基于CART的社区矫正人员危险性评估

目前对社区矫正人员危险性评估的研究普遍停留在理论研究阶段，建立的模型大多缺乏实际数据的支撑，为了方便掌握社区矫正实际情况，基于CART（分类回归树）算法对某市司法局的社区矫正人员数据（不包含敏感信息）进行建模分析，通过服刑人员的基础特征值得到该服刑人员的危险度评估结果，与实际结果相比，准确率达到85%~90%，此外对社区矫正中实际存在的数据缺失问题进行讨论并提出解决办法。     

基于信息熵理论的特征权重算法研究

文本表示是使用分类算法处理文本时必不可少的环节,文本表示方法的选择对最终的分类精度起着至关重要的作用。针对经典的特征权重计算方法TFIDF（Term Frequency and Inverted Document Frequency）中存在的不足,提出了一种基于信息熵理论的特征权重算法ETFIDF（Entropy based TFIDF）。ETFIDF不仅考虑特征项在文档中出现的频率及该特征项在训练集中的集中度,而且还考虑该特征项在各个类别中的分散度。实验结果表明,采用ETFIDF计算特征权重可以有效地提高文本分类性能,对ETFIDF与特征选择的关系进行了较详细的理论分析和实验研究。实验结果表明,在文本表示阶段考虑特征与类别的关系可以更为准确地表示文本;如果综合考虑精度与效率两个方面因素,ETFIDF算法与特征选择算法一起采用能够得到更好的分类效果。     

基于Leavitt模型的软件本地化项目风险管理研究

软件本地化项目风险管理即对项目风险进行辩识,并对其进行评估,通过规划对其进行管理。梳理了本地化相关知识,介绍了软件项目风险管理的基础理论方法,通过Leavitt模型对本地化项目实施过程中的风险因素进行了分析,提出了本地化项目风险管理的解决方案,详细论述了该解决方案在本地化项目中的应用,并验证了风险管理所产生的价值。     

社区矫正人员位置信息挖掘

随着电子监控技术和司法体制改革工作的开展,社区矫正领域对轨迹行为分析提出新的需求。面对该需求,对社区矫正领域的行为轨迹处理提出一种新的方法来进行分段和聚类。实验结果表明,该方法能够对社区矫正的人员出行轨迹进行识别和特征提取。