高校后勤服务部门编外员工的激励机制探究

对高校后勤服务部门编外员工的激励,有利于提升高校后勤服务部门的核心竞争力,提高高校后勤服务部门非正式员工的素质,凝聚高校后勤服务部门的民心民意。依据相关激励理论,结合高校后勤服务部门的实际以及非正式员工的群体特征,主要应同时采取合理的薪酬激励、恰当的目标激励和积极的情感激励三种方法。

网络安全态势感知框架及随机森林评估模型

针对传统网络安全态势感知评估过多依赖专家经验的问题,提出一种基于随机森林的多层次网络安全态势感知(Cyber Security Situational Awareness,CSSA)框架评估模型.首先将CSSA的过程与安全数据生命周期进行对齐,并分析CSSA的需求,提出CSSA多层次分析框架,然后采用随机森林算法,构建CSSA评估模型,该模型基于多个分类器组合的思想,由决策树构成,每棵树依赖于独立样本,以及森林中所有树的随机向量分布相同的值.在进行分类时,每棵树投票并返回票数最多的类,这使得网络安全态势评估更为客观和准确.实验表明,与贝叶斯网络相比,此模型可以更快速、更准确地评估当前的网络安全情况.

基于离散粒子群优化算法的含权旅行商问题新解法

考虑现有旅行商问题常忽略车辆载重对运输费用的影响,建立含权旅行商问题模型。在分析含权旅行商问题性质的基础上,提出离散粒子群优化算法求解含权旅行商问题。重新定义问题域的粒子速度、粒子位置等运算规则,引入惯性系数线性下降策略。实验表明,该算法可以有效用于含权旅行商问题的求解,并且对含权旅行商问题的求解性能优于遗传算法和模拟退火算法。

基于深度学习的高精度交通流量大数据预测

为了高效预测分析海量交通大数据,提高道路通行率和城市交通的智能化水平,提出一种高精度基于深度学习的并行卷积神经网络交通流量大数据预测模型.该模型首先对数据进行预处理以获得有效数据集,将具有规则时间间隔的一维时间序列样本和图像转换为时间一维、位置一维的二维像素网格,构建并行卷积神经网络模型用于对通过某路段的交通流量进行预测,并应用预测因子对交通量流数据进行建模.实验结果表明,与其他模型相比,本文提出的模型在平均绝对误差、平均相对误差和均方根误差方面均优于所对比的方法.

基于自适应指数蝙蝠和SAE的并行大数据分类

为解决深度学习进行大数据分类时效率低的问题,本文提出一种基于自适应指数蝙蝠和堆叠自编码器(SAE)的并行大数据分类方法.在并行计算框架中,Map阶段使用自适应指数蝙蝠算法进行特征选择,自适应指数加权移动平均值蝙蝠算法(AEB)由指数加权移动平均值(EWMA)和自适应权重策略得到.将选择的特征作为Reduce输入进行大数据分类,Reduce阶段使用AEB算法训练的深度堆叠自动编码器(SAE)进行分类,进一步提高了分类精度.实验结果表明,针对不同的训练数据百分比,本文所提方法在准确度和真正例率(TPR)性能方面优于其他现有方法.