基于IRT模型的BP神经网络降维法参数估计及其应用

该文对应用BP神经网络和降维法相结合在0—1记分模式下估计项目参数和考生能力的方法作了概述，重点是对该方法如何应用于实际进行探讨。     

动态加权区间的CAT选题策略研究

在计算机化自适应测验中,由于测验的性质不同,在衡量测验优劣的多个指标中,有的测验侧重于测量精度,有的侧重于测验的公平性,还有的侧重于测验的效率.指标之间或许有冲突,但希望尽可能多方兼顾.该文构造了动态加权区间的选题策略以适应测验目的多样性:先构造一个包含最大信息量的区间,该区间的题目集相当于一个"影子题库",再设置一个权值调节影子题库的大小.区间的使用可以提高题库利用的均匀性,保证题库安全,而权值根据测验关注点进行调整可实现测验目标.模拟实验显示:新的选题方法效果比较理想.     

计算机化自适应诊断测验新的选题策略

提出了一种既能满足属性平衡又能有效处理相似属性模式的新方法——改进的极大化整体判别认知诊断模型信息量指标法(MGCDI).对无结构型的属性,讨论定长CD-CAT的选题策略.研究结果表明,使用相同选题策略选题时,先选择可达矩阵的所有列对应的项目比不使用这些项目的诊断准确率高.     

基于Hash聚合的网络流量管理研究

通过分析SNMP和Netflow的特点和不足,提出了基于Hash聚合的Netflow与SNMP相结合的网络流量管理方式,采用Hash聚合的方式将Netflow的原始流记录多条流合并为1条,实现原始数据的压缩存储和系统的高效管理,可充分发挥Netflow流量分析与SNMP设备管理的优点.在某证券网络流量管理的运用表明,该方案提高了证券网络管理的质量与效率.     

两个非负定阵的Hadamard积的估计

本文以Moore-Penrose逆为工具,讨论满足一定条件的非负定阵A,B的 Hadamard积A·B的估计式,得到了一系列矩阵不等式,推广了已有的结果.我们还证明了A≥0时rk(A·A~+)≥rkA．     

广义协方差改进估计的优良性

对半相依回归线性系统,我们周期地使用迭加信息的方法,得出了回归系数广义协方差改进估计。这个估计系列的方差是单调不增的。它改进了回归系数的协方差改进估计。特别当m=2时,我们不对误差向量的分布及设计阵之间的关系作出任何假设,而得到广义协方差改进估计的极限便是BLUE的结果;当协方差阵未知时,得到了两步估计的表达式。     

成分数据统计分析中变异矩阵若干性质及应用

本文对成分数据统计分析中出现的变异矩阵 T、对数比协方差阵Σ及中心化对数比协方差阵Γ的秩、特征值等关系进行了讨论.证明了 T 非奇异时只有一个正特征值,还证明了此时 T 不可约.我们发现—T 是一个欧氏距离矩阵,并给出了一个统计应用.     

结合优先级指标和曝光因子的多级评分选题策略

在等级反应模型(GRM)下考察改进的最大优先级指标(MMPI)中引入曝光因子的选题策略与其他选题策略之间的优劣.蒙特卡洛模拟中采用定长CAT,其中能力估计采用贝叶斯期望后验估计(EAP).研究结果表明,MMPI与曝光因子相结合的选题策略,在保证精度的情况下,很大程度上解决了曝光率不均匀问题.     

简单生物生长模型中的对数正态分布

本文用统一的方法给出了简单生物生长模型中增长比向量un×l服从对数正态分布的条件,推广了Mosimann和Campbell[6]的相应结论,修正了[6]中一些错误,并导出了成分数据对数对比不相关的几个条件。我们还考虑了与形状向量独立的相对容量的表示问题,从两个方面推广了Sanosin和Siegel的结果     

区分度与测验进程相匹配的CAT选题策略

选题策略是计算机化自适应测验(CAT)的核心.该文提出了一种新的选题策略,是一种相对严格的“升a”方法,它选择区分度参数的百分等级尽可能接近测验进程的项目,而且还可以通过调整控制参数的取值来满足不同测验场景的需求.Monte Carlo实验结果表明:该方法在测验精度、项目曝光率控制和题库利用率等方面均表现良好.