-
题名UML建模技术在机房管理系统中的应用研究
被引量：6
- 1
-
-
作者
董爱美
-
机构
山东轻工业学院现代教育技术中心
-
出处
《山东轻工业学院学报（自然科学版）》
CAS
2010年第1期66-68,共3页
-
文摘
文中对统一建模语言UML中的用例图、时序图和协作图进行了深入研究。所提到的建模技术是以UML的图表符号为基础的。UML图表符号提高了需求模型的可理解性、可追踪性、可验证性和可修改性。并且把这一建模技术充分运用到了机房管理系统中,说明了在该系统中的应用。
-
关键词
机房管理
建模
统一建模语言(UML)
-
Keywords
management of PC room
modeling
UML （ Unified Modeling Language）
-
分类号
TP399
[自动化与计算机技术—计算机应用技术]
-
-
题名山东轻工业学院长清校区木本植物调查研究
被引量：2
- 2
-
-
作者
孙立芹
董爱美
姜洪胜
-
机构
山东轻工业学院后勤管理处
山东省联合农药工业有限公司
-
出处
《山东轻工业学院学报（自然科学版）》
CAS
2009年第2期93-98,共6页
-
文摘
通过对山东轻工业学院长清校区木本植物种类调查、鉴定,共有木本植物43科、78属、141种(含变种、栽培变种、变型),分析了校园绿化中存在的问题,提出了校园绿化的工作方向和引种方向等建议。
-
关键词
山东轻工业学院
校园绿化
木本植物
-
Keywords
Shandong Institute of Light Industry
campus greening
woody plant
-
分类号
Q948
[生物学—植物学]
-
-
题名v-软间隔罗杰斯特回归分类机
- 3
-
-
作者
黄成泉
王士同
蒋亦樟
董爱美
-
机构
江南大学数字媒体学院
贵州民族大学工程实训中心
齐鲁工业大学信息学院
-
出处
《电子与信息学报》
EI
CSCD
北大核心
2016年第4期985-992,共8页
-
基金
国家自然科学基金(61272210
61202311)
+1 种基金
江苏省自然科学基金(BK2012552)
贵州省科学技术基金(黔科合J字[2013]2136号)~~
-
文摘
坐标下降(Coordinate Descent,CD)方法是求解大规模数据分类问题的有效方法,具有简单操作流程和快速收敛速率。为了提高罗杰斯特回归分类器(Logistic Regression Classifier,LRC)的泛化性能,受v-软间隔支持向量机的启发,该文提出一种v-软间隔罗杰斯特回归分类机(v-Soft Margin Logistic Regression Classifier,v-SMLRC),证明了v-SMLRC对偶为一等式约束对偶坐标下降CDdual并由此提出了适合于大规模数据的v-SMLRC-CDdual。所提出的v-SMLRC-CDdual既能最大化类间间隔,又能有效提高LRC的泛化性能。大规模文本数据集实验表明,v-SMLRC-CDdual分类性能优于或等同于相关方法。
-
关键词
罗杰斯特回归
泛化
坐标下降
对偶坐标下降
-
Keywords
Logistic regression
Generalization
Coordinate Descent（CD）
Dual Coordinate Descent（CDdual）
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名基于mRMR和CCA的AD分类方法研究
- 4
-
-
作者
张国栋
董爱美
齐志云
刘思迪
-
机构
齐鲁工业大学(山东省科学院)计算机科学与技术学部
-
出处
《齐鲁工业大学学报》
CAS
2023年第6期24-33,共10页
-
基金
山东省自然科学基金(ZR2022MF237,ZR2020MF041)。
-
文摘
目前,多模态神经影像数据被广泛应用于阿尔茨海默症(AD)分类研究,然而,这些研究方法存在着一定缺陷。首先,原始特征维度较高且包含大量冗余信息,需要大量的计算资源进行处理和分析。其次,同一患者的完整多模态数据不易获得,导致样本数量较少,不利于训练出可靠的分类模型。为此,提出了一种基于最大相关-最小冗余和典型相关性分析的AD分类方法(mRMR-CCA)。首先使用最大相关-最小冗余(mRMR)算法从各模态数据选择出与分类标签最相关的判别性特征,然后使用典型相关性分析(CCA)算法来挖掘多模态数据间的内在联系,最后进行分类。使用阿尔茨海默氏病神经影像学倡议数据库中的数据进行了实验,实验结果证明了此方法在AD分类中的有效性。
-
关键词
阿尔茨海默症
多模态数据
模态融合
特征选择
-
Keywords
Alzheimer s disease
multi-modality data
modality fusion
feature selection
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名基于低秩表示和稀疏自动编码器的情绪识别研究
- 5
-
-
作者
郑秋玉
董爱美
李本营
李志刚
-
机构
齐鲁工业大学(山东省科学院)计算机科学与技术学院
-
出处
《齐鲁工业大学学报》
2020年第6期18-28,共11页
-
基金
国家自然科学基金(61703219)。
-
文摘
针对当今在多模态数据处理过程中存在的两个问题:1)多模态数据中存在冗余信息和噪声;2)如何平衡多模态数据间的关系,我们提出了一种低秩表示和稀疏自动编码器相结合的情绪识别方法(Low Rank Representation and Sparse Automatic Encoder Classification,LSC)。采用低秩表示从数据的高维空间中提取潜在特征,并且可以去除数据噪声和冗余信息;采用自动编码器对提取的特征进行融合,解决了多模态数据信息间关系无法平衡的问题,使特征更具鲁棒性,最后进行分类。进行了实验,证明此方法的有效性。
-
关键词
情绪识别
多模态
低秩表示
稀疏自动编码器
融合
-
Keywords
emotion recognition
multimodal
low rank representation
sparse automatic encoder
fusion
-
分类号
TP39
[自动化与计算机技术—计算机应用技术]
-
