新时代加强大学生网络意识形态工作的途径研究

新时代下互联网络的发展和自媒体的普及,使得加强大学生网络意识形态工作充满了挑战。牢牢掌握大学生网络意识形态的话语权是国家安全和高校教育的重要内容。文章主要介绍了网络意识形态的内涵,分析了加强大学生网络意识形态工作的必要性,讲述了大学生网络意识形态安全教育存在的诸多挑战,探索了加强大学生网络意识形态的相关措施,旨在努力提升大学生综合素质,发挥主流意识形态思想的引领作用。

基于兴趣度度量的正负关联规则挖掘方法研究

传统的Apriori算法通过支持度阈值和置信度阈值的筛选来挖掘强关联规则,所挖掘出来的强关联规则并不都是有趣的,也忽略了负关联规则的挖掘,失去了负关联规则在决策分析中的重要作用。为了过滤强关联规则中的无趣规则,挖掘有趣的正负关联规则,引入了兴趣度的概念,对现有的几种兴趣度度量进行了研究,利用兴趣度度量的相关性质,提出了一种新的兴趣度度量。根据支持度、置信度、兴趣度的相关性质提出了相关定理并进行证明,用以挖掘有趣的正负关联规则。在新的兴趣度度量的基础上进行了算法设计,并采用真实数据集进行算法验证。结果显示,以提出的兴趣度度量为基础进行正负关联规则的挖掘是可行的,其结果比经典的Apriori算法挖掘方法更实用更有效。

基于FPGA的8位CPU设计

基于FPGA和电子设计自动化技术,设计了一个8位CPU,其功能模块包括取指功能部件、指令译码功能部件、指令执行功能部件、时序信号处理功能部件等。利用VHDL语言完成各功能部件的设计和仿真验证,在顶层文件建立各模块的连接。仿真结果表明,其功能达到了设计要求。

深度稀疏修正神经网络在股票预测中的应用

传统的股票预测基于统计学的方法,虽然在股票的趋势预测中有效,但是价格预测的准确度不够令人满意。因此,文中利用神经网络研究股票价格的预测问题。神经网络具有很强的非线性拟合能力,适用于股票等非线性系统建模。文中采集了股票交易的历史数据作为数据集,对数据使用了归一化和主成分分析方法进行预处理,降低了数据维度,有利于简化模型和降低计算复杂度。针对模型的构建,设计了一种深度稀疏修正神经网络模型(deep sparse rectifier neural netw orks,DSRNN)。DSRNN具有多层网络结构,基于带动量项的BP学习算法训练参数,利用了激活函数ReLU (rectified linear units)和提出的权值初始化方法。并将其与其他三种基于传统方法建立的模型进行了比较,结果表明DSRNN在健壮性、精确度方面都有更好的表现。