基于多因素方差分析的文本向量特征挖掘算法

文本向量特征挖掘应用于信息资源组织和管理领域,在大数据挖掘领域具有较大应用价值,传统算法精度不好。提出一种基于多因素方差分析的文本向量特征挖掘算法。使用多因素方差分析方法得到多种语料库的特征挖掘规律,结合蚁群算法,根据蚁群适应度概率正则训练迁移法则,得到种群进化最近时刻获得的数据集有效特征概率最大值,基于最优划分的K-means初始聚类中心选取算法,先对数据样本进行划分,然后根据样本分布特点来确定初始聚类中心,提高文本特征挖掘性能。仿真结果表明,该算法提高了文本向量特征的聚类效果,进而提高了特征挖掘性能,具有较高的数据特征召回率和检测率,时间耗时较少,在数据挖掘等领域应用价值较大。     

大型数据库交叉型数据鲁棒性挖掘模型仿真

在大型流媒体数据库数据集中,交叉性数据的鲁棒性挖掘结构建立是实现对数据库差异属性分类和数据访问的基础。传统方法对大型数据库中的交叉性数据的鲁棒性挖掘结构建模采用基于遗传算法的数据集聚调度方法,存在较大的路径损耗,数据挖掘的鲁棒性不好。提出改进的基于局部离群点检测遗传进化的大型数据库交叉型数据挖掘模型,构建基于遗传算法的大型流媒体数据库挖掘结构,进行大型流媒体数据库中交叉型数据信息流特征预处理,结合交叉性型数据的离群因子概念,调整流媒体数据调度的位置变换策略,实现交叉性数据的鲁棒性挖掘算法改进。仿真实验结果表明,该算法能有效数据挖掘的a最大匹配率和局部离群点检测性能,保证了数据挖掘的鲁棒性,各项参数指标优于传统方法,展示了较好的应用价值。     

我国主要矿业经济区评价及未来发展战略研究

为了客观评价第二轮全国矿产资源规划(2008年-2015年),确定75个矿业经济区发展现状,选取对所在区域的经济贡献程度、转型能力、发展潜力和环境容量4个一级指标、矿业税收占本区域财政收入比重等12个二级指标,将变异系数法与模糊综合评价法相结合,建立矿业经济区发展阶段的综合评价模型。将矿业经济区划分为聚集-成长、成长-发展、发展-稳定,稳定-转型4个阶段,归纳出每个阶段的特征;最后根据矿业经济区各阶段发展的特征提出整合现存各类政策,制定可操作、针对性强的差异化政策建议。     

基于中文文献的反恐情报研究分析

目前我国面临着严峻的反恐形势,面对恐怖主义的威胁,反恐方必须加强情报在反恐中的应用。基于文献分析的视角,采用定性分析的方法,对我国反恐情报相关研究的现状进行了分析,总结概括了国内反恐情报研究的相关基础理论、关键要素及情报保障等内容,并对目前的研究现状给予了简要的评析,为我国反恐情报的进一步研究提供借鉴和参考。     

国史知识的语义揭示与组织方法研究

深入开展中华人民共和国国史的教育和研究一直是各方高度重视的工作。将国史知识进行语义揭示和组织,对于国史的教育和研究具有重要意义。在参考相关研究成果的基础上,本文提出了“向下挖掘,向上组织”的国史知识语义揭示与组织方法。这一方法以国史本体为基础,在对隐藏于国史资源文本条目中的国史知识对象和相关事实进行语义挖掘和揭示的基础之上,通过国史知识对象的关联,构建国史知识网络,并基于时间、类属、层级及统计等关系,对国史知识内容进行更高层次的多维组织展示,并基于这一思路开发了相应的系统平台,实现了国史知识的揭示、重组和其他创新应用。本文所提出的国史知识语义揭示和组织方法对其他类型知识的开发利用具有参考价值。图7。参考文献12。     

基于耗散结构理论的采煤塌陷区生态安全评价研究

以某煤矿采煤塌陷区2005~2012年生态安全现状为研究对象,建立生态安全耗散结构模型。从地形、土壤、环境、社会经济四方面建立评价指标体系,采用直线型阈值法处理原始数据,计算各指标要素的信息熵权,最后得出系统总的熵变。结果表明虽然系统年份信息熵值自2009年起开始由正到负,但其累计信息熵值为正,说明谭家山煤矿采煤塌陷区的生态现状并未达到安全水平,还需要在已有的基础上持续维持或进一步改进一段较长时间。理论分析与实际情况相符,较好地验证了该定量分析模型具有很好的科学性与适用性,具有一定的推广应用价值。     

基于混沌振荡粒子群优化的FCM文本聚类方法

针对模糊C均值聚类算法易于陷入局部极值的问题,设计了一种基于混沌振荡粒子群优化的模糊C均值聚类方法。该方法在标准PSO算法中设计了一个振荡环节并引入混沌理论以增加算法的多样性和收敛性,接着把优化后的PSO算法和模糊C均值聚类算法相结合。文本聚类的仿真实验表明,相对于PSO-FCM算法和FCM算法,CCPSO-FCM算法具有良好的全局搜索能力和收敛速度,聚类效果良好。     

基于数据挖掘的学生投入模型与学习分析

学生投入是高等教育质量和学习成果的重要影响因素,对于高等教育评估与改革具有积极作用,受到了国内外研究者的广泛关注。文章以构建学生投入模型为基础,采用典型相关分析和数据挖掘方法相结合,识别学生投入的相关因素,并对学生学习行为进行分类研究。分析发现学生投入与学生家庭背景、学生入学前特征、学校特征及课程作业之间存在着显著相关关系,不同的学生投入及其学习行为表现有助于加深学校对学生学习行为的了解,更好地研究学习规律的新趋势,为审视高校以生为本、以学为中心的人才培养措施和多元性发展,提供了重要的参考与支持。     

数据流挖掘中的聚类技术

在动态数据流挖掘过程中,对数据流进行聚类,把未知的数据流划分或者生成到一个簇中。发现隐含的知识、价值和模式,是一种非常有效的数据流挖掘技术。分析和研究了数据流挖掘的聚类算法,并对数据流聚类技术发展进行了展望,提出了数据流挖掘的研究方向。     

学习分析：从源起到实践与研究

学习分析是“大数据”在教育领域的应用,引发了教育技术发展的第三次浪潮,并获得学术界的广泛关注。本文梳理了学习分析的形成过程,然后从利益相关者、研究目标、研究对象、技术方法四个维度,回顾了近五年来国内外学者在学习分析方面的研究成果,并提出未来发展趋势和可能遇到的挑战,便于相关人员制定教育决策、优化教育管理过程以及完善学习过程。研究结果表明,学习分析研究主题主要涵盖学习者知识建模、学习情绪建模、学习行为特征抽取、学习活动跟踪、学习者建模、学位获取分析、教学资源和教学策略优化、自适应学习系统和个性化学习、在线学习影响因素分析九个方面;分析数据主要来源于集中式学习环境、分布式学习环境以及身体活动数据;常用分析方法包括统计分析、信息可视化、数据挖掘、社会网络分析、话语分析和网站分析。目前,学习分析研究遇到的挑战包括教育数据预处理难度大、数据访问权限不明确、学习分析适用性有限。虽然学习分析尚处于发展初期,但由于能够为教育系统各级决策提供科学参考,已经成为教育信息化的重要内容之一。