师范类专业学生信息素养现状及对策研究——以石河子大学为例

信息素养是信息时代社会成员的必备素质,也是大学生毕业后生存与发展不可缺少的基本能力。本文在问卷调查的基础上,通过个别访谈,以石河子大学为例,对师范类专业学生的信息素养现状进行了调查研究,提出一些有针对性的建议。     

要地防空指挥控制系统作战效能灰色聚类评估

建立要地防空指挥控制系统作战效能评估指标体系,运用层次分析法确定各层次指标权重,提出了一种基于灰色定聚类和中心点三角白化权函数的要地防空指挥控制系统作战效能灰色聚类评估方法,并通过算例对该方法的有效性进行了检验。结果表明该方法是切实可行的。     

通信网络拓扑可靠性的重要度熵评价方法

针对通信网络拓扑可靠性受到多因素影响的问题,提出了一种基于重要度熵的可靠性评价方法。该方法采用介数作为基础重要度指标,依据节点度、距离、最短路径等拓扑特性传播重要度影响,保证了对节点重要度的客观评价。方法选取网络重要度熵为可靠性指标,并通过边收缩将链路重要度转化为节点重要度进行评价,进而计算网络的重要度熵。最后通过仿真,验证了该评价方法的有效性。     

谈家庭教育与对孩子期望度的有机结合

家庭教育要根据孩子的条件和特长进行,要把握好家庭教育的“度”,不能生造出孩子的众多的“指令性需要”、“指令性兴趣”,对孩子的期望也要把握好“度”。     

普通高校网络工程专业实验室的设计与建设刍议

本文主要针对那些定位于培养工程应用型网络专业人才的普通高校,分析了其对于计算机网络、网络工程与网络技术应用方面的专业实验室的建设需求,并基于此提出了此类实验室的一种设计方案,同时进一步探讨了此类实验室在建设后期与管理方面应当把握的主要问题。本文提出的建设方案和思路,具有一次性投入不高、可扩展性强、易于实施、灵活适应性好、可支持远程开放式实验等优点,因此不失为一种可行的选择。     

混合不确定条件下的飞行器级间分离可靠性分析

为量化飞行器级间分离过程随机不确定性和认知不确定性的综合影响,结合概率和区间理论混合模型特点,提出了一种基于随机和区间理论混合模型的飞行器级间分离可靠性分析方法。面向高超声速飞行器分离任务需求,建立分离动力学仿真模型,针对级间分离结构的几何特点,设计了一种快速碰撞检测方法,进而构建了分离任务的可靠性分析混合模型。通 过将该模型转化为随机可靠性分析的无约束优化问题,考虑分离过程中复杂外力及力矩导致功能函数高度非线性的特点,利用高效全局优化和主动学习Kriging方法实现无约束优化问题高效求解。结合实例表明,该方法能够准确描述混合不确定性因素对飞行器分离过程的影响,给出了飞行器分离任务可靠性区间,可为飞行器分离方案的精细化设计提供决策支持。     

数据与知识双驱动的备件需求模糊预测模型

针对知识驱动型需求预测模型所需的专家知识稀缺、数据驱动型需求预测模型可解释性不足的问题,提出了数据与知识双驱动的备件需求模糊预测模型。该模型基于模糊聚类算法将数值型数据聚类为结构简单、可解释性强的规则库,运用模糊逻辑将领域专家知识表示为Mamdani型规则库。在此基础上,引入了一种新型智能计算理论——模糊网络理论对两类规则库进行合并运算,形成初始预测模型。采用遗传算法优化模型规则库的模糊集参数来提高模型预测准确性。通过与模糊聚类算法进行对比,提出的模型在可解释性以及准确性指标上均具有优势。     

美国高超声速武器发展现状与得失简析

高超声速武器是世界各大军事强国进行科技攻关和装备发展的重要领域.美国是世界上最早开展高超声速武器研究的国家之一,在高超声速武器发展历史上曾长期居于领先地位.然而近年来,美国在高超声速武器领域疲态渐露,多个重点项目出现严重节点滞后,试验事故频发,以至于在高超声速助推滑翔武器和高超声速巡航导弹两大技术方向上均陷入了被其他国...     

众包标签的双重置信度推断算法

标记者的知识水平、评价标准等均具有显著差异,导致收集到的标签质量参差不齐,提高标签和学习模型的质量对众包标签中学习起着关键作用。针对众包标签推断问题,提出了一种双重置信度推断算法,分别从数据分布特征及标签信息两方面计算得到标记者置信度,再通过此置信度推断数据集的集成标签,以此提高集成标签的质量。实验结果表明,与其他仅使用标签信息的推断算法相比,所提算法可以得到更优结果。     

面向混部云失败批处理作业的预测算法

为了降低混部云失败批处理作业的风险,使用K-means聚类算法将批处理作业分为四类,在分类的基础上提出了二层嵌套分类模型(two-layer nested classification model, TLNM),实现了基于TLNM的预测算法。基于Ali Trace 2018数据集上的实验结果表明,该算法的接受者操作特性(receiver operating characteristic, ROC)曲线明显优于其他常用分类器,ROC曲线下面积(即AUC)可以达到0.978,表明该算法具有良好的分类性能。同时召回率可以达到0.951,通过混淆矩阵可以看出TLNM算法能够准确预测出执行失败的批处理作业。