基于信息化环境优化实验实训管理系统研究与实践

通过对高职院校实验实训管理系统的研究,从信息化管理角度出发,采用B/S体系结构和JAVA技术,研究了一套实验实训管理系统(ETMS)。分析各模块的功能,提出了相关系统技术,以期实现实验实训管理系统信息化,提高教师与管理员的信息化水平与工作效率,并解决“信息孤岛”问题。

基于云服务的实验室网络管理系统的设计与应用

文章通过对高职院校实验室网络管理方式的研究,利用云技术从实用性、安全性及可靠性等角度出发以模块化思想设计基于云服务的实验室网络管理系统。该系统运行过程中基于云平台能够实时监控网络状态,及时配置网络设备,对系统用户、性能、故障及安全等进行云管理,提高了实验室网络管理的效率。

野生赤芝“相思岭1号”栽培特性研究

对野生灵芝"相思岭1号"与其他5个不同灵芝菌株的栽培特性进行了试验比较,结果表明,"相思岭1号"在菌丝生长、子实体发育、子实体形态、经济效益、产孢性状等综合评价指标上表现出菌丝生长较快、出芝较早、芝形较好、产量较高、孢子量较多,特别是第2潮产量高等良好性状。野生灵芝"相思岭1号"栽培特性的研究为合理开发利用野生灵芝提供了科学的实验依据。

关于网络图的计算机算法相关研究

随着社会经济发展,信息科技水平显著提高,推进了社会化进程。而计算机技术与数学知识之间有紧密的联系,计算机技术的运用中需要通过数学算法来研究分析,有效解决离散型结构的问题,推动网络图理论与实际操作的进步。在计算机算法的基础上对网络图进行研究和分析,并对其相关方法进行论述。

施肥与栽培方式对蕹菜硝酸盐含量影响的研究进展

就蕹菜中硝酸盐含量与栽培技术的关系进行了资料查阅,分析了蕹菜硝酸盐含量限量指标及引起增减的生理原因,以期在今后的生产中能够为人们提供一些指导。

结合平移关系嵌入和CNN的知识图谱补全

为解决基于翻译机制的知识图谱补全模型在处理复杂关系时的性能局限,该文提出一种ATREC(algorithm based on transitional relation embedding via CNN)算法,将三元组的实体和关系映射至低维向量空间,并将不同的关系特征与头/尾实体融合,将原始三元组和融合三元组的嵌入表示合并为6列k维矩阵,使用卷积神经网络(CNN)降低参数规模,提取特征后拼接、赋权并评分。链路预测和三元组分类的实验结果表明,ATREC在较大规模数据集和复杂关系上相较主流算法有一定性能提升。

结合图片语义规则和机器学习的情感分类方法

传统微博情感分类方法往往忽略对大量表情符号和图片型表情的情感分析。在图片去重算法的基础上,利用表情词和表情符号的相关性构建表情图片情感词典,并加入对官方扩展表情包和图片型表情的情感识别与验证。由于单纯词典方法的性能有限,将词典抽取的规则情感特征与机器学习的基本特征模板融合,使用朴素贝叶斯等分类器,提高情感分类的性能表现。实验结果表明,图片情感词典的加入使方案的准确率有所提高,特别在处理情感词表达不规范的样本方面具有一定优势。

流式数据的动态正交降维算法

针对行业数据增长快、维数高且核心特征不明确等特点,提出基于Schmidt正交分解的动态正交降维算法(DOADR),在线性独立性基础上,设计自适应阈值机制以筛选基底矩阵,同时实现维数动态增长;根据流式数据的特点进一步提出增量DOADR算法优化阈值设计。真实数据集上的实验证明,算法较主流模型在计算开销、重构误差和分类准确率等指标上具有一定优势。

基于聚类的分层降维框架

在分析、验证主流降维算法性能的基础上,设计了基于聚类的分层降维框架,将聚类和降维结合,实现了类内和类间分别降维的处理机制。实验结果表明,随着数据集规模增长,分层降维框架的时间效率逐渐体现出优势。

基于多重得分函数的知识嵌入模型

单一得分函数难以学习多种关系模式;增强表达能力往往意味着较高的模型复杂度和计算开销。在基于平移/旋转的嵌入模型基础上,设计结合多重得分函数的神经网络模型,分析其对多种关系模式的学习和表示能力,在统一框架下为同一实体/关系训练多组独立的嵌入表示以匹配得分函数,同时使用基于阈值限制的损失函数改善模型的泛化能力。在4个主流数据集上进行链路预测,比较方案与其他主流模型的性能表现,验证在嵌入表示中集成不同关系模式信息的可行性,衡量不同得分函数对整体模型的影响。

结合神经网络的文本降维方法

传统文本表示模型多为稀疏矩阵,文本规模的增长导致维度灾难。文中提出一种结合神经网络的文本降维方法,利用随机映射、非负矩阵分解、隐含语义分析等方法实现文本降维,使用自建微博文本数据集比较其效率和准确率,并在最优降维方案的基础上使用自组织神经网络算法进行聚类。实验结果表明,该方案准确率相比传统不降维的K-means聚类方法有一定提升。

用户情感分类和话题推荐的图片语义应用实证

用户/话题推荐的传统方法多基于用户热度,忽视了用户希望寻找志同道合伙伴的心理需求,推荐效果存在改进空间.尝试将融合图片语义后的微博情感分类结果用于计算,利用情感一致性和同意度,从而得出用户整体情感影响力和话题影响力.在此基础上结合聚类算法,计算并排序用户间的相对影响力,构建情感网络拓扑用于用户/话题推荐,推荐匹配特定用户的观点、态度和情感,提高推荐结果对用户的吸引力.实验结果表明,方案相比主流推荐算法,用户关注数、微博数等结果指标有一定提高.

结合时间映射和卷积神经网络的知识补全

现有知识库存在大量缺失事实且事实常携带时间信息。针对主流嵌入表示方法在知识补全时常忽略时间维度的问题,设计一种时间敏感的三元组嵌入表示方法TSKGC(time sensitive knowledge graph completion)。通过为时间戳分配超平面,将时序信息合并到实体关系空间中,并进一步将映射后三元组的3列k维矩阵表示用作卷积神经网络的输入,在不同超平面对应的多通道中并行处理,提取三元组特征用于知识补全。在YAGO11k和Wikidata12k数据集上的实验证明,TSKGC具备一定的时间预测能力,并能有效利用时间信息提高链路预测的性能表现,特别在1-M、M-1和M-M复杂关系类型上相比主流模型具备一定优势。