基于特征的异构CAD系统数据交换技术研究
这是一篇关于CAD,特征,标识,约束,数据交换的论文, 主要内容为随着企业信息化进程的加快,企业之间的竞争日益激烈,协同产品设计信息的交流作为影响产品研发速度的重要因素直接关系企业效益,异构CAD模型数据交换技术是解决此问题的重要方法。为此,本文提出了一种基于特征的异构CAD模型数据交换集成策略,并对影响该策略的主要技术作了研究,具体内容如下： (1)通过分析特征造型技术和特征类型,给出了特征层次CAD模型信息构成方法以及基于基本特征类和扩展特征类的特征描述方法,并针对CAD模型特征信息的构成特点以及XML语言优势,确定并采用了XML文件作为CAD模型信息的描述和共享文件。 (2)提出了一种基于改进几何证书的几何元素标识方法以解决几何元素的命名与辨识问题,给出了明确的辨识流程并详细描述了二维空间中草图元素、三维空间中边和面的标识方法。 (3)针对模型信息转换中约束丢失的问题,提出了特征层次的草图约束、定位约束以及拓扑约束转换方法,解决了目标模型设计意图丢失、无法与源模型保持一致的问题。 (4)给出了异构CAD系统数据交换平台的整体框架。通过分析数据交换工具运行原理确定了数据交换系统的运行机制,并利用VC++6.0、JSP等编程工具,在UG NX5.0软件上完成了对整个系统的开发,最后通过实例转换以及与其他三种转换方法的对比验证了本方法的可行性。 实验表明,该方法有效解决了协同产品快速设计中的CAD模型转换与共享问题。与其他方法相比,目标模型不仅保留了源模型的设计意图,保持了与源模型的一致性,而且目标模型达到了可被编辑、修改的目的。
中小学优质网络课程资源的特征研究——基于学生角度的考察
这是一篇关于优质,网络课程资源,特征的论文, 主要内容为随着教育信息化的推进,线上自主学习成为一种新型学习方式,与之相适应的数字教育资源建设逐步受到人们的关注。网络课程资源有着不同于其它数字教育资源的独特价值,是提高教育质量的关键因素。目前,国内外对网络课程资源质量的研究主要关注资源认定或资源质量评价标准的研制,少有研究从学习者视角出发对网络课程资源的优质属性进行系统分析。针对此,本研究基于学习者视角,关注网络课程资源的使用过程和结果,在技术采用相关理论和评价理论的支持下对优质网络课程资源的特征进行了系统分析,以期为提升网络课程资源品质提供参考。研究内容主要包括四个部分:第一,中小学优质网络课程资源的价值。具体体现为:促进教育公平,提高教育质量;服务个体需要,改善学习效果;促进终身学习,推动持续发展。第二,中小学优质网络课程资源的筛选。立足学习者使用的视角,综合梳理已有文献,提炼优质网络课程的甄选标准,即资源使用频率高、学习者态度积极以及学习效果好,并将上述指标应用于本研究选取的资源服务平台,筛选出学生视角下的优质网络课程资源。第三,中小学优质网络课程资源的特征。基于所筛选出的优质网络课程资源,立体分析这些网络课程资源的共性特点,揭示出优质网络课程资源具备的课程资源要素、学习活动组织要素、技术支持要素特点。具体体现为:在网络课程资源要素下,资源简介具有导学性、资源目标表现出取向多维,内容多向以及表述适切等特征、资源内容突出时代特点并联系生活实际;在学习活动组织要素下,优质网络课程资源重视激发学习者的自主性以及交互性;在技术支持要素下,网络课程资源的优质属性特点表现在集成多形态资源和界面设计友好的技术环境特点以及实现目标-内容-载体的最佳配置、通达化的资源导航系统、提供有效学习反馈的学习支持性特点。第四,提升网络课程资源品质的建议。结合文献阅读以及研究结果,本研究从以下三个方面提出提升网络课程资源品质提出优化建议:(1)加强多元主体协作,形成线上线下教育相融合机制。(2)优化网络课程资源设计,突出学习者的主体地位。(3)完善网络课程资源管理机制,构建网络课程资源评价体系。
