检索结果-内蒙古大学图书馆

漳州职业技术学院学报 2021年第4期23卷 51-59页

作者：何秋红林耀进闽南师范大学计算机学院福建漳州363000 数据科学与智能应用福建省高等学校重点实验室福建漳州363000

现代新媒体技术在教育教学实践中的广泛应用,线上线下混合教学已成为一种新的教学模式,线上教学有其显著的优势,能够跨越时空限制,有效弥补线下教学的不足,但线上线下混合教学实践过程中,出现一些亟待解决的问题,如两者融合度欠缺、情... 详细信息

现代新媒体技术在教育教学实践中的广泛应用,线上线下混合教学已成为一种新的教学模式,线上教学有其显著的优势,能够跨越时空限制,有效弥补线下教学的不足,但线上线下混合教学实践过程中,出现一些亟待解决的问题,如两者融合度欠缺、情境创设乏力、提问答疑效率偏低、师生互动不充分等。问题驱动法是体现学生中心地位、围绕问题寻求解决方案的一种教学方法,强调问题意识、注重学生主体,课前根据教学知识点设计问题;课中以问题解决为抓手,提高学生参与度、激发学生求知欲;课后设计练习,构建“课前准备—课中实施—课后反思”三阶段模型,有效解决了线上线下混合教学中的问题,提升教学实效。

关键词：问题驱动教学法线上线下混合教学《数据结构》

来源：评论

学校读者我要写书评

暂无评论

注意力引导特征增强的单图像去雾

引用

闽南师范大学学报（自然科学版） 2021年第3期34卷 55-61页

作者：何胜敏陈志翔闽南师范大学计算机学院福建漳州363000 数据科学与智能应用福建省高校重点实验室福建漳州363000 闽南师范大学物理与信息工程学院福建漳州363000

CNN网络深度的增加,导致计算成本急剧提升,且深层网络不能充分利用浅层特征.针对这个问题,提出了注意力机制引导下的特征增强网络(AGFENet),主要包括扩展卷积块(DVB)、特征增强块(FEB)和注意块(AB).DVB采用扩张卷积来扩大卷积核的感受野... 详细信息

CNN网络深度的增加,导致计算成本急剧提升,且深层网络不能充分利用浅层特征.针对这个问题,提出了注意力机制引导下的特征增强网络(AGFENet),主要包括扩展卷积块(DVB)、特征增强块(FEB)和注意块(AB).DVB采用扩张卷积来扩大卷积核的感受野,有效降低网络深度,权衡性能和效率.FEB使浅层特征信息更多地流向深层网络,提高网络特征表达能力.AB引导FEB与DVB进行注意力机制处理,对厚薄雾区域采取不同的计算权重,充分提取图像厚雾的信息.实验表明,AGFENet的网络层数有效降低,针对合成和真实有雾图像集,定量和定性评价表现均较好.

关键词：图像去雾 CNN深度扩张卷积注意力机制

来源：评论

学校读者我要写书评

暂无评论

分层等级反应模型的贝叶斯推断及其应用

引用

吉林师范大学学报（自然科学版） 2024年第4期45卷 58-64页

作者：付志慧刘红梅闽南师范大学数学与统计学院福建漳州363000 福建省粒计算及其应用重点实验室福建漳州363000

探讨了MCMC算法在分层等级反应模型参数估计中的应用,并针对该模型提出了一种基于Pólya-Gamma数据扩充方法的Gibbs抽样算法.通过模拟实验比较了该方法与哈密顿蒙特卡罗算法在参数估计及计算效率下的性能.实证分析表明了该方法的有... 详细信息

探讨了MCMC算法在分层等级反应模型参数估计中的应用,并针对该模型提出了一种基于Pólya-Gamma数据扩充方法的Gibbs抽样算法.通过模拟实验比较了该方法与哈密顿蒙特卡罗算法在参数估计及计算效率下的性能.实证分析表明了该方法的有效性和实用性.

关键词：分层等级反应模型 Pólya-Gamma分布 Gibbs抽样算法

来源：评论

学校读者我要写书评

暂无评论

基于互信息的多级特征选择算法

引用

计算机应用 2020年第12期40卷 3478-3484页

作者：雍菊亚周忠眉闽南师范大学计算机学院福建漳州363000 数据科学与智能应用福建省高等学校重点实验室福建漳州363000

针对在特征选择中选取特征较多时造成的去冗余过程很复杂的问题,以及一些特征需与其他特征组合后才会与标签有较强相关度的问题,提出了一种基于互信息的多级特征选择算法(MI_MLFS)。首先,根据特征与标签的相关度,将特征分为强相关、次... 详细信息

