公共文化服务平台

共 7 条记录，以下是 1-7

全选清除导出

排序方式：

基于广义相关性的关联规则抽取被引量：1: 2009年; 在关联规则的数据挖掘中,良好的规则评价方法有利于去除价值不大的关联规则。分析基于概率运算的可信度和作用度这2种传统方法的局限性,指出其缺乏有力的逻辑基础。根据广义相关性理论,运用泛逻辑运算,提出新的关联规则抽取方法。分析和实验表明,该方法能有效提高关联规则的抽取质量。; 李新; 关键词：数据挖掘关联规则泛逻辑

“程序设计方法学”双层次并行教学模式探讨被引量：1: 2012年; "程序设计方法学"的课程内容分为结构化程序设计和面向对象程序设计两大部分,两者处于不同的知识层面,前者具有严谨的数学模型和数学演绎形式,后者更多的建立在经验化的基础之上;根据课程内容的特点以及研究生阶段的学习状况,设计了一种双层次并行的教学模式,并且,在两个层次的教学过程中运用了整合思维的手段;对于扩充课程的知识容量,推动学生的自主学习具有积极的意义.; 李新; 关键词：程序设计方法学整合思维

一种工作流形式化建模方法: 2020年; 工作流模式表达了工作流的基本结构特征,对工作流模式的支持是衡量工作流产品在过程表达能力和适用性方面的重要标准.目前的工作流产品对不少复杂的工作流模式尚不能很好的支持,尤其是缺乏对工作流模式进行形式化描述的方法.本文提出了一种新的选择逻辑,和传统的数理逻辑相比,针对工作流建模进行了优化,具有更加简单、易于理解的形式;使用选择逻辑建模时,将工作流模式拆分为汇合逻辑和分支逻辑,不仅能形式化地描述工作流模式,并且能够进一步表达工作流模型中与业务元素有关的要素,从而可以很好地支持业务过程建模.; 刘宇李新; 关键词：工作流模式业务过程建模逻辑规则

一种支持简便重构的过程元模型: 2015年; 工作流提倡过程逻辑与业务逻辑分离的理念,然而,业务过程中普遍存在的过程-业务动态关联的特性使这一理念在实际中难以得到贯彻,过程控制与业务处理常常以程序代码的形式耦合在一起,导致业务过程建模复杂,过程重构工作量大且不易实施。分析了WFMC元模型在过程逻辑表示方法上的局限性和难以支持业务过程简便重构的原因,提出了一种新的过程元模型—ESR元模型,在模型中加入了事件、状态和规则等模型元素,能够以规范的形式通过过程定义的方法表示过程-业务的动态关联;基于ESR元模型的工作流模型框架清晰划分了过程逻辑与业务逻辑的界限,对"刚性过程"和"柔性过程"使用统一的过程定义方法进行建模,更好地支持了过程逻辑与业务逻辑的分离;当过程逻辑发生变化时,根据不同的变化内容,可以在不同的模型层次上对过程定义进行修改以应对系统变更的需求,从而实现过程的简便重构。; 李新许元坤; 关键词：工作流过程元模型

淀粉-聚丙烯泡沫塑料的研究被引量：1: 2008年; 聚苯乙烯泡沫塑料降解困难,引起了环境污染,不得不限制其使用。聚乙烯泡沫塑料在自然环境中曝晒,在光、热、氧作用下能降解,但是其降解速度比聚丙烯泡沫塑料的低得多。而聚乙烯和聚丙烯泡沫塑料均难于生物降解。淀粉-聚丙烯泡沫塑料易于进行光、热、氧作用下的降解并且易于进行生物降解,这对于环境保护有着重要的意义。本文介绍了淀粉-聚丙烯泡沫塑料的配方和工艺情况。淀粉-聚苯烯复合物在加入助剂的条件下,采用挤出发泡的方法,可制得易于降解的泡沫塑料。; 郑君里李新李郁忠; 关键词：降解生物降解

相交数据集合的R/W事务可串行化判别方法: 2009年; R/W事务是应用中广泛存在的一类人工交互性长事务,采用传统的两段锁协议对R/W事务进行并发控制,会严重影响到系统的执行效率.为此,曾经提出一种基于数据集合分析的新的并发控制方法,有效地解决了系统效率的问题.然而,以前的方法在相交数据集合的情况下,使用较为复杂,并且对于两种类型的R/W事务—原子关系和相交数据集合关系,事务提交采用了不同的判别准则;增加了系统实现的复杂度.本文在原有方法的基础上,通过对R/W事务特性的进一步分析和对数据集合关系的演绎推理,提出了新的事务提交判别准则,统一了两种类型R/W事务的并发控制策略.新的方法具有更高的效率,且简单易行,提高了系统的可实现性.; 李新; 关键词：可串行化

基于极限学习机的短期交通流预测混合优化模型被引量：2: 2023年; 交通流的动态性、不确定性和非线性等特性导致交通流难以精确预测,本文在极限学习机(Extreme Learning Machine,ELM)的基础上,通过嵌入原子搜索算法(Atom Search Optimization,ASO),构建ASO-ELM短期交通流预测混合优化模型,对比现有短期交通流预测模型,分析混合优化模型在短期交通流预测领域的表现。实验选取荷兰阿姆斯特丹市A10环形公路为路网原型,使用ASO-ELM混合模型与常见交通流预测模型进行对比实验。实验结果表明:ASO-ELM混合模型在4个数据集下的平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)相较于ELM模型分别下降了4.3%、3.5%、6.9%和5.4%,均方根误差(Root Mean Squared Error,RMSE)分别下降了4.8%、4.0%、2.0%和5.2%;其次,与人工神经网络(Artificial Neural Network,ANN)相比,MAPE分别下降了9.6%、8.6%、9.8%和5.0%,RMSE也分别下降了4.5%、5.9%、2.6%和1.7%。研究成果揭示了混合优化模型在短期交通流预测领域的潜力。; 蔡浩李林峰李涵李新周腾; 关键词：智能交通短期交通流预测极限学习机

全选清除导出

共1页<1>

李新