为医学院校的媒体资产存储体系建设研究提供了参考。

虚拟化技术在高校信息资源存储管理中的应用

分析了目前高校信息资源存储管理面临的问题,介绍了虚拟化技术在信息资源存储应用中的优势,并结合实例对高校信息资源存储管理技术进行了比较,为高校信息资源存储的虚拟化架构提供借鉴。

用于不平衡数据分类的代价敏感超网络算法

传统的超网络模型在处理不平衡数据分类问题时,具有很大的偏向性,正类的识别率远远高于负类。为此,提出了一种代价敏感超网络Boosting集成算法。首先,将代价敏感学习引入超网络模型,提出了代价敏感的超网络模型;同时,为了使算法能够自适应正类的错分代价,采用Boosting算法对代价敏感超网络进行集成。代价敏感超网络能很好地修正传统的超网络在处理不平衡数据分类问题时过分偏向正类的缺陷,提高对负类的分类准确性。实验结果表明,代价敏感超网络Boosting集成算法具有处理不平衡数据分类问题的优势。