镗孔精度分析

镗孔精度分析王玉库镗孔一般多用于箱体的孔加工，而箱体是一台机器的基体，它的加工精度的高低直接影响机器的装配精度和使用性能．如何提高箱体孔系的加工精度是箱体零件加工关键．本文着重分析悬臂镗孔时同轴孔系精加工的精度问题．一、箱体零件同轴孔系的分类：大体上...     

基于土地覆盖分类的IKONOS影像融合与精度评价

遥感影像的融合,可以提高目视和自动影像提取的类别精度,已成为遥感应用研究领域的重要主题,不同的图像融合算法会产生不同程度的光谱畸变.概略介绍IHS变换、Brovey变换、PCA变换、SFIM变换、Gram-Schmidt变换五种融合方式,结合融合后影像的数据统计以及分类结果,得出对于此次试验区的IKONOS影像来说,在图像空间信息提高和光谱信息保真方面以SFIM变换和Gram-Schmidt变换相对较好,其中Gram-Schmidt变换对图像微小细节反差的表达能力优于SFIM变换.分类之后,在上述5种图像融合算法中Gram-Schmidt变换得到的融合影像分类精度最高,总体精度和Kappa系数分别为95.20%和0.93,表明利用Gram-Schmidt变换进行IKONOS影像融合更适合基于光谱的土地覆盖分类.     

变精度粗糙集与粗糙集属性约简特征比较

通过具体问题,阐明了经典粗糙集模型分类质量、相对正域、决策类下近似具有非单调递减特征,变精度粗糙集模型在约简过程中分类质量和相对正域会出现跳跃现象,约简过程具有不稳定性.需要针对3者分别建立模型,使属性约简变得多样化.     

变精度粗糙集与粗糙集属性约简特征比较

通过具体问题,阐明了经典粗糙集模型分类质量、相对正域和决策类下近似具有非单调递减特征,变精度粗糙集模型在约简过程中分类质量和相对正域会出现跳跃现象,约简过程具有不稳定性.需要针对三者分别建立模型,使属性约简变得多样化.     

机械精度设计与检测课程中德育元素的挖掘

针对机械精度设计与检测课程中德育元素,阐述课程思政的含义与作用,论述机械精度设计与检测课程中德育元素的分类,展示课程中显式与隐式德育元素的挖掘方法与过程。教学实践结果表明,在课程教学过程中有机融入德育元素有利于理论知识的深刻理解,有利于学生的全面发展。     

变精度双向变异S-粗集与它的变异结构

提出了变精度双向变异S-粗集的概念和它的变异结构，给出了变精度双向变异S-粗集的有关性质定理和推论，并对此进行了讨论。通过实例分析并验证了动态系统由于属性集合的双向动态迁移特性与变精度参数的变化所产生的双向变异S-粗集的上近似、下近似、近似边界区域以及分类近似精度的变化关系和趋势，指出了变精度双向变异S-粗集的研究与应用方向。     

提高数控机床精度方法研究

通过对数控机床精度的类型特点和影响机床精度原因的分析,了解各类误差补偿方法的应用场合,提出了提高数控机床精度的一些措施。     

提高机械加工精度的工艺措施

在机械加工中,存在着影响工件加工质量的因素,为减少这些因素对加工精度的影响,是在机械加工之前应当首先考虑的问题。本文对影响机械加工精度的因素进行分析,并就如何减少各种因素对加工精度的影响,提出了提高机械加工精度的工艺措施。     

机械加工精度问题浅析

在机械加工过程中,往往有很多因素影响工件的最终加工质量,如何使工件的加工达到质量要求,如何减少各种因素对加工精度的影响,就成为加工前必须考虑的事情,也就是要对影响机械加工精度的因素进行分析.本文结合自己多年的实践经验,就影响机械加工精度的因素作一阐述.     

变精度粗糙集在手术诊断中的应用

粗糙集理论是一种处理模糊和不确定知识的一种新型数学工具,在很多领域取得了成功的应用.但是经典粗糙集理论处理的分类必须是完全正确的,在实际应用中,缺乏对噪声数据的适应能力,为了克服这个缺点,提出一种变精度的粗糙集模型,以适应实际应用的需要.对变精度粗糙集理论的数据预处理、属性约简、值约简和规则提取等问题进行了分析和研究,提出属性约简算法和基于求核值属性的归纳值约简算法,并将其运用于医疗系统的手术诊断数据表的数据挖掘分析过程中,所得到的实验结果与专家诊断结果基本吻合,取得了较好的实际应用效果.     

基于半监督与词向量加权的文本分类研究

针对文本分类领域的有监督学习往往需要大量精准标注样本但大量人工标注困难的问题,提出一种新型的半监督学习方式,通过协同训练合理使用大量未标记训练样本,通过添加不同分类的文本特征噪声解决传统协同半监督学习方法中模型参数趋于统一的问题,同时提高分类模型的分类能力。针对传统深度学习方法中文本特征权重一致导致的分类特异性特征不突出问题,在训练模型中加入 self-attention 机制对文本句子特征权重进行提取,并通过句子加权方式突出特异性分类特征。实验结果表明,通过半监督学习方式同时使用少量已标注数据进行训练,模型能够达到 91.4%的准确率,召回率达到 84.3%,与有监督训练方式的分类准确能力相近,从而解决大量人工标注问题,具有一定的使用价值。     

我国高等教育政策分类研究——从理论到经验

政策类型研究是公共政策研究的前沿领域.目前,国内尚没有专门的教育政策分类研究.国外的政策类型研究虽然起步较早,但在理论和方法上仍面临挑战,类型的操作性问题没有很好地解决.针对国内外教育政策分类研究的现状,本文对我国高等教育政策进行了理论与经验相结合的分类尝试.分类基于高等教育政策本质上是对高等教育领域中价值的权威性控制这一基本定义,围绕价值和控制两个基本变量,在提出理论类型假设的基础上,对1979-1998年国家高等教育法规政策文本进行大样本的编码统计,并结合聚类分析技术对理论类型假设进行经验检验,最后论文提出十一种具有研究效度和信度的高等教育政策类型.     

