“精准资助”在高校学生资助体系中的作用研究

在党中央"精准扶贫"政策的总体部署下,实现高校贫困生的精准资助非常具有现实意义。基于当前大数据环境下,通过对学生消费行为的分析,实现对其生活状况的精准评价,运用大数据技术,将大数据分析的结果应用于贫困生资助体系,从而实现对高校贫困生的精准资助。     

城市河网的低空遥感影像全卷积神经网络水质等级分类

提出一种基于深度学习的图像像素级标注算法。通过数据预处理、数据集建立、全卷积神经网络设计和训练流程,实现水体的水质等级分类及像素级标注。使用上海市嘉定区某区域和上海市宝山区杨行镇某区域的无人机低空遥感影像对该算法进行了验证,平均水质等级分类精度分别达到了87.96%和77.57%。     

基于K-均值聚类和贝叶斯判别的城市空气质量等级分类及预测

为了研究城市的空气质量情况,对65个重点环保城市2018年的样本数据进行分析,在利用K-均值聚类将样本重点环保城市划分等级的基础上,进一步利用贝叶斯判别法建立了判断城市空气质量等级的判别函数,结果表明将K-均值聚类分析和贝叶斯判别分析用于判别城市空气质量等级的方法准确可靠,能够应用于我国城市空气质量等级预测,最后分析不...     

基于平衡计分卡的高校学生资助绩效评价体系研究

文章通过分析高校学生资助政策和平衡计分卡的原理,发现平衡计分卡的理念、科学性、平衡性适用于高校学生资助绩效评价。结合学生资助工作实际,对应用平衡计分卡的四个维度进行了适当调整与改进,绘制了基于平衡计分卡的高校学生资助工作的战略地图,并构建了以学生、财务、内部流程和学习与成长四个维度的资助绩效评价体系,提出树立以学生为中心的育人理念、打造素质精良的资助工作团队,全面提升资助育人。     

面向不平衡数据集的SMOTENC-XGBOOST驾驶人交通安全评估模型

为深入挖掘驾驶人因素与交通事故之间的关系,提出一种基于SMOTENC和极端梯度提升(extreme gradient boosting, XGBoost)的驾驶人交通状态优劣分类算法。首先针对交通事故发生与否不平衡的特点,使用SMOTENC算法对数据进行上采样并在采样过程中加入随机扰动,解决了数据不平衡问题。然后使用Embedded算法结合L1正则化,通过模型评估完成对特征子集的选择。最后使用机器学习的方法将XGBoost算法用于执行数据的特征提取和分类过程。实验表明,在对驾驶人的交通状态进行综合评价的任务上,XGBoost模型的准确率为99.85%,相较于随机森林、支持向量机等对照组模型,提升了约1.12%-1.80%。除此之外,使用SMOTENC算法对数据不平衡问题进行处理后,通过混淆矩阵观察到模型对于好坏个体均具备较好的识别能力。     

关于优化西藏大学国家助学金资助制度的几点思考

文章以西藏大学现行的国家助学金评选办法、评选程序为研究对象,依据问卷法、访谈法等调研形式所采数据,对学校国家助学金评选过程、程序及资助效果进行分析,并在此基础上提出针对性的改进措施。     

对高校学生人格转变的研究

人格是一个历史范畴,它的演变历程可分为依附型、独立性、自由型三个阶段。大学生处在人生成长阶段他们的人格是处在健康人格和不健康人格、依附人格和独立人格之间的人格状态,把大学生人格从依附型培养成独立性是高等学校的宗旨和目的。     

基于支持向量机的不平衡样本分类研究

分类问题是机器学习领域的重要研究方向之一。支持向量机是一种基于结构风险最小化的学习机器,在解决分类问题上有着出色的效果。但基于支持向量机的分类器在处理不平衡样本时,对少类样本分类准确率偏低。诸多研究在对此问题做分析时往往把主要原因归结为各类样本间数量上的不平衡,而没有充分考虑样本点在特征空间上的分布情况。针对此问题做出原因分析,并给出结论:样本的不平衡性主要是由特征空间下各类样本的分布所决定的,而和数量上的不平衡关系较小。通过实验验证结论的科学有效性。     

基于不平衡样本的CF-SOM-MQE感应电机状态分析

为提高感应电机状态评估的精度,本研究提出了一种基于相关性算法(CF)和自组织映射最小量化误差(SOM-MQE)的模型来解决基波电流信号干扰和缺少故障数据的问题.首先简要介绍自相关算法与互相关算法理论,分析了定子电流中的特征谐波分量,将其作为性能退化指标输入SOM神经网络中,在此基础上计算其最小量化误差(MQE)值的大小,并将MQE作为感应电机状态监测的衡量指标.实例表明,所提模型能够准确地对感应电机健康状态进行估计,具有较强的工程应用价值及通用性.     

