简论乡村历史文化的挖掘路径--以重庆市万州区普子乡为例

乡村振兴是当前党和国家发展乡村的重大战略举措,乡村历史文化挖掘可以充分发挥历史文化在乡村振兴中的现实作用。挖掘乡村历史文化可以从历史人物与事件、文化习俗、民间故事和民间歌谣四条路径着手。

中医类专业课程思政元素解析与挖掘路径研究

从专业宏观层面(中西医观念、认识方法、治疗等方面)、学科微观层面(如重要人物、关键事件、专业认同、人文精神等)、课程层面分别对中医类专业课程中的思政元素进行挖掘与解析,探索中医类专业课程与思政教学同频共振的途径与模式,寻找中医类专业课程与思政教育之间的契合点,努力实现思政教育效果的最大化,这对于提升思政教育实效,落实“立德树人”的根本任务具有重要意义。

基于社团结构的化工过程风险演化路径深度挖掘

在化工生产过程中,由于物料的危险性和流程的复杂性,导致恶性事故频发。为了保证化工过程的安全平稳运行,需对其风险演化机制进行深入解析,以抑制次衍生灾害事故的传播、扩散及演变。然而,传统方法过于依赖专家经验或先验信息,风险评估结果不精准;以复杂网络为基础的社团结构虽可视为风险演化路径的高度抽象,但已有算法难以兼顾划分结果的合理性和准确率。为此,提出一种基于DSAE-Louvain社团结构的化工过程风险演化路径深度挖掘方法。首先对多源过程数据进行处理,构建风险演化网络模型,同时利用Dijkstra算法、跳数法等手段,获取相似度矩阵;进而引入深度稀疏自编码器(DSAE)与Louvain算法,经稀疏处理开展社团结构划分;最后,根据节点重要度排序追踪整个化工过程的风险薄弱节点和关键演化路径。以Tennessee Eastman(TE)过程为例,对比GN算法、Louvain算法和DSAE-GN方法,结果表明DSAE-Louvain方法能够提升社团结构划分的精细化、高效化程度,且所挖掘的风险演化路径更为符合实际生产工艺流程。

现代物流系统中的频繁封闭路径挖掘算法

射频识别技术在物流供应链管理方面的推广应用会产生海量的路径数据。为此提出一种基于路径数据的频繁封闭路径挖掘算法。该算法根据路径中不同段的先后次序,将路径数据转化为位置序列和时间序列,再利用序列模式挖掘的方法,对这些序列进行封闭路径挖掘,从而有效地减少了频繁路径挖掘的时间和开销,提高了频繁路径挖掘的速度。理论和实验表明,在海量的路径数据环境下的封闭路径挖掘算法性能优越,能够有效地挖掘频繁封闭路径。

现代物流系统中路径编码及频繁路径挖掘技术研究

在现代物流系统中,由射频识别技术产生的大量物品的路径信息占用了过多的存储空间,难以有效检索。使用路径编码pid的方法来记录路径信息,减少存储空间,并方便地检索路径信息。在路径编码的基础上,通过挖掘频繁路径编码来挖掘频繁路径,可以有效降低存储空间大小,提高挖掘算法的速度,并能有效地挖掘记录移动物品的数据立方体中的频繁路径信息。

高校混合式教学中的线上学习路径挖掘及对教学改革的启示——以某大学《生物化学》课程为例

伴随线上线下相结合的混合式教学的广泛开展,线上教学平台积累形成数量可观、类型丰富的学习过程数据。应用学习分析技术对这些学习过程数据作出分析有望能获得更为精准的学情,可为教学改革提供科学依据。本研究通过收集并分析一门大学课程实施混合式教学后的学习过程数据,挖掘了学习该课程的大学生在网络平台上的整体学习路径,从学习风格和学业成绩两个方面挖掘形成了聚类学习路径。路径挖掘结果显示,混合式教学应精细化安排不同学习模块中的学习资源以提升资源访问率,需丰富学习资源类型以满足不同学习偏好,要提升学习资源的逻辑性和可视化程度以促进深度学习,还应借助小组研讨以促进同伴学习和替代式学习。

会计课程思政元素的挖掘与探索

课程是教育的基石,对人才培养的质量产生深刻的影响。将思政融入会计专业课程,引导学生将课堂上学到的会计专业知识和技能转化为生动的爱国主义实践,是深化会计课程改革和教学的必然选择。会计课程思政的建设,就是要把思政教育贯穿于到高校整个专业人才培养体系之中,是贯彻落实会计课程与立德树人根本任务的主要抓手。如何挖掘会计课程中的思政元素,已经成为高校专业教育比较关注的话题。本文立足于“立德树人”这一教育的根本任务,分析了当前思政元素与嵌入会计课程存在的问题,对我国思政嵌入会计专业课程的路径进行了深入探讨:重点从高校思政平台搭建、课程思政体系构建、教师育人能力提升和教学模式多元化四个方面,系统阐述了会计专业课程思政的教学挖掘路径,促进思政教育与会计专业课程的有机衔接,落实会计专业课程育人的有效性。