针对在特征选择中选取特征较多时造成的去冗余过程很复杂的问题,以及一些特征需与其他特征组合后才会与标签有较强相关度的问题,提出了一种基于互信息的多级特征选择算法(MI_MLFS)。首先,根据特征与标签的相关度,将特征分为强相关、次强相关和其他特征;其次,选取强相关特征后,在次强相关特征中,选取冗余度较低的特征;最后,选取能增强已选特征集合与标签相关度的特征。在15组数据集上,将MI_MLFS与ReliefF、最大相关最小冗余(mRMR)算法、基于联合互信息(JMI)算法、条件互信息最大化准则(CMIM)算法和双输入对称关联(DISR)算法进行对比实验,结果表明MI_MLFS在支持向量机(SVM)和分类回归树(CART)分类器上分别有13组和11组数据集获得了最高的分类准确率。相较多种经典特征选择方法,MI_MLFS算法有更好的分类性能。

关键词：特征选择互信息多级相关度冗余度分类准确率

来源：评论

学校读者我要写书评

暂无评论

利用一致性分析的高维类别不平衡数据特征选择

引用

小型微型计算机系统 2020年第9期41卷 1946-1951页

作者：曾海亮林耀进王晨曦陈祥焰闽南师范大学计算机学院福建漳州363000 数据科学与智能应用福建省高等学校重点实验室福建漳州363000

在高维小样本分类学习任务中,数据存在着高维性及类别不平衡问题.基于此,构建利用一致性分析的高维类别不平衡数据特征选择模型.首先通过定义融合类别信息来定义样本在特征空间的一致性,其次设计基于特征重要度的前向特征选择算法,最后... 详细信息

在高维小样本分类学习任务中,数据存在着高维性及类别不平衡问题.基于此,构建利用一致性分析的高维类别不平衡数据特征选择模型.首先通过定义融合类别信息来定义样本在特征空间的一致性,其次设计基于特征重要度的前向特征选择算法,最后选取十二个数据集与七个算法进行对比分析,实验结果表明,该算法能显著提高小类预测精度.

关键词：一致性分析高维小样本类别不平衡特征选择

来源：评论

学校读者我要写书评

暂无评论

宽象限相依序列移动平均过程的矩完全收敛性

引用

闽南师范大学学报（自然科学版） 2021年第4期34卷 8-17页

作者：潘晓映胡天琳王鑫蕊施建华闽南师范大学数学与统计学院福建漳州363000 福建省粒计算及其应用重点实验室福建漳州363000 福建省数据科学与统计重点实验室福建漳州363000 数字福建气象大数据研究所福建漳州363000

研究了宽象限相依随机变量序列(WOD)下的移动平均过程,结合三段截尾技术,利用WOD随机变量序列的Menshov-Rademacher型矩不等式,得到了移动平均过程部分和的最大值矩完全收敛性.由于WOD随机变量序列是一类相当宽泛的相依型随机变量序列,... 详细信息

研究了宽象限相依随机变量序列(WOD)下的移动平均过程,结合三段截尾技术,利用WOD随机变量序列的Menshov-Rademacher型矩不等式,得到了移动平均过程部分和的最大值矩完全收敛性.由于WOD随机变量序列是一类相当宽泛的相依型随机变量序列,所得结果推广和改进了相依型变量序列下移动平均过程的相关研究成果.

关键词： WOD随机变量移动平均过程矩完全收敛

来源：评论

学校读者我要写书评

暂无评论

基于相依区间值数据的EWMA FIMSE控制图

引用

闽南师范大学学报（自然科学版） 2021年第3期34卷 1-7页

作者：王美涵陈培乐潘晓映施建华闽南师范大学数学与统计学院福建漳州363000 福建省粒计算及其应用重点实验室福建漳州363000 福建省数据科学与统计重点实验室福建漳州363000 数字福建气象大数据研究所福建漳州363000

对于具有相依性的数据,指数加权移动平均(EWMA)方法是控制图领域中的实用方法 .其中,指数加权移动平均均方误差(EWMA MSE)控制图对相依单一值数据的监控性能较好.随着测量技术的发展,往往会监测到相依区间值数据,传统的方法只能将其转... 详细信息

对于具有相依性的数据,指数加权移动平均(EWMA)方法是控制图领域中的实用方法 .其中,指数加权移动平均均方误差(EWMA MSE)控制图对相依单一值数据的监控性能较好.随着测量技术的发展,往往会监测到相依区间值数据,传统的方法只能将其转化为单一值数据再计算,这样会造成信息丢失.为此,提出指数加权移动平均模糊区间均方误差(EWMA FIMSE)控制图,通过数值模拟和漳州市一氧化碳浓度数据的实证分析,证实它可以比传统的控制图更快地监测到过程的异常波动.