悬移质不平衡输沙模型的特征

为探求悬移质不平衡输沙过程中水流运动、泥沙输运及河床变形的相互作用机制,完善一维水沙数学模型的基本理论并使其具有更广泛的应用性,基于双曲系统特征理论及奇异摄动理论系统研究了一维悬移质不平衡输沙模型的特征值、特征向量及特征关系,并通过渐进展开方法推求了一维耦合水沙数学模型的特征值.研究结果表明:现有多数模型在特征上无法耦...     

面向不均衡小样本训练集的改进Boosting算法

传统的Boosting算法训练出的分类器常会出现过拟合和向多数类偏移.为此,提出一种基于自适应样本注入和特征置换的Boosting学习算法,通过在训练过程中加入人工合成样本,逐渐平衡训练集,并通过合成的样本对分类器学习进行扰动,使分类器选择更多有效的特征,提高了分类器的泛化能力.最后,在两类和多类图片分类问题上对该算法的有效性进行了考察,实验结果表明,该算法能够在样本数很少,且正负样本数量极不均衡的情况下,有效提高booting算法的泛化能力.     

长尾加权相依的随机变量和的精确大偏差

研究了风险模型中的服从长尾分布的带加权相依关系的随机变量的和的尾概率,在给出一些假设条件下采用求精确大偏差的方法得到了加权的非随机和Sn和加权的随机和S(t)的两种渐近结果,推广了已存在的独立同分布条件下的相应结论.     

充电桩的“二八定律”及其启示

给出了天津市4个充电桩数据采集平台的统计数据。数据表明充电桩电量分布具有长尾特征和整体与局部自相似的幂律特征。据此得出了尾部少数充电桩极其重要、头部充电桩几乎无人问津的结论,并提出了计量资源分配应抓尾放头、利用头部试错成本低的优势、鼓励多元化小范围技术尝试和模式创新的建议。     

基于支持向量机的不平衡样本集分类算法

提出基于支持向量机的不平衡样本集分类算法,以支持向量机为基础,利用重采样技术及特征子空间等相关理论,通过分层抽样方法和重采样技术,分别对不平衡数据集的样本底层特征和样本数量进行平衡,在不同数据集上进行实验,实验表明该方法能有效提高不平衡数据分类的准确度.     

面向不平衡数据集的线性分类方法研究

近年来,面向不平衡数据集的分类器学习与推广问题越来越受到人们的关注,在此以机器学习数据库、美国邮政编码、2维元音等国际上典型的分类问题为应用背景,重点研究如何用线性分类器解决样本数不平衡的问题;对Fisher、伪逆和单层感知器等3种典型的线性分类器做了深入的研究,并将这3种线性分类方法应用到不平衡数据集的分类中;通过实验及分析,这些新方法对平衡数据集的线性分类起到了良好的分类效果。     

中国高校学生资助体系的模式研究

本文通过对我国高校贫困生现状及其资助体系中的不足,试图探索一条适应新形式下的贫困生资助模式的途径。     

集成学习在样本不平衡垃圾短信识别上的应用

在信息资讯发达的今天,短信已成为日常生活中每天都要接触的东西,但同时垃圾短信也常常困扰着人们,为此,进行垃圾短信过滤成为了一个必要的问题.与普通的分类问题不同,垃圾短信的表现形式为文本数据,且不同的垃圾短信的文本特征各不相同,提高了分类识别的难度.其次,垃圾短信总体来说在所有短信中的占比并不高,因此,常常伴随着类别不平衡,由此样本不平衡带来的信息不充分也提高了识别的难度.针对这些问题,文章首先采取TF-IDF方法进行特征提取,把文本数据转化成向量的形式,然后在经过转换的数据应用欠采样技术获得若干个类别平衡的训练样本,每个样本分别采取朴素贝叶斯、决策树和支持向量机等分类模型进行训练,得到相应基分类器,最后再利用集成学习的思想把基分类器进行模型融合,得到一个分类性能较高的垃圾短信识别模型.     

平衡半样本的方差估计方法在Warner模型中的应用

;基于平衡半样本的方差估计方法是应用在分层抽样而又能提高效率的一种方法,本文将基于平衡半样本的方差估计应用在Warner模型中,得到了Var{π<,st>}的一个无偏估计量.     

面向不平衡数据集的一种精化Borderline-SMOTE方法

合成少数类过采样技术(SMOTE)是一种被广泛使用的用来处理不平衡问题的过采样方法,SMOTE方法通过在少数类样本和它们的近邻间线性插值来实现过采样.Borderline-SMOTE方法在SMOTE方法的基础上进行了改进,只对少数类的边界样本进行过采样,从而改善样本的类别分布.通过进一步对边界样本加以区分,对不同的边界样本生成不同数目的合成样本,提出了面向不平衡数据集的一种精化Borderline-SMOTE方法(RB-SMOTE).仿真实验采用支持向量机作为分类器对几种过采样方法进行比较,实验中采用了10个不平衡数据集,它们的不平衡率从0.064 7到0.536 0.实验结果表明:RB-SMOTE方法能有效地改善不平衡数据集的类分布的不平衡性.