基于问题学习的在线翻转课堂设计与教学实践

结合基于问题的学习策略,提出翻转课堂的核心环节——关于"问题二大类共5种设计思路"的讨论,并介绍其在Linux操作系统与程序设计在线教学实践中的应用,同时针对疫情期间在线翻转课堂面对的挑战,提出适应性的改进策略和方法.     

RoboCup中基于神经网络的阵型策略在线学习

在RoboCup仿真2D系统中,智能体很难在实时动态不确定的环境中做出正确的决策,因此研究学习不可预测的对手阵型策略跑位是迫切需要的。本文在RoboCup仿真2D项目程序设计中提出利用神经网络权值直接确定法在线学习对手阵型策略,并设计学习对手阵型策略的神经网络模型,最后利用在线教练实时训练神经网络的模型。实验结果建立学习对手阵型的神经网络模型,并把训练好的模型加入防守策略中,有效提高了智能体的防守能力,增强了球队的整体技能。     

基于属性加权的朴素贝叶斯分类算法

朴素贝叶斯分类是一种简单而高效的方法,但是它的属性独立性假设,影响了它的分类性能。通过放松朴素贝叶斯假设可以增强其分类效果,但通常会导致计算代价大幅提高。提出了属性加权朴素贝叶斯算法,该算法通过属性加权来提高朴素贝叶斯分类器性能,加权参数直接从训练数据中学习得到。权值可以看作是计算某个类的后验概率时,某属性取值对该类别的影响程度。实验结果表明,该算法可行而且有效。     

协议分析与测试课程的教学探索与实践

网络工程专业是教育部2001年增设的本科专业,其课程体系和教学模式都处在探索阶段,课程的合理设置问题值得商榷。文章就如何在网络工程本科专业开设协议分析与测试课程,以安徽工业大学为例,介绍了课程的教学内容、实验内容、教材选用以及和其他课程之间的关系,并分析学生对这门课程的评价。教学实践表明,通过课程学习,学生提高了对网络协议的理解和认识,解决了以往对协议的认识只停留在知识表面的问题。     

TANC-BIC结构学习算法

树扩展朴素贝叶斯分类器(TANC)是应用较广的一种贝叶斯分类器.TANC的分类性能优于朴素贝叶斯分类器(NBC).现有的TANC结构学习算法是基于相关性分析的,采用互信息测度.贝叶斯信息测度(BIC)在基于打分和搜索的贝叶斯网络结构学习中取得了成功,文中用BIC测度来衡量属性结点之间的相关性,提出了一种新的TANC-BIC结构学习算法.在MBNC实验平台上编程实现了TANC-BIC算法,用分类准确率衡量算法的性能.实验结果表明,TANC-BIC算法是有效的.     

用于多标记学习的阈值确定算法

提出一种多标记学习阈值确定算法(DTML),为每个类别标记确定一个阈值。当分类器将一个测试示例预测为某个类别标记的分值大于该类别标记的阈值时,则将该类别标记添加到该测试示例的最终分类结果中。该算法采用编程实现,并将其应用于PT5方法和TML算法。实验结果表明,利用DTML算法为多标记学习算法确定阈值,能够得到较好的分类效果。     

BO-AUC多类分类评估方法

分类技术是数据挖掘研究的核心技术之一,分类评估也是研究热点,基于AUC评估方法是分类评估领域的研究热点,其中B-AUC评估算法可以有效地评估分类器性能,但该评估方法有不足之处。该分类评估方法建立在不对称的两个类别上,影响了评价结果;根据非完全二叉树思想存储,浪费了存储空间;基于偏二叉树的搜索效率不高。利用完全二叉树的构造思想提出了BO-AUC评估方法,该方法将n个类别的分类问题分解为独立的二类进行成对的计算,可以有效地解决B-AUC的不足,进一步扩展基于AUC的评估标准,在MBNC实验上编程实现该方法,实验结果表明BO-AUC方法的有效性。     

一种新的基于AUC的多类分类评估方法

基于ROC曲线分析的AUC方法最初用于评估二类分类,不能直接解决多类别的评估,如何有效地将其推广到多类别评估中是研究的热点问题。首先介绍一种基于一对多方法的多类别AUC评估方法F-AUC,在此基础上根据二叉树的构造思想提出一种新的多类别评估方法B-AUC。该方法在MBNC实验平台上编程实现,并和F-AUC方法进行比较和分析,结果表明该方法是可行的,在评估效果和速度效果上有良好的性能。     

TANC-BIC结构学习算法的改进

基于概率的贝叶斯分类器以其简单的结构和良好的性能受到重视,树扩展朴素贝叶斯分类器TANC应用较广。用TANC-BIC结构学习算法构建的分类器取得了成功,但TANC-BIC结构学习算法未考虑类节点的情况。文中提出了一种新的结构学习TANC-CBIC算法。并在贝叶斯分类器实验平台MBNC上编程实现。实验结果表明,改进算法分类准确率要高于由TANC-BIC和TANC-CMI结构学习算法构建的分类器,TANC-CBIC结构学习算法是有效的。