课程文献中心 更多>>

关键词： 高考志愿填报   资格校验算法   二元逻辑回归   压力测试   Layui   College Entrance Examination Voluntary Filling   Qualification Verification Algorithm   Binary Logistic Regression   Stress Testing   Layui  

摘要： 按教育部统一部署，2024年进行全国艺术类高考改革，各院校对自己的招生专业都提出了相应的术科科目要求。对河北而言，音乐类变化较大。在音乐类考生填报高考志愿时，若不对其填报资格进行校验，可能会造成大量无效志愿，从而减少考生投档机会。针对河北省音乐类招生实际情况，借鉴二元逻辑回归思想，设计了“音乐类高考志愿填报资格校验算法”，并采用Java Spring Boot + Layui技术进行了实现。采用Apache JMeter工具，对系统进行压力测试，以满足志愿填报负载需求。该算法在2024年河北省高考志愿填报系统中进行了应用，经实践检验，该算法成功对音乐类考生填报资格进行了限制，最大程度保障了考生利益，为后期的投档、录取工作奠定基础。

关键词： 苦荞   苦荞来源类外泌体囊泡   肠道菌群   营养健康  

摘要： 目的：探索饮食中添加苦荞来源的类外泌体囊泡（TBDNs）对小鼠主要生理指标的影响。方法：24只C57BL/6小鼠随机分为2两组：正常对照组与添加TBDNs组，分析体重、血液生化指标、小鼠结肠、肝脏细胞组织学与免疫组织化学，肠道菌群变化。结果：相对正常饮食组，10 mg TBDNs 剂量组小鼠体重、甘油三酯、尿酸、丙氨酸氨基转移酶显著下降（P<0.05）；天冬氨酸氨基转移酶 、胆固醇、高密度脂蛋白、低密度脂蛋白以及肌酐等生理指标及肝脏、结肠组织等未见显著改变（P>0.05）；肠道中乳杆菌属Lactobacillus、苏黎世杆菌属turicibacter和Lachnoclostridium均显著提高（P<0.05）。结论：TBDNs摄入对小鼠生理有一定影响，但其作用机制及对健康的意义仍需进一步探讨。研究结果为苦荞的营养评价提供了新的视角与资料。

关键词： 封育   蒿类荒漠草地   碳源代谢活性   微生物碳源多样性   Biolog-ECO法  

摘要： 为探究蒿类荒漠草地土壤微生物碳源利用特征对封育的响应规律，以新疆昌吉回族自治州呼图壁县和玛纳斯县蒿类荒漠草地为对象，采取野外实地调查及室内分析相结合的方法，对封育内外土壤微生物碳源利用特征进行测定，并结合植被特征、土壤理化性质对其驱动因素进行分析。结果表明：1）封育后蒿类荒漠草地地上生物量及凋落物生物量分别显著增加142.53%～250.05%和135.68%～259.84%(P<0.05),0～10 cm、30～50 cm土层土壤有机碳、全氮和全磷含量分别增加4.88%～35.33%、10.48%～46.58%和4.48%～21.88%，其中全氮和全磷含量部分变化显著（P<0.05）;2）封育后蒿类荒漠草地土壤微生物群落对6类碳源利用程度均明显增加，且两个土层表现一致（P>0.05）;3）封育后微生物群落功能多样性除呼图壁样地0～10 cm土层外，其余土层McIntosh指数和Shannon-Wiener指数分别增加14.72%～47.01%和36.29%～74.76%，而Simpson指数降低1.09%～7.53%(P>0.05)。封育提高了蒿类荒漠草地微生物多样性；4）通过冗余分析，发现封育下蒿类荒漠草地0～10 cm土层微生物碳源主要驱动因子为土壤有机碳和凋落物，而30～50 cm土层则为土壤全磷和地上生物量。综上所述，封育加强了蒿类荒漠草地土壤微生物的代谢活性，推动了蒿类荒漠草地生态系统的养分循环和转化（有机碳、全氮和全磷），提高了蒿类荒漠草地微生物多样性，促进了蒿类荒漠退化草地的恢复。

