视频标注工具(Video Annotation Tool,VAT)在师范生教学技能培训中的作用日益凸显。但是,国内外现行的VAT辅助于微格教学,在功能与语言环境上有诸多不尽人意的地方。为此,我们设计开发了新型微格教学视频标注系统(Microteaching Video A...视频标注工具(Video Annotation Tool,VAT)在师范生教学技能培训中的作用日益凸显。但是,国内外现行的VAT辅助于微格教学,在功能与语言环境上有诸多不尽人意的地方。为此,我们设计开发了新型微格教学视频标注系统(Microteaching Video Annotation System,MVAS)。该系统采用HTML5作为前台技术,运用Java+MySQL作为后台技术框架,以"点"(时间点)、"片"(逻辑切片)为标注对象,把微格教学的反思与评价环节从微观到中观再到宏观层面渐进演绎,让师范生对教学技能的改进重点一目了然,快速提升其教学技能水平。该系统也成功地解决了Web视频"不可写"的问题,优化了传统微格教学中的互动、反思和评价环节。系统运行后得到了师生的一致好评。展开更多
在优化空间聚类算法的研究中,传统的K-means空间算法存在两个缺陷,其一是对空间对象的属性描述不全面,其二是对初始种子集选取敏感,容易陷入局部最优值,聚类结果不稳定。为了优化算法,引入适合空间对象的空间属性距离和基于最大维密度...在优化空间聚类算法的研究中,传统的K-means空间算法存在两个缺陷,其一是对空间对象的属性描述不全面,其二是对初始种子集选取敏感,容易陷入局部最优值,聚类结果不稳定。为了优化算法,引入适合空间对象的空间属性距离和基于最大维密度选择方案(Max-Dimension of Density Based Seeking,MDDBS)来改进K-means算法,提出利用最大维密度的全局优化空间聚类算法(Max-Dimension of Density Based Clustering,MDDBC),可从密度大的区域选取初始种子,同时又尽量将种子分散在数据空间。实验结果表明,改进方法可以很好消除聚类结果的波动性,同时更加客观地呈现空间对象的分布规律。展开更多
文摘在优化空间聚类算法的研究中,传统的K-means空间算法存在两个缺陷,其一是对空间对象的属性描述不全面,其二是对初始种子集选取敏感,容易陷入局部最优值,聚类结果不稳定。为了优化算法,引入适合空间对象的空间属性距离和基于最大维密度选择方案(Max-Dimension of Density Based Seeking,MDDBS)来改进K-means算法,提出利用最大维密度的全局优化空间聚类算法(Max-Dimension of Density Based Clustering,MDDBC),可从密度大的区域选取初始种子,同时又尽量将种子分散在数据空间。实验结果表明,改进方法可以很好消除聚类结果的波动性,同时更加客观地呈现空间对象的分布规律。
