基于MOOCs平台的计算机基础实验教学课程建设

大学计算机基础实验课程是培养学生的计算机应用能力的重要教学环节。高速发展的互联网促使大学计算机基础实验教学向开放式和共享式转变。本文基于MOOCs平台探讨了计算机基础实验教学的课程建设,包括实验课程的开设,实验课程的分类以及实验课程教学体系的架构等,为大学计算机基础教育的改革提供了一次有益的理论与实践探索。

基于特征工程和机器学习的铝基高熵合金稳定性预测

铝基复合材料具有众多优异的性能,应用前景较好.以简单稳定相的高熵合金可以作为增强颗粒来制备铝基复合材料,其各方面力学性能都显著提升.提出了一种基于结合了特征工程和机器学习的新方法来研究高熵合金相稳定性.该方法利用特征工程筛选出影响目标属性的重要因素,然后选择相应的回归方法预测相稳定性.使用50%的数据集进行训练,并在其余数据集上进行测试验证.研究结果表明,该方法在预测高熵合金的相稳定性方面具有较高的准确性(R^(2)=0.994),且能辅助找到影响相稳定性的关键因素.

不确定数据分类的模糊随机森林算法

实际应用中不确定数据的分类问题越来越受到人们的重视,不确定数据不但属性值是不确定的,类标签也可能不确定。提出的不确定离散化算法,使模糊决策树能够处理区间数据,统一了属性值不确定与类标签不确定的差异。由此提出的由模糊决策树构造模糊随机森林的模糊分类算法,既继承了模糊决策树对不确定数据分类的灵活性,又继承了随机森林的集成性、鲁棒性和随机性的优点。实验结果表明,对于不确定性数据分类问题,该算法性能优于现有的一些算法。

基于不同机器学习算法的钙钛矿材料性能预测

钙钛矿材料由于在各领域具有广泛的应用前景而备受材料学家的关注,对其各种物理化学性能的研究一直是材料领域研究的热点。本文建立随机森林(Randomforest,RF)、岭回归(Ridgeregression,RR)、以及基于径向基核函数和线性核函数的支持向量回归(Support vector regression,SVR)等4种机器学习算法的预测模型,对钙钛矿材料数据集中的密度、形成能、带隙、晶体体积等4种性能参数进行预测。结果表明:RF方法可以对钙钛矿材料的密度、带隙性能进行有效预测;RR方法可以实现对密度性能的预测;线性核函数的SVR方法可以实现对形成能性能的预测。该研究表明,不同的机器学习算法对数据样本分布的敏感程度不同,因此针对不同的性能参数预测需要选择不同方法。