男衬衫特征研究及其数据库的构建
这是一篇关于男衬衫,数据库,特征,构建的论文, 主要内容为衬衫作为男士衣橱中必不可少的一类单品,体现着男士的着装风格与品位。然而,近些年,随着衬衫的休闲化、个性化和多样化,衬衫在款式的设计、色彩的应用以及面料的选择等方面也进行了一次又一次的突破,这也使得当前的服装界更加难以明晰地将衬衫进行款型品种的分类,甚至很多服装设计师也并不清楚衬衫的各款型特征以及穿用功能之间的区别,而消费者在衬衫的选择和穿用上也更加的模糊和迷茫。另一方面,在当前数据信息已成为各企业、乃至各国资源竞争焦点的背景下,如何能够对已有的数据信息进行高效的挖掘、分析和总结,并充分地利用这些数据信息资源提高工作效率,提高自身竞争力,已成为各国以及各企业必须关注的重点。本文通过对衬衫特征进行分析研究,并构建男衬衫数据库系统,一方面为衬衫的设计和生产提供指导,并引导消费者正确地选购和穿着衬衫;另一方面提高衬衫设计与生产的效率,实现衬衫设计与生产的初步数字化和信息化。全文的主要工作如下:首先,在对衬衫的款式、色彩、面料等属性特征进行分析研究的基础上,将衬衫按其领子、袖子、衣身、门襟、口袋、颜色、图纹等属性进行了分类概述,并通过问卷调查,分析了消费者对男衬衫外观属性的喜好性,以及其选购衬衫时的检索习惯。其次,从衬衫设计师及生产企业的需求角度出发,在对衬衫特征进行分析研究的基础上,结合对当前已有的大型相关数据库的存储信息和检索方式的调研分析,利用Tomcat服务器和IDEA开发工具,以MySQL为后台数据库,采用JSP和SSM框架技术,运用JAVA语言构建了包含衬衫外观数据库和衬衫面料数据库的男衬衫数据库系统。最后,对构建的衬衫数据库系统进行了操作展示,并分别从系统后台数据库、功能性和技术性三个方面概括分析了本数据库系统所具有的特点,同时还从系统的间接应用价值出发,结合本衬衫数据库系统的使用进行了男衬衫的设计实践。
基于逻辑回归的推荐技术研究及应用
这是一篇关于个性化推荐系统,逻辑回归模型,特征,场景预测的论文, 主要内容为作为现代电子商务平台的一个重要组成部分，推荐技术的表现决定了其电商平台的表现。科技的进步带来互联网领域的突飞猛进发展，它也将纷繁的各种信息展现给我们。面对如此多的信息，我们会思考：怎么找到自己感兴趣或者自己有用的信息呢。一切的实际情况表明：想要发现对自己有价值的片段，无疑变得非常困难，即使只是全浏览一遍这些信息也是不现实的。个性化推荐系统的发展始于二十世纪九十年代的一次美国人工智能会议，当时参加会议的卡耐基.梅隆大学的RobertArmstrong等人提出了一种个性化导航系统：WebWatcher。随后，来自斯坦福大学的MarkoBalabanovic等人也于该会议提出了个性化推荐系统－LIRA的思想。从此拉开了个性化推荐系统的发展序幕。从最开始的基于内容的推荐系统，到后来的基于协同过滤的推荐系统的发展，经历了短短的20多年，到如今随着我国互相网络基础建设的完善，网络带宽的扩大，使得推荐系统的发展更加迅速。推荐系统的发展所经历的时间不算长，但是其带来的影响却是巨大的。在这个过程中先后出现了多种推荐算法，最主要的代表有：协同过滤算法、基于内容的推荐算法和基于网络结构的推荐算法等。它们的出现，以及发展延伸，为未来推荐系统的发展起到了铺垫作用。 本文为了研究特征属性在推荐系统中起到的影响作用，我们想到了逻辑回归模型。逻辑回归也就是逻辑回归的分析，一般情况是在流行性疾病学中应用比较多。