一种基于改进的AprioriAll算法的Web路径模式挖掘

对路径模式挖掘的原理做了详细的阐述,并且针对挖掘对象的特性,对AprioriAll算法中生成侯选序列的函数做了相应的改进。最后通过实例说明了改进的AprioriAll算法在路径模式挖掘中的有效性。

基于概念格的Web日志路径挖掘算法

路径挖掘适用于探索用户沿超连接寻找和浏览网页的规律,而Web日志的完美结构使挖掘更加容易和有效。由二元关系导出的概念格作为一种非常有用的形式化工具,体现了概念内涵和外延的统一,反映了对象和特征间的联系以及概念的泛化与例化关系,因此非常适于发现数据中潜在的信息。本文通过概念格模型,提出了一种Web日志的路径挖掘算法,并进行了相关的分析与展望。

中职语文教学中优秀传统文化要素挖掘有效路径探究

中华优秀传统文化作为文化自信的力量源泉需要不断传承和发展,作为课程思政要素需要不断挖掘与融合。中职语文课程具备天然的思想政治教育优势,在中职语文教学中渗透中华优秀传统文化,不仅有利于课程知识目标的达成,更有利于中职语文课程思政建设,实现与思政课程同向而行,达到立德树人根本目标。文章立足课程思政,探索在中职语文教学中通过作者、文本、引入形式等路径进行中华优秀传统文化的挖掘,注重内容与中专语文课程的融合,结合中职学生学情以及中职语文教学实际,从设计优秀传统文化主脉络、与教学各环节密切融合、开展课内外实践活动三个方面进行优秀传统文化挖掘与渗透的尝试,以期为中职语文教学有效实施课程思政提供参考。

基于关系代数的非连续数据路径挖掘算法

研究基于关系代数的非连续数据路径挖掘算法,提升网络通信中非连续数据的传输质量与利用率,改善网络通信质量。运用基于关系代数的关联规则挖掘算法,得到网络数据库内非连续数据的关联规则;以基础支持向量机为基础,结合待选支持向量预选取、全新隶属度函数设定及粒子群优化算法约简支持向量,获得改进的模糊支持向量机;以所获得的非连续数据关联规则作为其输入,完成对网络内非连续数据路径的分类挖掘。仿真结果表明,上述算法可通过对支持向量的约简,减少分类后正、负类样本的数量,有效降低挖掘用时,提升整体挖掘速度,同时保障高精度挖掘;网络应用该算法所挖掘路径实施非连续数据传输后,能够显著提升非连续数据的发送成功率并降低接收时延,改善网络对非连续数据的利用率与传输质量。

云计算环境下非连续数据路径挖掘优化分析

针对当前方法在云计算环境下,由于非连续数据传输量较大、传输路径较多而引起数据包丢失、数据传输不完整、数据传输超时、数据传输能量消耗较高等问题,提出了一种基于蚁群算法非连续数据路径挖掘优化方法,通过计算出非连续数据传输总消耗时间得出非连续数据传输路径最长时间和最短时间,确定所有非连续数据能够全部到达目的地的所用时间确定界值,构建非连续数据传输路径挖掘优化模型。利用蚁群迁移机率计算出蚂蚁在固定周期内非连续数据路径上的信息素浓度值,对蚂蚁行进路径进行规划,采用方向因子对非连续数据传输路径进行适当调整,确定最优路径,实现挖掘优化。仿真结果表明,所提方法能够有效提高非连续数据传输的收敛速度,降低数据传输网络延迟时间,同时增加了非连续数据传输路径的吞吐量,保证了数据传输完整性。

体育场馆资源无形价值的开发困因与路径挖掘

为探索体育场馆资源的无形价值,发挥现有体育场馆资源的最大功能,促进体育产业的发展,从探索体育场馆资源无形价值的角度出发,以影响体育场馆资源无形价值开发的要素为基础,运用文献资料、逻辑推理等研究方法,剖析了我国体育场馆资源无形价值难以开发的原因,并在此基础上提出了具体的开发路径。

驻地记者挖掘热点新闻的三个路径

驻地记者因其驻守一地,有独特的地缘与人缘优势,拥有一个系统的信息网,只要找准角色定位,也能写出"轰动全国"的热点新闻。本文通过多年采访经验,成功操作的范本,总结出挖掘热点新闻的三个路径。

基于关联规则的频繁路径挖掘算法

传统的关联规则Apriori算法中,只要两个k-1维的频繁项集有k-2个元素相同就可以生成维数为k的候选集,但在利用Web访问信息挖掘用户浏览模式发现频繁路径时,效率比较低下,本文利用Apriori算法的思想,对其进行了改进,进行频繁路径挖掘。

