公共文化服务平台

一种基于概率禁忌算法的轴辐式物流网络枢纽站选址及分配方法: 本发明涉及一种基于概率禁忌算法的轴辐式物流网络枢纽站选址及分配方法，首先采用随机贪心策略构造一个初始的枢纽站选址及分配方案；然后从这一初始方案出发，对基于枢纽站和非枢纽站交换的邻域进行搜索，确定最优的枢纽站选址；在交换邻...; 关健林耿冯慧斌; 文献传递

基于修正Tanimoto系数的电视节目个性化推荐方法研究被引量：1: 2021年; 随着互联网产业的发展,电视节目的个性化推荐已经成为了许多电视节目制作者和观众们的共同需求。为达到电视节目个性化推荐的目的,本文通过结合用户共同评分项和用户所有评分项之间的关系,将基于修正Tanimoto系数的推荐算法运用于电视节目个性化推荐的研究中。实验结果表明,本文所运用的算法具有一定的提高电视节目个性化推荐系统的精度的效果。; 王子涛伍发珍江铭海董云薪林耿; 关键词：相似度协同过滤算法

《概率统计》课堂教学中的课程思政元素的融入研究与实践被引量：1: 2022年; 《概率统计》是高等学校理工和经管各专业的一门必修课,其课程思政是高校公共基础课程思政建设的重要组成部分。课程团队主要从教材建设、培养科学精神、案例分析以及知识传授和能力培养的紧密融合等几个方面探讨《概率统计》课程中思政元素的挖掘、融入研究与实践,以期将思政元素自然和谐地融入专业课的课堂教学中,达到“润物细无声”的育人效果。; 魏首柳柯小玲沈聪辉林耿; 关键词：概率统计课堂教学科学探索精神

一种基于零模编码的CT图像恢复算法: 2022年; 针对稀疏约束条件下的CT图像恢复模型,提出了基于拉格朗日方法和硬阈值算子的图像恢复算法。该方法从约束问题的对偶问题出发,优化对偶模型,并通过搜索找到合适的拉格朗日乘子。在迭代过程中,对于每个给定的拉格朗日乘子,利用迭代硬阈值算法求解子问题。实验结果表明,基于拉格朗日方法和迭代硬阈值算法的求解方法是有效的,能得到较好的解。; 董正山林耿; 关键词：图像恢复拉格朗日方法

一种卫星大数据分布式存储方法及系统: 本发明涉及数据存储技术领域，具体公开了一种卫星大数据分布式存储方法及系统，所述方法包括根据含有文本说明和拍摄参数的卫星图像得到参考图像集；统计参考图像集中各参考图像的文本说明，对统计得到的文本说明进行主题分析和词语分析，...; 冯慧斌翁莹晶林耿罗海波许晓春

一种融合长尾系数的混合电影推荐算法: 2022年; 针对推荐系统中推荐算法多样性偏低的问题,提出一种融合长尾系数的混合电影推荐算法。采用混合协同过滤推荐算法来预测项目评分,用以缓解数据稀疏问题,进而提高算法的精度。通过用户的观影行为来计算电影项目的长尾系数,用以改进预测评分公式,在提高算法精度的基础上进一步提升算法的多样性。实验结果表明,在确保算法精确度的前提下,该算法能有效提高推荐算法多样性,使推荐系统具有更高的推荐质量。; 董云薪林耿; 关键词：协同过滤算法推荐系统多样性

一种基于二分图的认知无线电网络频谱组合拍卖方法: 本发明涉及一种基于二分图的认知无线电网络频谱组合拍卖方法，首先拍卖控制中心收集主用户拥有的频谱信息及认知用户竞标频谱的投标信息；然后拍卖控制中心初始化频谱组合拍卖的二分图；接着拍卖控制中心对组合频谱拍卖执行胜者决策算法决...; 冯慧斌林耿余兆钗阮志强; 文献传递

协同过滤算法的电视节目推荐策略: 2020年; 进入大数据时代,信息超载会对用户造成严重影响,个性化推荐是解决此问题的一个非常有效的办法。协同过滤算法大量应用在个性化推荐系统中,但由于家庭对象并非独立个体,传统的家庭电视节目推荐方法不能根据用户的多样化偏好进行推荐,故提出了基于物品属性和用户偏好相结合的推荐方法。仿真实验结果表明,该方法能够高效和准确地进行电视节目推荐。; 陈佳炜黄丽婷林耿; 关键词：协同过滤算法用户偏好

一种基于DSAC-T的卫星姿态自适应控制算法及系统: 本发明涉及卫星通信相关领域，公开了一种基于DSAC‑T的卫星姿态自适应控制算法及系统，解决了现有算法会使卫星角速度不断在正负值之间摇摆的问题，从而可以使得更好控制卫星的平稳运行，同时，相较于现有技术，DSAC‑T算法具有...; 冯慧斌吴嘉伟罗海波林耿许晓春

DRO框架下不平衡分类损失函数重加权优化被引量：1: 2025年; 在不平衡数据的多分类任务中,由于类别分布存在数量差异,分类器的决策边界往往偏向多数类别,从而导致模型难以实现准确分类。现有研究主要关注于数据平衡策略和损失函数的结构调整,忽视了样本标签可能存在标注错误或噪声,标签信息的不确定性会进一步增加分类的难度。为解决这一问题,提出了一种名为加权标签分布稳健(weighted label distributionally robust Kullback-Leibler,WLDR-KL)的损失函数。该损失利用先验信息和标签权重显式地调整模型对少数类别的关注度,通过优化最不利的集合下的预测分布来应对数据标签不确定性下的不平衡分类任务。此外,利用Monte Carlo模拟提出了一种不平衡数据集的仿真方法,以更全面地评估各损失函数在不同类别和不同数量差异水平下的表现。在多组模拟数据集、UCI和Kaggle数据集上的实验结果表明,所提出的方法在处理不平衡数据时表现良好,并且在top-k准确率、F_(1)值、精度、召回率上均实现了一定程度的提升,为解决不平衡分类问题提供了一种有效的方法。; 李佳静林耿

渝B2-20050021-1　渝公网安备 50019002500403号　违法和不良信息举报中心　互联网出版许可证　新出网证(渝)字10号

林耿