一、基于IRT模型的BP神经网络降维法参数估计及其应用(论文文献综述)
段晋娇[1](2020)在《基于仿生口腔的牛肉鲜味品质和嫩度品质检测技术研究》文中认为牛肉是人们健康饮食的宝贵材料,能够满足人体蛋白质需求,是烟酸、维生素B6、维生素B12、磷、钾、铁和锌的丰富来源,故而深受消费者青睐。味道鲜美、质嫩爽口是消费者对于牛肉品质佳的评价词,即评价牛肉品质的重要指标包括鲜味品质与嫩度品质。而牛肉的鲜味和嫩度通常不是从第一口开始评估的,取决于牛肉在口腔中转化时的感觉。口腔是人类对食品进行品质感知的重要场所,食品的食用过程涉及到各种口腔操作。因此,牛肉在咀嚼过程中鲜味品质的检测、嫩度品质的评价具有重要的研究意义。本文通过感官评定获取咀嚼过程的咀嚼参数,进而基于仿生口腔装置模拟人类的口腔加工过程。通过膜修饰传感器对咀嚼过程中牛肉鲜味氨基酸的含量进行检测,并建立释放过程模型。牛肉的嫩度利用仿生口腔装置进行检测,并建立嫩度的等级预测模型,同时对不同咀嚼参数下牛肉的嫩度进行评价。最终建立了牛肉鲜味品质和嫩度品质的检测系统,实现牛肉鲜味品质和嫩度品质的快速准确、客观、智能化检测。(1)基于仿生口腔装置的牛肉鲜味氨基酸检测方法研究。通过招募、培训建立感官评定小组,小组成员咀嚼牛肉至吞咽。对咀嚼过程中的咀嚼参数进行记录并分析。根据感官评定得到的数据,基于仿生口腔装置对口腔加工过程进行模拟。利用膜修饰传感器可以建立鲜味氨基酸含量值与电信号间的关系,通过电化学工作站对电信号进行采集。对咀嚼过程中牛肉鲜味氨基酸的影响因素进行研究,通过单因素试验和响应面试验分析咀嚼过程中咀嚼循环次数、咀嚼频率、唾液掺入量、咬合力对鲜味氨基酸释放的影响。通过控制仿生口腔装置的咀嚼次数、电机转速、蠕动泵流量、仿咀嚼肌弹簧来分别实现对咀嚼循环次数、咀嚼频率、唾液掺入量、咬合力的设置。试验结果表明:对于规格为20 mm×20 mm×10 mm的牛眼肌肉,鲜味氨基酸释放量(Y)与咀嚼参数(咀嚼循环次数X1、咀嚼频率X2、唾液掺入量X3、咬合力X4)的拟合模型为Y=0.086-(1.453E-0.03)X1+(2.508E-0.03)X2+(2.882E-0.03)X3+(8.310E-0.03)X4-(6.825E-0.03)X1X2+(1.025E-0.03)X1X3-0.022X1X4-0.018X2X3-(8.200E-0.03)X2X4-0.013X3X4+0.013X12-(5.556E-0.03)。(2)咀嚼过程中牛肉鲜味氨基酸释放过程模型的构建。将咀嚼过程中不同参数影响下牛肉鲜味氨基酸的释放量通过三种模型进行构建,以对其释放过程进行模拟。三种神经网络模型分别为:BP人工神经网络、GA-BP神经网络和小波神经网络。通过MATLAB软件实现模型的运行,对60组牛肉进行拟合模拟。确定三种模型的参数,为了使试验结果能够得到更好的验证,三种模型的选用同样的参数。模型的输入层为咀嚼循环次数、咀嚼频率、唾液掺入量,即输入层节点数为3;输出层为牛肉样品的鲜味氨基酸释放量,即输出层节点数为1。通过不断的运算过程对三种模型的隐藏层等其他参数进行确定,GA-BP神经网络的种群规模大小为60。为了评价三种神经网络模型的性能,对其预测值与实际值进行对比以及三种模型的预测精度指标分别进行对比。结果表明,优化后的BP人工神经网络模型能有效地预测牛肉咀嚼过程中鲜味氨基酸的含量,GA-BP神经网络的残差明显小于其它两种模型,预测值更接近于实际值。(3)基于仿生口腔装置的牛肉嫩度检测方法研究。感官评定和质构仪检测分别代表主观和客观检测,对于同一牛肉的嫩度使用这两种方法进行等级评定。60组牛肉通过质构仪得到的质构参数利用聚类分析进行归类,从而得到牛肉样品对应等级。