关键词： kd-tree   粒子近邻搜索   缓存优化   粒子索引值排序  

摘要： 在使用kd-tree进行大规模随机粒子近邻搜索时，可能出现计算域内索引值相近的粒子在空间上距离较远而导致kd-tree的搜索路径在短时间内产生较大差异，使得节点数据的访问效率降低，最终影响kd-tree近邻搜索的效率。为解决该问题，本文引入了主成分分析中最大离散度降维的思想，采用平均绝对差作为离散度衡量指标，提出了基于平均绝对差粒子索引值排序的缓存优化策略,即MAD-index-sort，通过计算粒子集群平均绝对差最大的维度来实现数据降维，进而完成粒子的索引值重排序，并应用具有自动终止准则的ATC-kd-tree进行近邻搜索。为验证MAD-index-sort缓存优化策略的可行性，本文设计了不同维度和离散度对照组进行近邻搜索效率对比实验。结果表明，MAD-index-sort能根据粒子集群的离散度自动改变排序方向，具有更强的适应性，相较于未排序的情况性能最高可提升30.3%。

关键词： 因果推理   类增量学习   长尾学习   灾难性遗忘   深度学习  

摘要： 针对传统的类增量学习方法只考虑到新任务数据的平衡分布，而忽略了现实世界中数据呈现长尾分布这一问题，提出一种因果推理方法。该方法旨在增强长尾类增量学习的性能，使模型在长尾数据分布背景下既能够逐步学习新任务的知识，又能够缓解对旧任务知识的灾难性遗忘。不同于现存的缺少基本理论的启发式方法，该方法通过追求由输入样本引起的直接因果效应，在训练中使用因果干预，在推理中使用反事实推理，以有效改善现存类增量学习模型在长尾分布数据集上的表现。与当前常用但复杂的两阶段训练方式相比，该方法更加简单有效，既不需要进行额外的微调阶段，也不需要增加额外的网络层，并且能够轻松地整合到绝大多数类增量学习方法中，从而更好地处理长尾类增量学习场景。在CIFAR-100和ImageNet-Subset数据集上进行的广泛实验验证了该方法的有效性，显示了它在各种长尾类增量学习设置中相较于之前最佳方法的优越性。

关键词： 正类-无标签学习   标注确定性增强   后验概率   贝叶斯分类器   两步法  

摘要： 正类-无标签学习(Positive and Unlabeled Learning, PUL)是在负例样本未知的情况下，利用已知的少量正类样本和大量无标签样本训练出性能可被实际应用接受的分类器。现有的PUL算法存在共性的缺陷，即对无标签样本标注的不确定性较大，这将导致分类器学习到的分类边界不准确，从而限制了所训练分类器在新数据上的泛化能力。为解决这一问题，本研究提出了一种以无标签样本标注确定性增强为导向的正类-无标签学习(Labeling Certainty Enhancement-Oriented PUL, LCE-PUL)算法。首先，LCE-PUL算法通过验证集后验概率均值和正类样本集中心点的相似程度筛选出可靠的正类样本，通过多轮迭代逐步精细化标注过程，提升对无标签样本初步类别判断的准确性，以提高标注的确定性。这些可靠的正类样本与原始正类样本集合并，形成新的正类样本集，之后从无标签样本集中将其剔除。接着，遍历新的无标签样本集，利用每个样本与若干近邻点的相似程度再次筛选可靠正类样本，以更准确地推断无标签样本的潜在标签，减少误标注的可能性，提升标注的确定性。最终，更新正类样本集，未被选中的无标签样本被视为负类样本集。在代表性的数据集上对LCE-PUL算法的可行性、合理性和有效性进行了验证，实验结果表明，随着迭代次数的增加，LCE-PUL算法的训练呈现收敛的特性，且当正类样本比例为0.4、0.35和0.3的情况下，LCE-PUL算法构建的分类器测试精度相较于基于特定成本函数的偏置SVM算法(Biased-SVM)、基于Dijkstra的PUL标签传播算法(Label Propagation for Positive and Unlabeled Learning, LP-PUL)和基于标签传播的正类-无标记学习算法(Positive and Unlabeled Learning by Label Propagation, PU-LP)等5种代表性对比算法中提升幅度最大的情况，分别提升了5.8、8.8和7.6个百分点，从而证实了LCE-PUL是一种有效的处理正类-无标签学习问题的机器学习算法。