公共文化服务平台

刘江平: 作品数：31 被引量：127H指数：5; 供职机构：内蒙古农业大学计算机与信息工程学院更多>>; 发文基金：国家自然科学基金内蒙古自治区教育厅基金内蒙古自治区自然科学基金更多>>; 相关领域：自动化与计算机技术农业科学电子电信理学更多>>

合作作者

基于MSRA初始化卷积神经网络的草地牧草分类研究被引量：3: 2021年; 草地牧草的分类与识别是草原研究与监测的重要环节,利用高光谱成像技术和卷积神经网络进行牧草种类的识别判断,为实现草地牧草自动分类与数字化治理提供了新的途径。本文提出了基于MSRA初始化卷积神经网络的草地牧草高光谱图像自动识别与分类的方法。主要过程包括图像预处理、裁剪、特征提取和识别分类四个环节,首先预处理采用改进的自适应波段选择法进行波段提取,然后将提取后的数据压缩成新图像进行裁剪,最后进入MSRA初始化卷积神经网络提取特征并进行识别分类。本文针对卷积神经网络的鲁棒性、稳定性和识别率等问题创新性的提出了MSRA初始化方法,通过初始化设置参数和权值,使网络的性能得到提升,提高识别准确率。本文对实地采集的蒙古冰草、老麦芒、紫羊毛草、燕麦、黄花杂交苜蓿、光穗冰草6种牧草进行识别分类,为保证实验的可靠性与准确性,对训练集和测试集进行多次划分及多次交叉验证实验。实验结果表明,本文提出的MSRA初始化卷积神经网络相比于SVM、KNN、2D-CNN等方法,对草地牧草高光谱图像的识别准确率较高,达到96.50%。实验结果证明本方法具有良好的分类性能和可行性,为草地牧草的识别分类提供了新思路。; 刘一磊刘江平赵烜赫马玉宝闫伟红潘新; 关键词：高光谱图像卷积神经网络

案例导向、项目驱动教学法在程序设计类课程中的应用: 2018年; 随着大数据,云计算,互联网+的到来,信息技术的发展速度越来越快,使得社会上对高等应用型 IT 领域的人才的需求量不断提升,同时,我国在信息化建设过程中出现大量创新性项目及理论方法,而当下许多 IT 领域中的技术人员水平素质已不能满足行业发展需要,因此,作为信息化人才输送地的各类高等教育院校在实际的教育过程当中,承担的责任也愈发重大。这就要求国内高等教育院校在教学活动当中能够不断的对教育模式进行改革,从而可以培养出大量能够适应市场需求的信息化人才。; 刘江平左东石; 关键词：项目驱动教学法课程

牛奶蛋白质含量的SSA-SVM高光谱预测模型被引量：15: 2022年; 牛奶中包含着很多人体需要的营养元素,如脂肪、蛋白质、钙等;对牛奶营养元素进行分析是牛奶安全检测关键的一部分。高光谱技术可以有效地结合图像和光谱数据识别牛奶种营养元素。为了实现对牛奶中蛋白质含量快速、精确的预测,采用竞争性自适应重加权(CARS)算法选取特征波长,并提出一种基于麻雀搜索算法(SSA)优化支持向量机(SVM)实现对牛奶蛋白质含量预测。利用高光谱仪获取牛奶反射光谱(400~1000nm)。通过选取归一化(N)、标准化(Standardization)和多元散射校正(MSC)对原始的牛奶数据进行光谱降噪处理提高光谱利用率;利用竞争性自适应重加权算法和连续投影算法(SPA)对经过处理的牛奶光谱数据提取特征波长,求取蛋白质和光谱间的相关系数并进行重要性排序,获取重要的特征波段;最后,通过遗传算法(GA)优化SVM,粒子群算法(PSO)优化SVM和偏最小二乘法(PLS)算法对牛奶蛋白质进行预测并比较预测结果,为了提高蛋白质预测的精度和模型稳定性,提出利用SSA对SVM的核函数g和惩罚参数c进行优化,以均方根误差(RMSE)作为适应度函数,通过迭代选择最优的回归参数训练模型。牛奶数据预测结果表明最优组合模型为:MSC-CARS-SSA-SVM。模型测试集的决定系数R^(2)为0.9996,均方根误差RMSE为0.0011,耗时4.1121s。结果表明:使用CARS算法能实现特征波段的提取和冗余信息的剔除,从而提高模型效率,简化了算法的复杂度;SSA算法优化SVM的参数,通过迭代更新麻雀最优位置,可以快速得到全局最优解,与SVM,GA-SVM,PSO-SVM和PLS相比,牛奶蛋白质的预测准确度和模型稳定性都得到了明显提高,满足了对乳品检测的精确度要求,是快速检测牛奶蛋白质的一个可行新方法。为光谱模型的优化及预测模型精度的提高提供参考。; 刘美辰薛河儒刘江平代荣荣胡鹏伟黄清姜新华; 关键词：牛奶蛋白质

