需求导向下的园林专业课程体系构建研究——以安徽农业大学为例

在教育部建设一流本科专业建设点要求的背景下，按照农林院校园林一流专业建设点的标准，课程体系的更新必须要着眼更高的要求。溯源国内农林院校园林专业的发展特点，以建设一流课程的要求为依据，梳理出以“林学类专业”为特色且融合“建筑学类”专业的特征要求。在此基础上，遵从安徽农业大学园林专业教师团队、教学资源以及培养方案的专业定位和学情，构建以需求为导向的专业课程体系。运用TOPSIS熵权法对专业课程体系的问卷调查数据进行合理性分析，得到总体课程体系、主干课程体系和创新实践课程体系的最优理想解，进一步确立以“园林工程”和“园林花卉学”为“联动双核心”的园林专业课程体系。优化课程体系，拟整体达到“新农科”特色结合多学科交叉的多元化教学要求，培养新时代引领行业实践和研究创新的园林人才，满足为建设高品质人居环境提供园林建设研究人才的需求导向，实现安徽农业大学园林专业的培养目标，培养新时代高品质的园林高级人才。同时也为其他院校构建农林院校园林专业课程体系提供了参考。     

基于改进TOPSIS方法的温榆河水环境质量综合评价研究

区域水环境质量综合评价已成为水资源保护的一项重要基础性工作,简要介绍TOPSIS方法的原理及其应用范围,针对传统TOPSIS法由主观判断确定指标权重方法的不确定性及应用相对接近度计算方法不能完全反映出各方案的优劣性的问题,提出了熵权法和改进的相对接近度算法,使TOPSIS法用于环境质量综合评价以及多目标决策分析更趋完善,评价结果更合理客观。并用基于改进的TOPSIS法对温榆河流域水环境质量进行了综合评价。     

基于Grover融合理论的无线传感网络路由算法研究

如何在各种网络资源受限制的情况，实现高质量的信息传输是无线传感网络研究领域的关键问题之一。首先，分析了网络传输中所需要考虑的受限制因素，并提出各种因素的计算办法；然后，针对确保服务质量的多目标规划算法存在计算量过大的缺陷，借鉴量子搜索算法中的Grover理论用以降低信息传输过程的搜索计算量；最后，通过Grover理论得到的各种资源路由选择方案，本文采用了计算机控制中的D-S信息融合理论，将多目标规划转化为单目标规划。为了验证本文所提出的Grover融合路由算法，文章建立MATLAB仿真环境，对比传统的DSR路由协议与多目标规划TOPSIS算法，可见本文所提出的算法在降低网络搜索计算量、延长网络生存时间、降低网络时延方面具有较大的改善。     

基于改进TOPSIS法的水资源配置方案评价

以综合效益最优为目标层,水资源利用、经济效益、社会效益、生态效益为准则层,建立临海市水资源配置方案评价指标体系,采用改进TOPSIS法对"五水共治"理念下的4个区域水资源配置方案展开评价。结果表明,高节水、加强水资源开发、保障生态需水的方案4为最优方案。研究旨在为临海市经济、社会、资源、环境的全面发展提供理论支撑。     

Relevancy contemplation in medical data analytics and ranking of feature selection algorithms

This article performs a detailed data scrutiny on a chronic kidney disease (CKD) dataset to select efficient instances and relevant features. Data relevancy is investigated using feature extraction, hybrid outlier detection, and handling of missing values. Data instances that do not influence the target are removed using data envelopment analysis to enable reduction of rows. Column reduction is achieved by ranking the attributes through feature selection methodologies, namely, extra-trees classifier, recursive feature elimination, chi-squared test, analysis of variance, and mutual information. These methodologies are ranked via Technique for Order of Preference by Similarity to Ideal Solution (TOPSIS) using weight optimization to identify the optimal features for model building from the CKD dataset to facilitate better prediction while diagnosing the severity of the disease. An efficient hybrid ensemble and novel similarity-based classifiers are built using the pruned dataset, and the results are thereafter compared with random forest, AdaBoost, naive Bayes, k-nearest neighbors, and support vector machines. The hybrid ensemble classifier yields a better prediction accuracy of 98.31% for the features selected by extra tree classifier (ETC), which is ranked as the best by TOPSIS.