感官评定与聚类分析的结果相比较,两种嫩度分析结果有55组牛肉样品相同。应用仿生口腔装置将咬合牛肉所受的力转换为电信号,通过Fisher判别将咀嚼装置收集到的电信号与牛肉的嫩度等级构建模型,将感官评定和质构检测结果相同的55组牛肉作为构建模型样本。随机选取80%的牛肉样品用于模型训练,其余20%牛肉样品用来验证模型的准确性。通过分析可得到预测判别的正确率可达到90.9%。使用三种模型对不同咀嚼参数下牛肉的嫩度等级进行评价,通过编程工具MATLAB软件实现模型的运行,对60组牛肉进行拟合模拟。三种神经网络模型(BP、GA-BP、小波)的参数同样,模型的输入层为咀嚼循环次数、咀嚼频率、唾液掺入量,输出层为牛肉嫩度等级。比较三种网络模型的准确性选出最优模型,分析三种模型的预测值。结果表明,三种神经网络模型的准确率分别为85%、95%和90%,故最终可以选用GA-BP模型对牛肉咀嚼过程中嫩度等级进行评价。(4)牛肉鲜味品质和嫩度品质的检测系统开发。基于软件MATLAB 2017b结合软件SQL Server 2016开发出一套牛肉鲜味品质和嫩度品质快速检测软件系统,从而实现牛肉品质的准确、快速检测。通过图形用户界面(GUI)对各个模块的界面进行设计,牛肉鲜味品质和嫩度品质检测专家系统总共包括7个模块部分,分别为:用户登录、样品鲜味检测、鲜味氨基酸信号采集、鲜味响应值结果输出、样品嫩度检测、嫩度品质信号采集、嫩度品质结果输出。利用SQL Server 2016在系统中构建的牛肉样品信息数据库模块,对牛肉样品的数据实现了良好管理并能够读写数据库数据。此软件系统实现了参数设置、仿生口腔装置的控制运行、检测响应电位值的实时显示、检测数据的收集、响应值结果的曲线图绘制、牛肉嫩度品质的等级预测、分析结果的数据保存等功能。鲜味品质和嫩度品质检测系统的开发使得检测流程更加简捷、检测过程更加高效。
王佳晨[2](2020)在《多模型融合建模方法研究及其在化学中的应用》文中研究说明数据驱动建模方法是目前模型化方法研究的热点问题之一,因其无需完全掌握系统内部的运行机理,便可依据输入输出数据建立有效信息的映射关系,在解决复杂系统测量、控制和优化等方面都发挥着重要作用。针对单一数据驱动模型存在的稳定性较差、有效信息提取不全面和预测精度不理想等不足,开展了多模型融合建模方法研究。研究工作主要包括基于同类子模型的多模型融合建模方法和基于异类子模型的多模型融合建模方法,用于解决复杂系统全局特性的描述问题,以实现提升模型整体预测性能的目的。将所提出的建模方法应用于CO2在离子液体中溶解度预测,用于验证建模方法的有效性,并进行综合评价。主要研究工作如下:(1)通过查阅国内外大量相关文献资料,对常见的数据驱动建模方法进行系统综述,并进行分析与归纳。针对各种化学、化工过程中的建模问题,系统分析了数据驱动建模方法及其在应用背景下的模型化基本理论和方法,总结了国内外研究现状,详细评析了各种建模方法的优缺点。重点综述了多模型融合建模方法的设计思想、研究现状及研究展望等内容;(2)针对单一数据驱动建模方法存在的有效信息提取不全面、稳定性不佳和预测精度不高等不足,提出了一种基于同类子模型的多模型融合建模方法。首先通过合理选择同一类型模型的不同模型参数,利用训练集建立了一组具有参数差异性的子模型,利用参数多样性的方法提取研究对象的不同信息,然后利用评估集筛选得到若干预测性能较优的子模型,分别采用基于偏差熵的线性融合方法和基于BP神经网络的非线性融合方法建立了两种融合模型,最后利用测试集测试融合模型的预测性能。