关键词：指数加权移动平均模糊区间均方误差控制图相依区间值数据

来源：评论

学校读者我要写书评

暂无评论

融合双HOG特征和颜色特征的目标跟踪

引用

江苏科技大学学报（自然科学版） 2020年第4期34卷 64-70页

作者：林淑彬丁飞飞杨文元闽南师范大学计算机学院漳州363000 闽南师范大学福建省粒计算及其应用重点实验室漳州363000

目标跟踪是计算机视觉中一个极具挑战性的任务,应用于图像处理、模式识别、自动控制等不同领域.许多跟踪算法都获得了良好的效果,但复杂的运动场景会影响目标跟踪的性能.文中提出一种融合双HOG特征和颜色特征的方法,用于视觉目标跟踪,... 详细信息

目标跟踪是计算机视觉中一个极具挑战性的任务,应用于图像处理、模式识别、自动控制等不同领域.许多跟踪算法都获得了良好的效果,但复杂的运动场景会影响目标跟踪的性能.文中提出一种融合双HOG特征和颜色特征的方法,用于视觉目标跟踪,通过构造双HOG特征和颜色直方图特征,并进行融合,减少运动场景变化对目标跟踪的影响.首先,提取当前帧目标区域的HOG特征,并分割为HOG1和HOG2,利用判别相关滤波器对两个特征分别进行滤波处理,选择出最优的特征;然后,利用颜色直方图提取当前帧目标区域的颜色属性特征;最后,融合双HOG特征和颜色特征,获得特征响应图,在响应图中寻找最大值位置,即预测出的新目标位置.在OTB-2013、OTB-2015基准数据集上与其他6个算法对比,实验结果显示,该方法在处理背景杂乱、平面外旋转和形状变化等目标跟踪方面具有良好性能.

关键词：计算机视觉目标跟踪颜色特征 HOG特征特征响应

来源：评论

学校读者我要写书评

暂无评论

示指关节活动空间及其应用

引用

中国康复理论与实践 2021年第11期27卷 1253-1259页

作者：王风丽陈志翔阮兢何胜敏闽南师范大学计算机学院福建漳州市363000 数据科学与智能应用福建省高校重点实验室福建漳州市363000 中国人民解放军联勤保障部队第九〇九医院(厦门大学附属东南医院)康复医学科福建漳州市363000

目的测量健康和受伤后示指关节活动空间,探讨其在康复中的应用价值。方法招募示指未受过伤的健康大学生志愿者30例(健康组)和示指近期受伤的大学生志愿者3例(患者组),嘱其在示指独立以及与中指协同状态下做屈伸、内收、外展和环转运动,... 详细信息

目的测量健康和受伤后示指关节活动空间,探讨其在康复中的应用价值。方法招募示指未受过伤的健康大学生志愿者30例(健康组)和示指近期受伤的大学生志愿者3例(患者组),嘱其在示指独立以及与中指协同状态下做屈伸、内收、外展和环转运动,每个动作重复2次,间隔30 s。采用高清相机记录示指运动轨迹,MATLAB软件整理分析视频,比较两组不同动作的运动范围,绘制伤指运动空间和范围对比图。结果与健康组相比,患者组示指独立屈伸及内收-外展范围分别缺失26.5%和24.6%。由于伤指恢复程度不同,3例患者环转运动缺陷个体差异较大,最大缺失方向分别在160°、70°和170°。结论观察示指运动空间缺失范围百分比和最大缺陷方向,有助于对伤指的康复评定。

关键词：示指关节活动范围外伤

来源：评论

学校读者我要写书评

暂无评论

基于邻域粗糙集的大规模层次分类在线流特征选择

引用

模式识别与人工智能 2019年第9期32卷 811-820页

作者：白盛兴林耀进王晨曦陈晟煜闽南师范大学计算机学院漳州363000 福建省粒计算及其应用重点实验室漳州363000 School of Informatics Computing & EngineeringIndiana University BloomingtonBloomington 47408USA

在分类学习任务中,数据的类标记空间存在层次化结构,特征空间伴随着未知性和演化性.因此,文中提出面向大规模层次分类学习的在线流特征选择框架.定义面向层次化结构数据的邻域粗糙模型,基于特征相关性进行重要特征动态选择.最后,基于特... 详细信息

在分类学习任务中,数据的类标记空间存在层次化结构,特征空间伴随着未知性和演化性.因此,文中提出面向大规模层次分类学习的在线流特征选择框架.定义面向层次化结构数据的邻域粗糙模型,基于特征相关性进行重要特征动态选择.最后,基于特征冗余性进行鉴别冗余动态特征.实验验证文中算法的有效性.

关键词：在线流特征选择层次分类邻域粗糙集兄弟策略

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：