A robust statistical procedure to discover expression biomarkers using microarray genomic expression data

INTRODUCTION Microarray technique is a powerful laboratory tool for simultaneously monitoring genome-wide expression in different conditions. One of the most important applications of microarray technique is the classification of tumor subtypes or different disease states to facilitate clinical researchers in diagnostic, therapeutic or prognostic decisions for patients (Golub et al., 1999; Alizadeh et al., 2000; Spindler, 2006). The generally used approaches, such as cluster analysis and…     

基于二次SVM的不均衡数据算法

为减少不均衡数据对支持向量机分类性能的影响,提出一种基于二次支持向量机的欠取样分类算法,该算法依据样本的分类超平面贡献大小对多数类样本进行欠取样．并对少数类样本进行过取样,重构训练数据集。该算法能够删除样本中的噪声数据。用控制参数控制删除样本的规模,实验表明,该算法能够提高支持向量机在不均衡数据集下的分类性能。     

Discrepancy formulas and classification and identification issues that affect diagnoses of learning disabilities

The identification of learning-disabled students has been plagued by the use of definitions that are conceptually and operationally incongruent and by classification systems that are inconsistent with identification procedures. The variety of methods and formulas used results in differing rates of identification and diverse findings for the same samples of students. The advantages and disadvantages of the most common discrepancy formulas and the multiple regression discrepancy method are compared. Both the educational significance and the statistical significance of test scores should be taken into consideration during the identification process, and consonance between LD definitions and identification criteria must be achieved in order to reduce the variance that occurs with LD classification.     

基于分片逆回归方法的线性与非线性判别分析的应用比较

所统计分析的数据集是前列腺癌基因数据集.采用分片逆回归方法和线性判别分析(LDA),二次判别分析(QDA).对基因芯片(微阵列)数据进行分析.用SIR降维,用LDA和QDA分类.讨论分片逆回归方法和二种方法对基因样本进行分类的效果.     

Parameters selection in gene selection using Gaussian kernel support vector machines by genetic algorithm

INTRODUCTION Recent techniques based on oligonucleotide or cDNA microarrays allow the expression level of thousands of genes to be monitored in parallel (Golub et al., 1999). A critically important factor for cancer diagnosis and treatment is the reliable prediction of tumor progression. A remarkable advance for mo- lecular biology and for cancer research is cDNA mi- croarray technology. cDNA microarray datasets havea high dimensionality corresponding to the large number of genes monit…     

Developing local oral reading fluency cut scores for predicting high‐stakes test performance

This study evaluated the classification accuracy of a second grade oral reading fluency curriculum‐based measure (R‐CBM) in predicting third grade state test performance. It also compared the long‐term classification accuracy of local and publisher‐recommended R‐CBM cut scores. Participants were 266 students who were divided into a calibration sample (n = 170) and two cross‐validation samples (n = 46; n = 50), respectively. Using calibration sample data, local fall, winter, and spring R‐CBM cut scores for predicting students’ state test performance were developed using three methods: discriminant analysis (DA), logistic regression (LR), and receiver operating characteristic curve analysis (ROC). The classification accuracy of local and publisher‐recommended cut scores was evaluated across subsamples. Only DA and ROC produced cut scores that maintained adequate sensitivity (≥.70) across cohorts; however, LR and publisher‐recommended scores had higher levels of specificity and overall correct classification. Implications for developing local cut scores are discussed.     

基于SVM-Kd-tree的树型粗分类方法

为提高大数据集粗分类识别率,提出一种基于聚类分析的SVM-Kd-tree树型粗分类方法。首先根据数据集特征分布进行k-means两簇聚类,对聚类后的数据集进行类别分析,同时将属于两簇的同一类别样本划分出来;然后使用两簇中剩余样本训练SVM二分类器并作为树型结构根节点,将两簇数据分别合并,将划分出来的样本作为左右子孩子迭代构建子节点,直到满足终止条件后,叶子节点开始训练Kd-tree。实验结果表明,迭代构建树型粗分类方法使训练单一SVM平均时间减少了61.977 4%,比Kd-tree同近邻数量的准确率提高了0.03%。在进行大规模数据集粗分类时,使用聚类分析迭代构建组合分类器时间更短、准确率更高。     

基于改进的K近邻算法支持向量分类研究

传统的支持向量机分类算法在优化过程中对所有支持向量都进行优化,增加了计算量,降低了训练效率.针对上述缺点,在分析样本模糊隶属关系的基础上,采用改进的K近邻算法为已知样本分配隶属度,根据训练样本的隶属关系,剔除非支持向量,减少训练样本,并将其用于中文网页的分类中,得到了较好的分类效果.仿真实验结果表明,改进后的方法不仅相对简单,而且在保证分类器性能的情况下,能有效地减少支持向量机的训练样本数,从而提高支持向量机的训练和测试速度.