基于IRT模型参数的BP神经网络估计

该文依据项目反应理论(IRT)的0-1记分模式,应用BP神经网络对项目参数和考生能力进行估计。在对这些参数进行估计时,将得分矩阵分别采用得分率、通过率、相关系数、猜测率进行降维处理。此方法经计算机模拟实验,结果与目前流行的参数估计方法进行分析比较,能得到更好的精度,降低了误差。训练好的网络可以用于实际测试中,并且只需较少的人数和题数,能得到较好的精度。在计算机模拟实验过程中,考生能力和项目难度、项目区分度采用正态分布比均匀分布要好得多。     

无线传感器网络中间件的研究

无线传感器网络(WSNs)能量和资源有限、网络动态性强等特点使得终端用户管理复杂的WSNs并不容易,需要中间件的支持。研究不同的WSNs中间件设计方法,对WSNs中间件进行了分类和比较,提出了今后进一步研究的方向。     

基于随机映射的快速图像修复算法

传统基于样本块的图像修复方法是在图像全局区域内循环搜索最优相似块,且结构传播过程易受置信因子影响,使得算法运算量大、时间长、效率低。针对以上问题,提出基于随机映射的修复算法。该算法采用随机映射的方法搜索与待修复区域在结构和纹理相似的样本区域,去除冗余的样本搜索空间;其次优化了基于置信因子和边缘信息的优先级计算方法,改进了最优相似块的计算方法,增强了图像结构传播的正确性。实验结果表明,该方法的修复速度比传统方法提高了5~10倍,且增强了图像修复效果。     

迭代式MapReduce研究进展

迭代计算普遍存在于大数据处理中,而传统的MapReduce不能显式地支持迭代计算。近几年,研究者扩展和改进原始MapReduce,已开发了若干迭代式MapReduce以更好地为大数据处理而支持迭代计算。对迭代式MapReduce编程框架进行综合评述,较详细地阐述了这些研究成果,给出了它们各自的基本思想,并分析了它们各自的特点、优势和不足,且对比了它们所采用的一些技术。对迭代式MapReduce未来的发展趋势进行了展望。