基于数据挖掘的符号序列聚类相似度量模型

为了从消费者偏好序列中发现市场细分结构,采用数据挖掘领域中的符号序列聚类方法,提出一种符号序列聚类的研究方法和框架,给出RSM相似性度量模型。调整RSM模型参数,使得RSM可以变为与编辑距离、海明距离等价的相似性度量。通过RSM与其他序列相似性度量的比较,表明RSM具有更强的表达相似性概念的能力。由于RSM能够表达不同的相似性概念,从而使之能适用于不同的应用环境,并在其基础上提出自组织特征映射退火符号聚类模型,使得从消费者偏好进行市场细分结构研究的研究途径在实际应用中得以实现。

改进的Bresenham直线生成算法

提出了一种新的直线生成算法，该算法通过预知每个象素行要点亮的象素点，实现了在一个象素行上同时处理多个象素。在配有块写入图形存储器的系统中，该算法可以实现并行填充象素。对小斜度直线，该算法可以避免Ｂｒｅｓｅｎｈａｍ算法中偏差计算浪费现象。

基于数据挖掘的组合近邻模型算法

针对数据挖掘的组合模型问题,研究了组合模型的理论和技术,分析了组合理论在近邻法的应用现状,提出了一种通过随机属性子集组合近邻分类器的算法MNN,利用简单的投票方法,通过一个随机的属性子集来组合多重近邻分类器,对多重NN分类器的输出进行组合,MNN方法能有效地改进近邻法的分类精度。MNN方法与NN-E000相比,有两个主要的优点:(1)MNN是一个更简单的方法;(2)MNN不受多类问题的限制。

创新平台与产学研联合培养研究生创新能力探索

针对市场对人才的需求,以培养研究生创新能力为核心,提出的高校创新平台与产学研联合培养研究生创新能力系统模型,整合了高校创新平台和产学研的优势,强化以项目和市场为驱动,将研究生的培养过程融入到联合创新平台,完成研究生创新能力培养的全过程,从而进一步实现面向市场需求的研究生创新能力培养途径。

基于产学研联合的研究生培养协同模式探索

随着我国提出建设创新型国家的战略决策,研究生教育作为高层次的高等教育,理应在培养具有创新能力、实践能力和社会适应能力的应用型高素质创新人才上有所作为。然而长期以来我国研究生培养模式都是以培养学术型、研究型人才为目的,该单一模式已远远不能满足经济增长方式对应用型高素质创新人才的渴求。一方面导致了学术型、科研型硕士生供过于求,另一方面使得社会急需的应用型、复合型硕士生即具有创新能力的人才严重短缺。如何改变原本传统封闭的教育模式、提高研究生的创新能力和实践能力是摆在我们面前的一个重要课题。

数据挖掘及其工具的选择

本文给出了ＫＤＤ 的核心———数据挖掘，通过对数据挖掘种类的分析，给出了数据挖掘工具的选择标准。

以培养学生创新能力为核心的《数据结构》教学方法研究

以培养学生创新能力为核心,针对《数据结构》教学过程,提出双主线的教学设计理念;构建体现创新思维为核心对数据结构课程的教学内容、教学模式和教学手段的三层教学框架;并针对实践教学环节构建包含数据结构实验教学、数据结构课程设计教学、创新大赛和科研项目开发的四级阶梯式实践教学体系。

工科研究生自主创新能力培养关键要素分析

研究生创新能力培养是研究型高校研究生教育的核心,本文对研究生创新能力培养过程中的关键要素进行了分析,提出了培养工科研究生创新能力的关键对策,通过优化课程体系、改变培养方式、提高学位论文的质量、营造研究生创新氛围、搭建科研创新平台、加强导师队伍建设、搭建实验和科研创新平台等方式,进一步提高工科研究生的技术自主创新能力和工科研究生的培养质量。

交叉学科建设与创新型研究生培养

通过分析交叉学科知识对科学研究的重要性,提出了在我国工科研究生的培养过程中,通过交叉学科课程的建设,可以实现研究生宽口径培养,使研究生能掌握更多的跨学科知识,提高创新能力。探讨了交叉学科领域研究和交流对研究生培养的作用,通过进行学科交叉与跨学科研究的教育,培养和强化研究生的学科交叉观念与跨学科研究的意识,提高研究生从事跨学科研究的能力和水平,使研究生能在更宽广的学科领域有所创新和突破。

《数据结构》课程设计实验教学创新模式探索

《数据结构》课程设计可以使学生巩固数据结构的理论、方法和应用,激发学生学习和研究的兴趣。通过《数据结构》课程设计综合创新型实验科研培养学生的创新能力、竞争意识和团队精神。为了提高《数据结构》课程设计的教学效果,从课程设计项目的提出、项目的组织与实施、项目的验收与考核等方面提出一些可行方法和建议。重点对《数据结构》课程设计的实际教学过程进行探讨和实践研究。

