试论篮球组合技术教学与训练

通过对篮球攻防组合技术的分类、要求、训练中应解决的问题及训练方法与手段的研究和讨论,阐明篮球攻防组合技术在教学训练中的重要性.     

对奥运战略重点项目投入结构的分析与对策建议

奥运战略重点项目投入结构是否合理,对国家奥运战略目标的实现影响重大,实现这一目标的基础在地方。表文根据投入产出原理,从经济角度对奥运战略重点项目作了分类并提出合理投入顺序。采用典型分析方法,定量剖析了天津市奥运战略重点项目在各训练层次、运动项目中,运动员、教练员及训练费用的投入数量结构状况。发现其投入的基本趋势,并据此提出了对策建议。     

体育课程资源的分类研究

随着课程改革的深入,课程资源的重要性逐渐显现出来.越来越多的基础教育工作者投入到开发与利用课程资源的行列中来.通过对体育课程资源的分类研究,认为体育课程资源应该从物质的和非物质的两方面去划分,更能全面认识体育课程资源,从而更加科学有效地对体育课程资源进行开发和利用.     

浅析体育科技人才结构,把握体育人才培养方向

体育的竞争归根到底是体育科技和人才的竞争。培养体育科技人才是现代体育迅猛发展的需要．摈弃传统的人才培养方法，更新陈旧的人才培养观念，建立有效的体育科技人才培养体制有利于促进竞技运动项目的快速发展。     

基于在线评论数据的众包服务商选择模型构建

针对众包模式下信用度缺乏带来的众包服务商选择困难问题，探讨利用众包平台上的在线评论数据选择服务商。基于胜任力模型，从接包方、平台和任务设计3个方面提出13个影响服务商选择的特征，构建基于在线评论数据的众包服务商选择模型，并利用分类算法实现模型。实验结果表明，基于接包方、平台和任务设计3类特征组合下的服务商选择效果最佳；模型选择的最佳服务商基本符合真实数据中发包方选择的中标服务商，验证了模型在实际应用中的有效性。     

《中图法》第四版R大类变动分析

本文分析《中图法》第四版R大类的变动情况，提出了对R大类变动的建议。     

国际创新理论的七大进展

新世纪国际社会创新战略发生了根本性的转变,理论上彻底摆脱了传统的技术创新论和线性模式的羁绊,全面肯定并接受系统论及动态的非线性交互(interactive)型创新模式。本文根据对国际创新理论的研究,总结归纳为"创新概念的再定义"、"动态非线性交互型创新模式"、"创新的非技术性要素和非技术性创新"、"创造知识是创新的核心,创新过程的本质是学习"、"动态的创新生态系统"、"创新的科学分类"和"新的创新测度和创新计量学"七大进展。     

图像的增强与分割方法研究

以图像增强与分割这两个计算机视觉中最具基础性质的研究方向为内容,深入研究了红外序列图像的增强,以及一般图像的分割问题.在图像增强方面,提出了一种基于模型的远红外序列图像自适应增强算法(ASTHF).该算法保持了原有算法的良好效果和计算效率,从而达到了视觉效果和运算速度的良好统一.在图像分割方面,提出了一种综合利用边缘和区域信息的图像分割方法--基于尺度空间的区域竞争一般框架(GSRC).通过将被误标记可能性小的像素作为种子,GSRC首先自动确定初始分割(粗分割),然后以能量泛函为工具,通过综合运用轮廊平滑、概率模型和区域竞争来确定最终的分割(精细分割).GSRC不仅能有效地利用图像特征,还为特征的知觉组织提供了一条简单的计算途径.     

基于产业分类的广东专业镇经济发展现状分析

广东专业镇是我国最为典型和突出的产业集群之一。从产业分类的角度入手,分析广东专业镇经济的发展特征和存在的问题。     

Efficient implementation of associative classifiers for document classification

In practical text classification tasks, the ability to interpret the classification result is as important as the ability to classify exactly. Associative classifiers have many favorable characteristics such as rapid training, good classification accuracy, and excellent interpretation. However, associative classifiers also have some obstacles to overcome when they are applied in the area of text classification. The target text collection generally has a very high dimension, thus the training process might take a very long time. We propose a feature selection based on the mutual information between the word and class variables to reduce the space dimension of the associative classifiers. In addition, the training process of the associative classifier produces a huge amount of classification rules, which makes the prediction with a new document ineffective. We resolve this by introducing a new efficient method for storing and pruning classification rules. This method can also be used when predicting a test document. Experimental results using the 20-newsgroups dataset show many benefits of the associative classification in both training and predicting when applied to a real world problem.