一种改进的K-Modes聚类算法

传统的K-Modes算法采用0-1简单匹配方法计算对象与类中心(Modes)之间的距离,并将每个对象分配到离它最近的类中去。采用基于频率方法重新计算各类的类中心(Modes)、定义目标函数,然而,对象的归类方法和目标函数的定义没有充分考虑分类数据的特点。对此,提出一种改进的K-Modes算法,采用期望熵最小的衡量方法进行归类,并且采用期望熵作为新的目标函数。通过实验将该算法与传统的K-Modes算法进行比较,表明该算法是更有效的。

基于GIS的推荐施肥智能决策模型研究

为了探索解决传统推荐施肥技术中缺乏空间属性信息、无法处理经验性知识等问题的途径,以春玉米推荐施肥为例,通过多年多点的大田玉米缺素试验、耕层土壤网格取样的养分测试和推荐施肥知识库的构建,建立了基于GIS的推荐施肥智能决策模型。该模型可以在土壤空间信息平台上,既对施肥过程中结构化要素进行定量模拟,又对施肥过程中非结构化要素进行定性分析,这样就可以相对全面地对推荐施肥进行智能决策支持。该模型经过山西省忻州市二十里铺村春玉米大田试验进行应用,取得了良好的产量效果,具有一定的实用价值。

一种支持动态插入的XML文档树编码IFED

XML文档树编码用来标识节点在文档树中的位置,XML文档查询算法通常通过编码来判断节点的祖先后代和兄弟关系,编码的好坏对查询效率影响很大。目前提出的编码主要分为两大类:区间编码和前缀编码,最近提出的扩展的前缀编码——Extended Dewey,由于通过单个节点的编码能够得到节点对应的路径,所以它支持有效的查询,但不支持动态插入。提出了一种新的XML文档树编码——IFED,它由Extended Dewey编码改进而来,既支持高效地查询,又支持动态插入。

POTwigStack:一种改进的XML小枝模式匹配算法

目前,基于小枝模式的XML查询算法是研究的热点。它们多数在寻找匹配节点的函数中采用了前序递归的算法,产生了大量不必要的"调用/返回"操作。因此,提出了POTwigStack算法,调用POgetNext函数来寻找匹配的节点,该函数采用后序递归的算法,可以有效地避免无用的"调用/返回"操作,从而使算法的效率进一步提高。

对分课堂在计算机程序设计课程中的实践与创新

近年来,对分课堂教学模式已经在中高校多种类型的课程中得到广泛应用。但是,在计算机高级语言程序设计课程中的应用还较为少见。同时,在计算机高级语言程序设计课程中存在教和学脱节的现象,学生并不能掌握老师教授的所有知识。因此,在计算机高级语言程序设计课程中引入了对分课堂教学模式并针对该课程的特点、授课环境等进行改进、创新,计算机程序设计课程每周有理论课和实验课,将理论课和实验课都进行了对分,让学生一周内进行两次自主学习和讨论,内化吸收知识,减少老师授课的时间。改进的对分课堂教学模式在学生中反响较好,同时,学生的期末成绩较好,表明在高级语言程序课程中引入改进的对分课堂教学模式是有效的。

一种有效的XML数据库的小枝模式匹配算法

目前,XML文档查询是研究的热点,其中小枝模式匹配方法是重要的研究方向,但是大多数基于这种思想的算法只能处理包含祖先/后代关系的查询。为此,提出了一种新的小枝模式匹配算法——TwigStackPC,它能够有效地处理包含祖先/后代和父/子关系的查询。

一种改进的GloVe词向量表示学习方法

GloVe模型是一种广泛使用的词向量表示学习的模型。许多研究发现,学习得到的词向量维数越大,性能越好;但维数越大,模型学习耗时越长。事实上,GloVe模型中,耗时主要表现在两方面,一是统计词对共现矩阵,二是训练学习词向量表示。该文在利用GloVe模型统计语料中词对共现时,基于对称或非对称窗口得到两个共现矩阵,然后分别学习得到较低维度的词向量表示,再拼接得到较高维度的词向量表示。从计算的复杂度来看,该文方法并不会产生多的计算量,但显然统计共现矩阵和训练学习可通过并行方式实现,能够显著提高计算效率。在使用大规模语料的实验中,以对称和非对称窗口分别统计得到共现矩阵,分别学习得到300维词向量表示,再使用拼接方式得到600维词向量表示。与GloVe模型对称和非对称的600维的词向量相比,在中文和英文的词语推断任务上,显著地提高了预测的准确率,在词语聚类任务上,有较好的聚类效果,验证了该文方法的有效性。