王茜
- 作品数：107 被引量：389H指数：11
- 供职机构：重庆大学更多>>
- 发文基金：重庆市科技攻关计划重庆市高等教育教学改革研究项目国家科技支撑计划更多>>
- 相关领域：自动化与计算机技术文化科学经济管理建筑科学更多>>
- 基于综合教学模式的《数据结构》课程教学改革研究
- 本文探讨了该课程教学过程中的问题,并在CDIO教学理念指导下,提出了一种双语教学和PBL教学模式相结合的综合教学模式。通过3年的实际教学实践证明,该教学模式不仅提高了教学质量,还提升了学生综合能力,有助于实现CDIO人才...
- 但静培王茜朱征宇
- 关键词：教学数据结构
- 文献传递
- STD容错计算机系统被引量：1
- 1995年
- 本文介绍了ＳＴＤ双模容错计算机系统的结构，对其中几个关键电路作了详细叙述，并在双模容错系统的基础上构成了ＳＴＤ四模容错计算机系统，最后对这两个系统的可靠性进行了评价。
- 王茜许光辰
- 关键词：冗余容错技术计算机系统STD总线
- 一种基于残差归一化的权函数最小二乘状态估计方法
- 本发明公开了一种基于残差归一化的权函数最小二乘状态估计方法，属于电力系统调度自动化领域。本发明方法利用计算机，通过程序，首先输入数据终端采集到的任一时间断面的SCADA数据、网络结构及参数信息并初始化，然后计算网络的节点...
- 颜伟王茜赵霞陈文超
- 文献传递
- 空间错位圆形平面螺旋线圈互感计算
- 2021年
- 无线电能传输 (Wireless Power Transfer, WPT) 技术是基于一定方式实现无线传能,从而避免常规导线约束的技术。磁场耦合 是 WPT 技术中最早使用且最成熟的一种重要传输方式,要实现磁场耦合传输,需要两个导线圈之间建立磁场,利用电磁感 应定律,通过磁场进行能量传输。在一般的磁场取能过程中,两个线圈的位置可能将不再是理想的轴对称模型,而是有一定 的空间偏移与角度错位,从而导致线圈之间的互感系数有所变化。本文将研究单匝圆形细导线圈的相对位置对互感系数的影响, 给出两个导线圈之间更一般的互感计算公式,为今后研究多方位磁场取能提供理论计算基础。
- 易照岩徐秋朦王茜
- 关键词：无线电能传输平面螺旋线圈互感系数
- 模拟风荷载作用下低矮建筑结构扭转效应的试验模型的使用方法
- 本发明涉及风洞试验技术领域，具体公开了模拟风荷载作用下低矮建筑结构扭转效应的试验模型，包括设置在风洞中的安装基座，安装基座上设有安装槽和两块盖板，两块所述盖板转动设置在安装基座上且能够盖合安装槽，盖板上设有半圆形的半月槽...
- 陈增顺许叶萌华建民黄乐鹏王茜
- 文献传递
- 一种基于全过程化管理的讨论式教学模式被引量：6
- 2013年
- 针对在计算机高年级学生中开展讨论式教学时如何更好地保证课程教学质量的问题,谈谈在数据库系统课程的实际教学中尝试采用讨论式教学模式的一些体会。文章主要从学生能力特点分析、讨论式教学开展方式、如何保证教学质量,以及教学中需要注意的问题等几个方面进行介绍。
- 朱征宇王茜杨广超邹东升曾令秋
- 关键词：讨论式教学教学模式
- 基于敏感属性值泄露个数期望的匿名模型被引量：4
- 2009年
- 当前K-匿名成为解决隐私保护的重要模型,但其不能解决同质攻击造成的属性泄露。对K-匿名模型进行了扩展,提出一种新的基于敏感属性值泄露个数期望的匿名模型,该模型能很好地解决属性泄露问题,同时通过实验证明了该模型的可行性。
- 王茜屈盛知石香灵
- 关键词：K-匿名隐私保护
- 基于频繁模式的离群点挖掘在入侵检测中的应用被引量：11
- 2013年
- 针对网络安全数据高维度的特征,对传统离群点检测不能有效发现的网络数据中入侵行为细节进行检测。提出一种基于频繁模式的算法,通过检测数据项的频繁模式和关联规则,剥离数据流中或安全日志数据中的噪声和异常点,计算安全数据的加权频繁离群因子,精确定位离群点,最后从中自动筛选出异常属性。实验证明,该方法在较好的空间复杂性与时间复杂性下,能有效地发现在高维安全数据中异常的属性。
- 王茜唐锐
- 关键词：离群点入侵检测高维数据
- 面向外包关联规则挖掘的隐私保护算法研究
- 2013年
- 为解决外包关联规则挖掘中的隐私保护问题,针对现有基于标准布隆过滤器算法时间效率低、可逆性较差等不足,提出一种基于独立映射空间布隆过滤器的算法。将原始事务数据库转换成布隆过滤器的形式,根据转换后每个事务向量的海明重量进行事务压缩,利用矩阵列向量进行"与"运算,计算候选项集的支持度,从而得出频繁项集。实验结果表明,与原算法相比,该算法在保证误判率的同时,能提高时间效率,具有良好的可逆性和安全性,实用性更强。
- 王茜刘泓杨传栋
- 关键词：外包关联规则频繁项集隐私保护布隆过滤器
- 聚类辅助特征对齐的域适应方法被引量：1
- 2019年
- 有监督深度学习在有大量标记数据的领域可以取得不错的效果,但实际上很多领域只有大量未标记的数据。如何利用大量无标记数据,成为了深度学习发展的一个关键问题,领域自适应就是解决这一问题的一种有效方法。目前,基于对抗训练的域适应方法取得了较好的效果,这类方法利用领域分类损失对源域和目标域的特征分布进行对齐,降低了两个领域特征表示的分布差异,使采用源域数据训练的模型可以应用在目标域数据上。现有的域适应方法是在适配后的特征上进行模型训练的,没有充分利用目标域数据的原始信息,当两个领域差异较大时,会降低目标域特征的域内可鉴别性。针对现有方法的弱点,文中基于对抗判别域适应方法(ADDA),提出了一种基于对目标域数据聚类辅助特征对齐的域适应方法(CAFA-DA)。该方法通过聚类获得目标域数据伪标记,并在域适应阶段约束特征编码器训练,利用目标域数据的原始信息提高目标域特征的可鉴别性;将聚类和域适应两个过程训练的分类器进行集成学习,用高置信度样本进行训练,以提升模型的最终效果。CAFA-DA可用在任何基于对抗损失的领域自适应方法上。最后,在领域自适应的4个标准数据集上将CAFA-DA方法与目前几种先进的领域自适应方法进行了对比实验,结果表明:CAFA-DA方法的实验结果比其他几种方法都好;相对于ADDA方法,该方法在2个对比实验上的准确率分别提升了3.2%和17.2%。
- 袁丁王茜邓李维
- 关键词：聚类
