公共文化服务平台

邹刚: 作品数：36 被引量：110H指数：6; 供职机构：国防科技大学更多>>; 发文基金：湖南省普通高等学校教学改革研究项目国家社会科学基金国家自然科学基金更多>>; 相关领域：自动化与计算机技术文化科学医药卫生理学更多>>

合作作者

粒子群优化的聚类方法在图像分割中的应用被引量：6: 2009年; 图像分割和对象提取是从图像处理到图像分析的关键步骤。K-均值聚类算法和粒子群优化方法结合,即将K-均值方法的结果作为一个粒子并采用粒子群优化的方法,通过适应度函数,利用新的分类中心调整粒子位置,产生新的聚类中心。并将此方法应用于图像的分割。最后,将两种方法的处理结果进行了比较,结果表示基于PSO聚类方法对图像的分割效果比原算法有所改进。; 邹刚孙即祥敖永红; 关键词：粒子群优化聚类算法 K-均值聚类图像分割图像处理

基于划分的数据仓库查询归并技术及其应用被引量：1: 2003年; 在数据仓库中存在着大量的数据,对这些数据的查询与处理要消耗大量的资源,解决这一问题的有效办法是先将数据划分为便于处理的数据块,再对数据块进行处理,最后将处理结果进行归并。介绍了常用的基于划分的数据仓库查询归并技术及其在VB中的应用,并结合自己的编程经验给出了例证。; 邱建雄邹刚赵红兵陈翔; 关键词：数据仓库数据划分查询技术

基于MOOC数据的学习者辍课预测研究被引量：21: 2017年; 文章以国防科学技术大学梦课平台选课人数最多的8门MOOC课程数据为基础,抽取了课程因素等三个维度、共计40余项学习数据开展辍课预测问题研究。首先,文章分析了各门课程中对预测辍课最有帮助的行为数据;其次,文章根据分析结果,选取11项行为数据训练多元线性回归和神经网络两种预测模型,实验结果表明针对不同课程建立不同的预测模型对学习者进行辍课预测的准确率平均达到90%以上。这一结果对预警学习者辍课从而实施教师干预,最终提高MOOC课程中完成课程的学习者比例带来帮助。; 王雪宇邹刚李骁; 关键词：多元线性回归神经网络

一种基于稀疏协同原型向量重构的鼻咽癌病理细胞协同分类方法: 2011年; 协同细胞模式分类依据原型向量,特别适用于如细胞分类这种特征不是很明显的分类,而其中原型向量的选取对协同模式的识别结果有着决定性的作用。通过样本的特征变换代替像素点来生成原型向量是研究协同原型向量生成的一种趋势。Contourlet变换是一种新的多尺度几何分析方法,具有很强的方向性和各向异性。采取一种基于contourlet变换的协同原型向量生成方法,通过此种模式融合的而生成框架,应用到鼻咽癌细胞的协同模式分类,同时与传统的协同分类方法和基于curvelet变换及基于contourlet变换的协同分类方法进行比较。结果显示,训练识别率达到96%,测试识别率达到91.33%,生成的初始序参量也更具优势。该方法是一种有效的细胞协同原型向量分类方法。; 邹刚姚伟孙即祥陈森林; 关键词：协同模式识别 CONTOURLET变换细胞分类

一种基于共轭梯度交替迭代的协同不变性算法: 2010年; 不变性方法是协同模式识别研究中的一个重要方面,通常情况下,协同试验模式同原型模式间存在模式变形。本文提出一种协同模式识别的不变性迭代匹配算法,在协同网络中匹配问题转化为函数优化问题,采用一种基于共轭梯度的势能函数优化方法,并利用试验模式和仿射参数交替迭代的方法估计最优参数,通过协同神经网络中测试模式和原型模式同化等效的推论,然后由序参量进化方程得到正确的识别结果。相比于传统的频域变换的方法,更接近于人类的认知过程;相比于梯度动力学的方法,能避免有势动力学演化中"伪状态"的出现,最后通过实验验证了算法的有效性和鲁棒性。; 邹刚姚伟孙即祥敖永红; 关键词：协同模式识别不变性仿射变换共轭梯度交替迭代

证据加权融合的多尺度形态学细胞边缘检测被引量：5: 2010年; 提出了一种改进的多尺度形态边缘检测算法。用不同尺度的结构元素分别检测出图像的不同尺寸的边缘信息,然后采用证据加权的融合方法对不同尺寸的边缘图像进行融合。通过对病理显微图像的实验,在噪声存在的条件下得到较为理想的图像边缘。与其他边缘检测算法进行比较,结果表明该算法在有效地消除噪声的同时,能够取得较好的边缘检测效果。; 邹刚孙即祥敖永红姚伟; 关键词：边缘检测多尺度形态学

提高军事职业教育MOOC建设质量的方法研究被引量：5: 2019年; MOOC是军事职业教育学习资源的重要组成部分,需要标准化和规范化建设,以确保MOOC建设质量和水平。针对军事职业教育平台上线运行的MOOC建设情况进行研究及考评,分析了MOOC建设中存在的不足,提出了进一步提高MOOC建设质量的方法,以期对军事职业教育MOOC优质建设提供参考。; 敖永红王玉龙匡罗贝柯水洲邹刚; 关键词：军事职业教育研究方法

一种协同神经网络不平衡参数的差分优化方法: 2010年; 协同模式识别方法是协同学原理应用于模式识别领域的一种新方法,识别过程中通过调整神经网络的注意参数,能改进系统的识别性能,对协同神经网络参数在不平衡条件下进行优化,能充分利用协同神经网络的自学习能力,以提高识别效果。差分进化作为一种有效的全局近似最优解的搜索算法,具有收敛性好、速度快的特点,文中提出了一种基于差分进化的方法对协同神经网络中参数进行优化,在协同神经网络的参数空间搜索最优参数,采用了均方适应度方差的机制自适应调整搜索速度和搜索精度,克服差分进化算法参数调整困难的不足,以提高算法的寻优能力,新方法具有全局兼局部寻优能力,不易陷入局部极值,同时新方法采用约简的序参量进化参数,使优化算法能有效提高协同神经网结的效率,实际图像的分类识别结果表明,注意参数的变化会导致完全不同的识别结果,另外,本文还将新算法与平衡参数的方法、其它优化的非平衡参数的协同学习算法进行了全局优化能力的比较,采用新方法具有更快的收敛速度和更优的分类识别效果。; 邹刚敖永红姚伟孙即祥; 关键词：协同神经网络