协同过滤下混合大数据无损挖掘算法研究被引量：3: 2024年; 大数据具有大规模性、多样性以及价值性,由于海量数据间的较高相似度,导致数据挖掘过程易受冗余干扰,出现数据丢失、损坏等问题。为解决上述问题,提出基于协同过滤算法的混合大数据无损挖掘方法。对混合大数据集成预处理,去除冗余,将不同来源的相同数据无损融合。采用协同过滤算法的时间衰减函数,计算挖掘项目间相似性。在混合大数据特征关联度的约束下,实现混合大数据无损挖掘。实验结果表明,所提方法应用下,混合大数据量高达25000MB时,数据挖掘所需时间仅为45ms左右,且挖掘精度高达95%以上,数据挖掘结果与目标具有一致性。; 卢思安刘江平; 关键词：协同过滤算法数据清理数据集成

腾讯游戏外包需求管理系统的设计: 2014年; 腾讯游戏外包需求管理系统是基于腾讯业务的规模的不断增加,同腾讯合作的供应商急剧增加,在此情况下开发的一个管理供应商的系统。本系统是基于.net开发的一个项目,系统采用了B/S结构,三层运行模式,同时适用于Intranet/Internet。浏览器为第一层,作为系统的应用界面;应用逻辑业务为第二层;数据链接为第三层,作为系统的数据库存取服务。此架构无需安装客户端软件,便于软件的分发和维护升级,适应了众多应用客户端分散环境下的运行和维护需求。; 刘江平王涛高静倪小钢; 关键词：NET B/S结构

基于Iphone平台的豆瓣网客户端系统的研究: 2014年; 豆瓣是以技术产品为核心、以生活文化为内容的创新型网络服务。豆瓣以图书与影音起家,一直努力去帮助都市人发现生活中有用的事物,并通过桌面和移动产品服务都市生活的各个方面。近些年来随着苹果手机越来越智能化,以及手机携带方便,易使用这些特点。我们不必总带着电脑出去了。本系统就是基于苹果IOS和豆瓣API设计的豆瓣网客户端。只要随身带着安装豆瓣网客户端的手机就能上豆瓣读评论看书籍。这样很大程度的方便了豆瓣用户、方便了热爱读书的朋友们。; 刘江平汪斌马莉莉倪小钢; 关键词：豆瓣网 IOS API

BP神经网络结合变量选择方法在牛奶蛋白质含量检测中的应用被引量：9: 2022年; 牛奶中的蛋白质含量会影响牛奶的品质,利用高光谱图像的光谱特征信息研究对牛奶蛋白质含量预测的可行性。本文提出一种基于竞争性自适应重加权算法(competitive adaptive reweighted sampling, CARS)和连续投影算法(successive projections algorithm, SPA)结合多层前馈神经网络(back propagation, BP)的预测建模方法,实验以含有不同浓度蛋白质的牛奶为对象,利用可见光/近红外高光谱成像系统共采集到5种牛奶共计250组高光谱数据,通过实验对比选择采用标准化方法对获取到的吸收光谱预处理,然后采用CARS结合SPA筛选特征波长,得到18个特征波长,建立CARS-SPA-BP模型,经过试验,CARS-SPA-BP模型的训练集决定系数和测试集决定系数R;和R;分别达到0.971和0.968,训练集均方根误差(root mean square error of calibration,RMSEC)和测试集均方根误差(root mean square error of prediction,RMSEP)达到了0.033和0.034。研究发现,采用CARS结合SPA筛选的牛奶特征波长建立的多层前馈神经网络模型,其模型预测结果与全波长建模相比并没有明显降低,因此将CARS结合SPA用于波长筛选并且结合BP神经网络基本可以完成对牛奶蛋白质含量的预测。为验证CARS-SPA-BP模型的预测能力,在相同数据环境下,使用较为传统的偏最小二乘回归(partial least squares regression, PLSR)进行建模,实验结果表明,CARS-SPA-BP相较于PLSR,R;和RMSEP均有明显提升。研究表明,CARS-SPA-BP可充分利用牛奶光谱特征信息实现较高精度的牛奶蛋白质含量检测。; 胡鹏伟刘江平薛河儒薛河儒刘一磊黄清; 关键词：牛奶蛋白质