数据结构教学中兴趣与项目驱动教学模式分析

根据高校精品课程建设的要求,提出了兴趣与项目驱动相结合的教学模式,并将这种综合教学模式应用到数据结构课程的教学实践中。详细介绍了这种兴趣与项目驱动相结合的教学模式的设计理念和实现过程。模拟项目驱动的教学过程可以促使学生在项目的完成过程中发现问题、提出问题、思考问题、解决问题,培养了学生的创新能力。

面向工科研究生的创新能力培养研究

研究生创新能力的培养不仅影响高等学校知识创新的水平,也关系国家未来的整体创新能力。为此本文从课程体系、教学模式、实践环节和论文水平四方面提出了优化的研究生培养模式;在此基础上给出了改进的研究生指导方式,并进一步阐述搭建实践、交流和科研创新平台的必要性,从多角度培养研究生的创新能力。

基于数据挖掘的非单调问题的缺省规则框架

提出一个求缺省规则的框架,通过合并条件属性所决定的类,生成组合类,可以构造覆盖更多对象的规则,生成从这些组合类映射到占优决策的规则。结果规则比确定规则至少具有两个重要的优点:(1)结构上简单;(2)即使规则相对训练集可能不完全,但是当处理未见的新事例时将表现得更好。系统对未来对象的分类质量,将在很大程度上依据系统一般化知识的能力。

基于数据抽取器的知识发现处理模型

提出了基于数据抽取器的知识发现模型。在模型中,将知识发现过程分成数据预处理、数据抽取、数据挖掘和结果分析四个阶段。该模型利用标准的SQL语言构造数据抽取器,为不同的学习算法准备数据,减少数据挖掘算法对数据库直接调用的次数,避免了直接对大型数据库的数据进行调用,使得对大型数据库进行快速数据挖掘成为可能。可以加快知识发现过程,提高数据挖掘效率,实现对于大型数据库的知识发现。最后设计了SQL-C4．5算法,该算法实现了利用数据抽取器为决策树算法C4．5抽取必要的统计数据,实现了C4．5决策树的构建。

数据结构课程设计创新实践探索

本文以培养学生创新能力为核心,针对数据结构课程设计教学环节,采用以模拟实际项目为背景的创新模式,提出了体现创新思维为核心对数据结构课程设计的教学设计思想、课程设计的组织过程、教师指导方法、课程设计的考核内容与方法。通过实践环节的"项目选题、中期设计作品指导、项目验收、报告撰写和答辩表现"的考核,使学生更好地理解课堂教学内容,拓展知识面,延伸和扩展了课堂教学。全面地培养了学生的素质,提高了学生的抽象能力、思维能力、算法和数据结构的设计与分析能力、科学报告的撰写和表达能力。

面向计算机学科的创新人才培养模式探索

培养创新人才是我国高等教育自身发展的需要,为此我们在教学过程中采用全新的教学设计思想和教学模式,提出任务驱动教学模式、兴趣驱动教学模式、模拟项目驱动教学模式、理论教学适度"数学化"教学模式和双轨制创新人才个性化培养模式相结合的综合教学培养模式,通过这些综合的教学模式充分发挥学生的主观能动性,实现教与学的双边互动,培养学生独立分析问题和解决问题的能力。

数据结构实验教学研究与实践

结合当前国内数据结构实验教学的研究和实践情况,构建了数据结构实验教学体系,对实验教学目标和内容进行了分层设计,让普通学生学得更扎实、好的学生走得更远。研发了开放的数据结构在线实验平台,使得实验教学能够随时随地开展,不受时空限制。通过实践,学生参与实验的主动性增强,数据结构与算法的设计与应用能力得到了有效训练和提高,促进了实验资源的积累和共享。

一种改进的双精英协同进化遗传算法

提出一种改进的双精英协同进化遗传算法。在该算法中,种群被划分为两个精英小队,二者协同进化;精英是小队中的最优个体,并且两个小队的精英具有较高的差异度。精英分别与被选的个体进行交叉,增强了种群个体和全局最优解的亲和度;同时,当精英小队中的个体间的差异度下降到规定的预警值时,引入变异操作,有效地保持了种群的多样性,避免了早熟问题。算法中还给出一种δ-表现型多样性测度计算方法,使之可以对个体适应值为实数的群体多样性进行准确计算。针对参数多、大范围的复杂计算环境,算法的搜索能力明显提高。

基于数据挖掘的供应链产品优化配置

针对供应链的特点,以客户偏好序列数据为切入点,提出客户偏好取向与客户特征属性间的关联关系模型,借鉴数据挖掘的符号序列聚类方法,研究符号类型序列数据对应的性质,从形式化和实例化2个方向讨论符号序列相似性问题,对偏好符号序列聚类问题的本质进行分析,研究如何应用自组织特征映射作为符号序列的聚类算法,并对聚类模型进行比较,使得从消费者偏好进行市场细分结构研究的研究途径在实际应用中得以实现。