本文的研究内容为： 首先，我们的研究重心是在推荐算法模块，利用后台的推荐算法，实时地从产品集合中筛选出用户感兴趣的产品进行推荐。通过逻辑回归模型建立场景模型，分析数据集，从分析结果中选择最优的特征。逻辑回归函数可以进行参数的自我优选，即是输入一系列参数，最后训练得到的参数为对该数据集影响较大的特征。 其次，研究逻辑回归场景模型的预测效果。通过两个步骤来对场景预测效果分析，第一步研究离线情况下的参数选取效果，也就是建立回归模型引擎训练参数；第二步，优化后的参数应用到在线测试站测试效果，即应用到推荐系统，并分析其结果。 最后，研究不同数据集在采用了逻辑回归场景引擎技术的推荐系统中的效果。用户购买的行为分为自我行为和商品的行为。我们研究两者的各自特征体现的用户兴趣所在，基于以前方法的推荐并不能指出不同电子商务环境的不同特征的影响。挖掘用户和商品特征，同时研究不同特征对不同数据集的影响可以解释推荐物品的原因，更能体现用户的个人偏好。 通过把本文的方法和标准的协同过滤推荐技术相比较，我们发现：前者在推荐的准确率和召回率有一定的提高，且F1指标也提高了，同时在时间上优于标准的协同过的推荐系统。最后，介绍了以本文理论为主要支撑的实际应用的设计和实现，以及运行效果展示，通过电影推荐来观察实际的效果，在多次使用中，该应用表现较好，达到了本文预期的效果。但是功能上略显单一，需要进一步的丰富。
基于深度学习的属性抽取技术研究
这是一篇关于属性抽取,远程监督,长短期记忆网络,多实例多标签,词向量,特征的论文, 主要内容为如何将大量的非结构化信息转换为人们易于理解的结构化信息,提取语义信息,已成为近年来研究的热点。实体的属性抽取方法,是将非结构化数据转换为结构化数据的一种重要手段,是自然语言处理任务的一个重要子任务。虽然,已经有不少的方法提出用来完成属性抽取任务,但是这些方法中仍然存在一些问题需要解决。本文针对这些方法中存在的问题进行深入研究,提出了一种基于长短期记忆网络的多实例多标签的算法,主要按照以下顺序展开工作:首先展示了属性抽取较为流行的几种方法,主要有基于规则的方法、有监督的和无监督的机器学习方法。这些方法存在对人工和其他自然语言处理工具依赖性过大,无法应用到目标关系,性能还有待提升等问题。针对上述问题,本文提出的方法使用远程监督的方式生成模型训练和测试所需要的样本,减少对人工的依赖。使用多实例多标签模型解决远程监督生成样本中的多实例多标签现象。多实例多标签模型利用带有隐变量的图模型建模一个实体对有多个实例,以及不同实例可能对应不同标签因而存在多个标签的问题。同时,使用深度学习的方法自动学习大量样本数据的内部规律。利用词向量作为模型需要的特征,能够表达词与词之间的相似性,减少对其它自然语言处理工具的依赖,防止错误的传播和累加。使用长短期记忆网络训练模型,充分利用了句子的时序信息,通过句子前后的上下文关系,学习了句子中存在的语法关系和语义关系。长短期记忆网络能够选择性的丢弃一些无用信息,而保留重要的有用信息,对于学习较长句子中的内在关系非常有效。此外,本文还利用了实体的类型信息,用来区分不同实体对的不同关系。本文用属性抽取较为常用的数据集,与目前比较流行的几个属性抽取模型进行对比实验。实验结果表明,与其它对比模型相比,本文提出的方法在几个重要评价指标上的表现更优。证明它在性能上有一定的提升,验证了它的有效性。最后,本文将属性算法应用到了 973跨媒体计算示范应用平台,构建了一个关于疾病的知识图谱。通过实践,验证了本文方法的实用性。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码向导 ，原文地址：https://m.bishedaima.com/lunwen/48288.html
