基于程序设计主观题智能阅卷算法的应用研究

在程序设计语言考试中，程序设计主观题智能评阅是一项具有实用价值的应用。文中在分析主观题阅卷算法的基础上，针对程序设计主观题的特征，提出了基于阅卷参考点和程序理解相结合的智能阅卷算法，并进行了相关实例分析。设计了VC＋＋程序设计题智能阅卷系统，通过实际教学使用表明该智能阅卷算法具有较好的正确性和客观性。     

一种基于事务规则树的高效关联规则挖掘算法

提出了基于事务规则树改进的关联规则快速挖掘算法--FG算法.该算法不需要查找频繁项集,可直接求出所有无冗余的关联规则;将FG算法与其他算法进行实验比较,结果表明,FG算法在效率上优于其他算法,是有效的、可行的关联规则挖掘算法.     

基于量子云模型反馈的协同精英属性均衡优势集成约简

为进一步增强进化算法在最小属性约简过程中全局求解性能,提出了一种基于量子云模型反馈的协同精英属性均衡优势集成约简算法,该算法首先设计一种基于云模型反馈的量子自适应旋转角调整策略,使量子蛙群精英在云模型定性知识和罚因子反馈指导下自适应控制属性搜索空间范围;然后构建一种有限理性区域下协同精英均衡优势属性分解框架,在动态精英演化区域内使参与属性约简的量子蛙群精英在平均权重裕度下协同化达到Nash均衡优势区域;最后量子蛙群精英采用集成化操作机制在各自均衡优势区域内协同提取属性约简子集,从而稳定取得全局最优约简特征集。实验结果表明本文算法求解全局最优属性约简集效率、精度和稳定性等具有明显优势,应用到孕龄新生儿脑MRIs电子病历分割进一步表明该算法具有较强的应用性能。     

团队导师制下程序设计实践创新模式探索

本文探索了一种团队导师制下地方高校计算机专业程序设计实践创新能力培养模式,并结合相关课程建立了程序设计实践创新学习网站和辅导交流平台。实践教学结果表明,本文提出的培养模式能有效提高学生程序设计编程创新能力以及分析、解决实际工程项目的技能,增强了地方高校计算机专业学生核心竞争力。     

基于属性树的并行化增量式动态属性约简算法

传统增量算法主要侧重于从更新近似的角度进行属性约简,但在处理大规模数据集时需要评估所有属性并反复计算重要度,提升时间复杂度,降低效率.针对上述问题,文中提出基于属性树的并行化增量加速策略,关键步骤是将所有属性聚类成多棵属性树进行并行化动态属性评估.首先,根据属性树相关性度量选择合适的属性树进行属性评估,降低时间复杂度.再增加分支系数至停止准则中,随着分支深度的增加进行动态增加,可使算法在达到最大阈值后自主跳出循环,有效避免原先的冗余计算,提高效率.基于上述策略,提出基于属性树的增量属性约简算法,同时与Spark并行机制结合,设计基于属性树的并行化增量式动态属性约简算法.在多个数据集上的广泛实验表明,文中算法在保持分类性能的同时,可提高动态变化数据集约简的搜索效率,具有较好的性能优势.     

一种基于约束关系的电子病历图像分割核聚类算法

针对电子病历中图像分割问题，提出了基于约束关系的改进核聚类算法，该算法通过引入约束关系在图像分割前进行修正，从而提高图像分割效果。该核聚类算法在MRI中电子病历图像分割实验的结果表明，施加约束关系的核聚类算法能有效地解决电子病历图像中含噪声以及灰度不均匀等问题，具有一定的鲁棒性和较好的图像分割效果。     

智能计算机辅助教学的研究与应用

智能计算机辅助教学（Intelligent Computer Assisted Instruction）已成为现代计算机教育发展的一大趋势。本文首先对智能计算机辅助教学的结构和特点进行阐述,然后结合数据结构重点课程建设的实际情况,设计了其智能辅助教学系统,该系统在实际教学环节应用中取得了较好的学习效果,具有较强的适用性和推广价值。     

基于粗糙度的近似概念格动态分类集成学习模型研究与应用

概念格(Galois格)是一种进行数据分类学习的有效工具,然而建格规模庞大使分类效率和准确率受到较大影响.将粗糙度理论应用到概念格分类问题研究中,提出一种新型的近似概念格动态建格和分类挖掘集成学习模型(CACLR).该模型在粗糙度区间根据样本空间分布构建多个相对独立分布且比较精确的近似概念格分类器,能及时消除建格过程中大量与分类知识无关的节点,有效缩减原格规模,融合得到的分类挖掘集成学习模型,具有较好的粗糙分类精度和知识预测学习能力.最后进行CACLR分类集成学习模型在标准UCI数据集中的对比实验,有效验证了该模型的实用价值.     

DMGA-FCM:衍生多种群遗传进化的FCM自适应聚类算法

模糊C均值聚类(Fuzzy C-means Clustering, FCM)算法是分析医学数据的重要方法之一,FCM的聚类效果容易受初始聚类中心的影响;诸多研究人员往往采用多种群遗传算法(Multiple Population Genetic Algorithm, MPGA)解决上述问题,但MPGA的全局搜索能力不足并缺少自适应性、易过早收敛、初始聚类中心不佳.为此,本文提出一种DMGA-FCM:衍生多种群遗传进化(DMGA)的FCM自适应聚类算法.在DMGA-FCM中,本文首次提出的衍生算子,对初始化种群进行衍生操作,提升算法寻优能力,处理种群间寻优能力不足;利用模糊控制动态调节遗传概率,以提升算法自适应性,进而增强DMGA算法全局寻优能力,避免过早收敛;用DMGA优化FCM算法的初始聚类中心,以提升算法聚类效果.在仿真实验中,本文将该算法与其他相关FCM算法进行对比,可得到更优的医疗数据聚类效果和图像聚类分割效果.     

模糊逻辑引导的多粒度深度神经网络

准确识别和分类组织病理图像对于疾病的早期检测和治疗至关重要.病理医生诊断时通常会采用多层次的方式进行判断,即观察各个倍率下细胞的异常区域,然而现有模型通常只能在单一粒度上进行特征提取,忽略细胞的多粒度特性.因此,文中提出模糊逻辑引导的多粒度深度神经网络.首先,针对细胞的构造,在粗粒度、中粒度和细粒度这3个粒度层面上进行多粒度特征提取,充分利用病理组织图像中的信息.同时,针对多粒度特征提取时出现的关键信息冗余问题,引入模糊逻辑理论,设置多个模糊隶属函数,分别描述细胞在不同角度上的特征.然后,通过模糊运算得到模糊通用特征,由此设计模糊逻辑引导的交叉注意力机制模块,实现模糊通用特征对多粒度特征的引导.最后,通过编码器将特征扩散至所有的补丁令牌,获得较好的分类准确性和鲁棒性.实验表明,文中网络在组织病理图像分类上具有较高的准确率.