基于优化主题模型的临床路径挖掘

在健康领域,诊疗过程对于医疗质量至关重要.临床路径集合了各种医疗知识,是对诊疗过程进行标准化的重要途径.然而,当前大多数临床路径由专家研讨制定,往往静态不变,难以部署和实施.在之前的工作中,提出了一种基于主题的临床路径挖掘算法,可以从医疗数据中抽取历史执行路径,客观反映数据中实际存在的医疗模式.算法首先通过主题模型将繁杂的诊疗活动聚合成若干主题,而每个诊疗日就可以表示为一个主题分布,一个病人的诊疗日志也相应的转换为一个主题序列,然后利用过程挖掘方法从这些主题序列中生成基于主题的临床路径模型.但传统主题模型(LDA)的聚类效果往往难以满足医疗数据的特点,导致主题质量不高,影响最终过程模型的可解释性.其中,一个普遍的问题就是LDA无法保证两个相似的诊疗日所得的主题分布也是相似的,这是由于其忽略了诊疗日之间原有的相似性特征.提出了一种优化的主题模型算法,该算法引入了基于本体生成的诊疗日相似性约束,可以有效地提升聚类效果.实验结果表明,提出的方法能够发现更符合医疗领域特点的高质量主题,进而为基于主题的临床路径的挖掘奠定基础.

网络用户信息浏览路径挖掘研究的发展

随着网络技术的快速发展与广泛应用,对能够有效揭示网络用户兴趣、需求、行为特征的信息浏览路径进行挖掘,已成为一个新的研究热点。文章阐述了网络用户信息浏览路径挖掘的内涵;从路径的获取、挖掘方法、挖掘应用3个方面介绍了国内外目前的研究进展和主要观点;总结了现阶段浏览路径挖掘研究的不足之处,并对未来的研究前景进行了展望。

基于出租车司机经验的约束深度强化学习算法路径挖掘

利用出租车司机经验,提出约束深度强化学习算法(CDRL)在线计算不同时间段内OD间最快路线。首先描述了路段经验数据库(ERSD)的提取;然后介绍了CDRL方法,包括可选择约束路段生成和深度Q-lear-ning算法两个阶段,在第一阶段,生成OD(起终点)间可选择约束路段,在第二阶段,设计深度Q-learning算法学习出租车司机的经验,并根据他们的出发时间计算给定OD间的最快路线;最后在广州CBD进行了应用实验。结果表明,CDRL方法计算在旅行时间上优于最短路径(SR)方法,且与最快路径(FR)方法计算路径差别不大;此外,CDRL方法在计算效率方面明显优于FR和SR方法,因此更适合OD间最快路径的在线计算。

基于序列前缀技术的XML频繁路径挖掘算法

XML文档是半结构化数据,对其进行频繁路径挖掘可以分为两步:XML文档序列化和序列挖掘阶段.现有的序列化方式将XML文档表示为Xpath路径集合,其中有大量的节点冗余;序列挖掘阶段采用的类Apriori算法需要多次扫描数据库并产生大量的候选集,采用的Prefix Span算法会产生大量的投影数据库,占用较大的内存.针对以往XML频繁路径挖掘算法存在的不足,本文提出一种高效的挖掘算法——基于序列前缀技术的XML频繁路径挖掘算法(PXFP,Prefix-based XML Frequent Path Mining Algorithm).PXFP算法以广度优先方式遍历XML文档树并将每个节点表示为"节点:父节点"的形式,这种序列化的方式减少了节点冗余.在序列挖掘阶段借鉴Prefix Span算法中前缀的概念,但不产生投影数据库,仅得到直接后缀(即前缀的子节点),通过记录频繁子路径的位置信息逐渐扩大频繁模式的长度,位置信息的引入减少了对数据库的扫描.实验结果表明,PXFP算法取得了比Prefix Span算法更高的时间和空间效率.

车辆拥堵状态下的最优路径规划建模研究

研究车辆路径规划建模问题,在对拥堵的路线进行车辆调度的过程中,多是在假设每条路径的复杂程度相对固定的前提下,计算权值结果较小的路径将会被频繁挖掘,一旦复杂程度不同,固定权值方法会造成路线挖掘过程误差较大,造成选取效率降低,耗时严重。提出采用自调整粒子群算法的路径拥堵状态下最优车辆路径挖掘方法。在车辆拥堵区域将车辆看作粒子,对车辆的人拥挤程度进行度量,在多种约束性建立多权值衡量挖掘模型,通过实时调整参与挖掘的车辆的数目,降低最优路径挖掘算法的复杂程度,缩短了挖掘耗时,提高了挖掘的精确度。实验结果表明,利用改进算法能够有效降低挖掘的复杂程度,缩短了车辆行驶的时间。