实验教学管理模式改革探索

为推动实验教学学分制改革,促进开放式实验教学,提高实验教学管理规范化程度,借助教务管理系统网络平台,开发实验教学管理模块,实现了实验选项目网络化和实验室教学管理信息化。

基于统计试验设计方法的支持向量机参数选取

为优化支持向量机算法参数的选取,提出了一种基于统计试验设计的参数选取方法。在参数空间内进行优化搜索,以较少的搜索次数获得参数的优化组合,提高算法整体性能。将基于统计学基础的正交试验设计方法整合到支持向量机算法的实施过程中,形成一个完整的算法。在几个数据集上的测试结果表明,该方法能够有效提高分类率,相应的模型复杂度较低。

心理亚健康量表开发条目筛选的质性研究

目的了解心理亚健康量表开发条目筛选中访谈对象的主观真实体验。方法采取立意抽样的方法,选取41名访谈对象,有目的的选择其中有心理亚健康症状的个案13例。运用Edmund Husserl观点构成的质性研究,使用Colaizzi的现象学研究步骤进行资料分析。结果心理亚健康量表开发条目筛选中访谈对象的主观真实体验主要有6个方面:即抱怨,记忆力下降,情绪低落,脾气暴躁,力不从心、反应慢,偏执、适应不良。结论通过深度访谈法了解了心理亚健康量表开发条目筛选中访谈对象的内心真实感受,归纳出爱发牢骚、易激动等心理亚健康量表条目。

可持续的计算机网络综合性创新实验项目

创新教学是高校人才培养的一个核心内容,但创新实验是一种有条件的创新活动,它不同于一般性创新活动,受到专业知识和实验能力等诸多主客观条件限制。创新实验教学难点在于一是如何克服学生之间存在的认知方面巨大差异性,二是如何保持创新实验项目发展的可持续性。作者在开设的计算机网络实验课中进行了探索,初步建立了多层次及模块化的计算机网络综合性创新实验项目,核心内容:①将创新实验设计分为自主和选择性两个层次实验项目,给大多数学生创造过渡性场景,适应不同学生群体;②选择性实验项目实现动态管理,滚动发展,不断吸收学生实验成果;③放开实验内容前提下,强化实验团队及过程管理。实施2年的结果表明,教学效果较为理想。

模板支撑结构体系的模型试验研究

为了寻求最优化的混凝土模板支撑体系结构,介绍运用概念设计的原则指导结构选型,通过模型加载试验模拟某梁板结构混凝土浇筑的过程,对7种结构方案进行承载力、变形、稳定性的对比分析。试验结果表明,经过优化设计后的模板支撑结构承载力和稳定性大大提高。在实际工程应用中,模型试验研究为模板支撑体系结构优化选型和开发创新提供了参考。

对普通高校开设定向体育选修课的实验研究

本文采用体育测试、体育统计、调查分析等方法,对普通高校开设定向体育选修课进行了深入的实验研究。并提出定向体育选修课是未来普通高校体育课的发展趋势,是进行体育课程改革,加强素质教育,培养创新人才的有益尝试,值得进一步研究与推广。

基于SOA-LSSVM的SLS成形工艺参数优化研究

为提高选择性激光烧结(SLS)成形精度,解决工艺参数优化试验成本高等问题,选择激光功率、预热温度、扫描速度、扫描间距以及分层厚度5个工艺参数设计正交试验以获得样本数据并建立统一目标函数。采用人群搜索算法(SOA)优化最小二乘支持向量机(LSSVM),建立基于SOA-LSSVM的SLS成形件精度预测模型;预测不同工艺参数组合下制件的统一性能,并与采用传统BP神经网络和LSSVM模型获得的预测结果进行对比。结果表明:SOA-LSSVM模型针对小样本预测问题具有良好的泛化能力,预测值与实际值的最大相对误差仅为1.11%,可为SLS加工参数组合的选择提供参考。

一种基于相关系数加权的离散型数据填补算法与分析

为解决具有关联性数据的缺失值问题,提出一种结合相关系数与相似性匹配作用于离散型数据填补缺失值的方法。首先,在非缺失数据源中挖掘频繁项集并计算数据属性间的相关性,计算出挖掘项的项内整体的相关性;然后,根据缺失数据所在项的非缺失前项与完整数据挖掘项的相似度选择填补项;填补项相似性一致则利用加权置信度进一步选取填补规则,一方面提高了Apriori挖掘规则集合的数量及质量,另一方面也保证了规则匹配的可靠性。经实验与相关方法比较,该方法提高了缺失数据填补的准确率与时间效率。

联合互信息水下目标特征选择算法

在特征选择算法中,穷举特征选择算法可选择出最优特征子集,但由于计算量过高而在实际中不可实现。针对计算成本和最优特征子集搜索之间的平衡问题,提出一种新的用于水下目标识别的联合互信息特征选择算法。这个算法的核心思想是:利用顺序向前特征搜索机制,在选择出与类别具有最大互信息特征的条件下,选择具有更多互补分类信息的特征,从而达到快速去除噪声特征和冗余特征及提高识别性能的目的。利用4类实测水下目标数据进行仿真实验,结果表明:在支持向量机识别正确率几乎不变的情况下,联合互信息特征选择方法可以减少87%的特征,分类时间降低58%。与基于支持向量机和遗传算法结合的特征选择方法相比,可以选出更少的特征,特征子集具有更好的泛化性能。

两种学习算法在算术关系抽取中的应用比较

加减文字题是小学数学的一个重点和难点问题,长期以来,人们对加减文字题的研究局限于教育学和心理学领域,该文从文本分类以及信息检索的角度出发,将加减文字题中的算术关系看成是一个分类问题,尝试用机器学习的方法来对其进行分类,分别研究了人工神经网络（ANN）和支持向量机（SVM）在加减文字题算术关系抽取中的应用,并对两种算法的试验结果进行了比较和分析。通过分词,关键词选取,构造特征向量,分别运用两种算法对其进行分类。对试验结果进行评测发现,在一定条件下SVM算法明显优于ANN算法。