基于数据挖掘的光纤通信网络异常数据检测研究被引量：63: 2020年; 为了提高光纤通信网络中异常数据的识别能力,提出了基于熵目标函数最优化的异常数据检测算法。首先,对数据样本进行属性分类,依据异常数据特征密度指标完成邻域区间半径的选取;其次,通过对高阶统计量的大数据聚类度循环迭代,完成特征提取参数的优化;最后,由样本属性概率计算熵目标函数的最优值,并利用最优值完成异常数据检测。实验对1 000组通信数据进行测试,结果显示,该算法的检测精度均值约为95.7%,其数据融合率、检测耗时与平均误检率均优于2种传统方法。该算法具有精度高、收敛快、误检率低的优势,具有一定的应用价值。; 马莉莉刘江平; 关键词：光纤通信网络特征提取

基于蚁群-遗传算法的光谱选择方法与应用被引量：5: 2022年; 脂肪作为牛奶中的重要营养成分,是评价牛奶质量的一项重要指标。高光谱图像技术能够提供几十到数千波长的数据,能够反映牛奶中不同组成成分细微的光谱差异;另一方面,相邻波段之间往往具有很强的相关性,不仅增加了计算量,而且容易造成维数灾难等问题,因此对高光谱数据进行波段选择非常重要。工作中提出了PLS-ACO特征波段选择方法,并与遗传算法结合,组合成了PLS-ACO-GA的特征波段选择新方法。提出的两种方法以蚁群算法为基础,PLS回归模型回归系数的绝对值作为评价波长重要性的主要依据,以此作为蚁群算法的启发式信息,利用蚁群算法进行智能搜索,结合遗传算法,产生更多优秀的特征波段组合,避免PLS-ACO算法得到的只是局部最优解,得到的最优波段组合能够更好的反映牛奶中脂肪成分的信息;通过计算波长贡献率,筛选出最优波段组合,并与遗传算法,CARS算法和基本蚁群算法光谱特征选择方法比较,最后比较不同特征选择方法下的PLS回归模型预测效果。PLS-ACO,PLS-ACO-GA,CARS,GA和ACO分别筛选了牛奶样品光谱中的18,16,40,43和42个特征波段。其中PLS-ACO-GA筛选波段后的PLS预测模型效果最好,预测集R_(p)^(2)和RMSEP分别为0.9976和0.0622,PLS-ACO次之,预测集R_(p)^(2)和RMSEP分别为0.9970和0.0778。PLS-ACO和PLS-ACO-GA不仅减少了特征波段数量,而且提高了模型的精度。对PLS-ACO-GA进行特征波段选择后的数据,建立MLR,RFR和PLS回归预测模型。MLR预测模型的R_(p)^(2)和RMSEP分别为0.9976和0.0623。RFR回归模型R_(p)^(2)和RMSEP分别为0.9999和0.0030,PLS回归模型的R_(p)^(2)和RMSEP分别为0.9976和0.0622。RFR模型在三种回归预测模型中表现最好。研究结果表明PLS-ACO和PLS-ACO-GA这两种方法可以实现光谱数据特征波段选择,高光谱技术可以实现牛奶中脂肪含量的检测,为牛奶脂肪含量检测提供了一种新的、快速无损�; 黄清薛河儒刘江平刘美辰胡鹏伟孙德刚; 关键词：牛奶脂肪遗传算法蚁群算法偏最小二乘

翻转课堂教学模式在软件工程教学中的应用: 2017年; 翻转课堂译自“Flipped Classroom”或“Inverted Classroom”,是指重新调整课堂内外的时间,将学习的决定权从教师转移给学生。在这种教学模式下,课堂内的宝贵时间,学生能够更专注于主动的基于项目的学习,共同研究解决具有挑战性的问题,从而获得更深层次的理解。教师不再占用课堂的时间来讲授信息,这些信息需要学生在课后完成自主学习,他们可以看视频讲座、听播客、阅读功能增强的电子书,还能在网络上与别的同学讨论,能在任何时候去查阅需要的材料。教师也能有更多的时间与每个人交流。在课后,学生自主规划学习内容、学习节奏、风格和呈现知识的方式,教师则采用讲授法和协作法来满足学生的需要和促成他们的个性化学习,其目标是为了让学生通过实践获得更真实的学习。翻转课堂模式是大教育运动的一部分,它与混合式学习、探究性学习、其他教学方法和工具在含义上有所重叠,都是为了让学习更加灵活、主动,让学生的参与度更强。互联网时代,学生通过互联网学习丰富的在线课程,不必一定要到学校接受教师讲授。互联网尤其是移动互联网催生“翻转课堂式”教学模式。; 刘江平张丽; 关键词：软件工程教学

刘江平

合作作者

文献类型

领域

主题

机构

作者

传媒

年份

用户反馈

刘江平

合作作者

文献类型

领域

主题

机构

作者

传媒

年份

用户登录

用户反馈