基于专利数据的RFID技术趋势分析

随着RFID技术的快速发展和在图书馆的广泛应用,其对图书馆的影响日益深刻。本文通过将RFID相关技术分类聚类,对国内RFID技术的专利数据进行比对,分析和研究了RFID技术的集中度、技术发展方向、潜在技术发展点,试图建立起RFID技术在不同发展方向上的生长周期模型,为图书馆进行RFID技术研究以及进一步应用提供支持和参考。     

中国能源效率影响因素研究——基于VEC模型的实证检验

能源效率以其在优化能源-经济-环境系统中的重要作用,被学者们称为"第五类能源"。本文采用基于向量误差修正模型的广义脉冲响应函数分析方法,考察能源相对价格、产业结构、能源结构以及科技进步四个因素在时序维度上对我国能源效率影响的动态特征。研究结果显示:在整个冲击响应期内,能源相对价格的提升与科技进步对我国能源效率的改进具有促进作用,而产业结构与能源结构的变动则在不同程度上阻碍着我国能源效率的提高,且以上四个因素均具有持续性特征。其次,能源相对价格、科技进步、能源结构三个因素较为显著,而产业结构的影响相对较弱。基于上述研究结论,从完善能源价格形成机制、优化产业结构与能源结构、加大节能科技投入等方面,探讨了提高我国能源效率的实现途径。     

基于用户标签的个人本体的构建模型研究

标签作为一种大众标引的形式,它既可以用于构建词表,也可以表示用户的个性化特征。随着网络用户对于个性化信息服务需求的加剧,个性化成为目前研究的热点。利用本体构建用户模型逐渐成为一种主流趋势。本文重点讨论如何利用用户标签,结合网络词表WordNet来构建用户的个人本体,从而为个性化服务的发展提供一种新的实施方案。     

基于情境感知的自适应个性化知识服务研究

在Web2.0环境下,由于用户成为了知识构建的适应性主体,还原了知识构建与服务的人本原生态,使个人知识构建表现出自组织原理。这为基于情境感知的自适应个性化知识服务实现和系统构建提供了有利条件,但其具体实现尚需借助本体在对知识项和情境信息进行统一语义描述和推理方面的优势才能更好得以实施。     

基于知识本体的自考文献资源体系的构建

高等教育自学考试是中国改革开放以来教育制度的一项重要创新,在分析现有自考文献资源建设不足的基础上,提出基于知识本体的自考文献资源体系的基本框架,阐述基于知识本体的自考文献资源体系的构建过程,采用语义元数据对不同学科专业进行本体建模,给出农业经济管理学科的知识本体实例,实践证明,该方法可以完善自考文献资源体系的共享机制,加大自考文献资源的服务职能。     

基于语义相似度的Web文本分类研究

传统的Web文本分类方法将文本中关键词的相似度作为分类的依据,丢失了很多重要的语义信息,导致分类结果不够准确且计算量大。基于此,文章提出了一种基于语义相似度的Web文本分类方法,利用领域本体将用关键词表示的文本特征向量表示为与之匹配的语义概念特征向量集,定义Web文本相似度的计算公式,设计并实现基于语义相似度的KNN算法。实验结果表明,该方法从语义概念层次上表示和处理Web文本,降低了文本特征空间维度,减少了计算量,提高了分类精确度。     

Ontology及其在企业架构中的应用探讨

在企业架构中引入本体思想,介绍了企业架构相关概念、学派和本体的有关概念、方法,并对本体应用到企业架构的必要性进行了讨论;阐述了基于本体的企业架构内容,在此基础上提出了企业架构本体集成框架,并对其应用前景进行了分析。     

从古代希腊竞技论体育的本体价值与超越

本文通过运动与游戏的本体性探索,揭示了体育原本是人类生活的构型元素。通过对古代希腊体育价值异化的剖析,阐释了人道主义是体育本体的核心价值。并在本体论的语境中,拓展体育的美学空间,将体育的文化价值引向生命的精神超越。     

社会文化实践理论与现象描述分析学——信息素养教育的新视角

通过对社会文化实践理论与现象描述分析学两种信息素养教育研究路线理论综述,总结两种研究路线相同点为注重学习者所处环境在信息素养教学中的作用及学习者使用信息经验研究,不同点在于现象描述分析学关注于经验的变化,而社会与文化理论关注于对经验的共建。     

Deriving kernels from generalized Dirichlet mixture models and applications

In the last few years hybrid generative discriminative approaches have received increasing attention and their capabilities have been demonstrated by several applications in different domains. Hybrid approaches allow the incorporation of prior knowledge about the nature of the data to classify. Past work on hybrid approaches has focused on Gaussian data, however, and less attention has been given to other kinds of non-Gaussian data which appear in many applications. In this article we introduce a class of generative kernels based on finite mixture models for non-Gaussian data classification. This particular class is based on the generalized Dirichlet distribution which have been shown to be effective to model this kind of data. We demonstrate the efficacy of the proposed framework on two challenging applications namely object detection and content-based image classification via the integration of color and spatial information.