采用UCI数据库的混凝土流动度数据集验证了该建模方法的可行性;(3)为了从模型结构层面解决数据中有效信息的提取和融合问题,以建立具有较好稳定性和预测性能的融合模型,提出了一种基于异类子模型的多模型融合建模方法。首先利用训练集建立一组包含不同类型模型(神经网络、支持向量机、极限学习机)的子模型,然后利用评估集从每一类子模型中分别筛选得到最优神经网络子模型、支持向量机子模型和极限学习机子模型,并分别采用最小化误差平方和法和信息熵法建立了两种融合模型,最后利用测试集测试融合模型的预测性能。采用UCI数据库的混凝土流动度数据集验证了该建模方法的可行性;(4)以CO2在离子液体中溶解度为预测对象,开展了多模型融合建模方法的应用研究。首先针对咪唑类离子液体的CO2溶解度预测问题,合理选择预测模型的输入变量,然后通过文献资料收集了大量样本数据,并进行数据预处理和样本集分组,最后分别采用基于同类子模型的多模型融合建模方法和基于异类子模型的多模型融合建模方法建立CO2在离子液体中溶解度预测模型。研究结果表明:与单一数据驱动模型相比,采用两种多模型融合建模方法所建立的预测模型都具有更优的预测性能;与基于同类子模型的多模型融合建模方法相比,由于子模型拓宽了数据中所提取有效信息的适应面,导致采用基于异类子模型的多模型融合建模方法所建立的预测模型具有更高的预测精度;在基于异类子模型的多模型融合建模方法中,与基于最小化误差平方和法的融合方法相比,采用分散模型差异度和误差因素的信息熵融合方法所建立的预测模型具有更佳的预测性能和稳定性。通过开展两种多模型融合建模方法的研究及其应用工作,结果表明多模型融合建模方法具有重要的理论研究意义和实际应用价值,这不仅对于进一步深入研究多模型融合建模方法,还是将其应用于化学化工中,都具有较好的借鉴意义。
水晓丽[3](2020)在《项目反应理论在自适应选题策略中的应用探讨》文中认为考试是衡量学生能力的一种手段,随着时代的发展,多种选题策略应运而生。目前为止,多数常见的选题策略都是基于传统的经典测验理论,它存在很多问题,从而项目反应理论相继产生。在项目反应理论的根基上计算机自适应测验得到发展,其依据选题策略来筛选与被试者潜在特质般配的题目让其作答,后根据答题反应对其潜在能力特质进行估计,此过程循环进行。首先,本文选择两种参数估计方法:Albert于2002年针对项目反应模型提出的基于Gibbs抽样的参数估计和关潮辉等人于2014年提出的基于项目反应理论的BP神经网络参数估计。其次,本文通过研究神经网络的架构,设计出一个新的BP神经网络架构并用于项目参数的估计。最后,本文基于所选参数估计方法来探讨其在选题策略中的应用,并运用蒙特卡洛模拟来对比研究选题策略,进而得到一个“因人而异”的自适应选题策略。
雷冠军[4](2020)在《基于数据融合的丰满水库长期径流预报研究》文中研究表明我国的水资源时空分布不均,气候变化和人类活动的影响导致旱涝灾害频发,成为制约经济发展的主要因素。河川径流在水循环系统中起着主导作用,而且极端径流会形成巨灾,径流预报对于防汛抗旱、水资源规划与管理等具有重要意义和价值。河川径流影响因子众多、变化特性复杂,基于成因分析法挖掘因子影响径流形成的规律是径流预报的关键。中长期径流预报预见期长、预报精度低,径流的形成机制尚不清晰,单一尺度因子的分析、单一统计预报方法的改进已不能进一步提高径流预报的精度,而且水文工作者不敢于报极值,中长期径流预报结果只能作为实际工作的参考。开展中长期径流预报理论和技术研究,融合多尺度因子和多方法的预报结果,进一步提高预报的精度和水平,能够为水库调度、水资源开发利用等工作提供支撑。本文以丰满水库流域的年径流为研究对象,选用天文、全球、流域尺度因子,分析挖掘因子与流域来水的相似性、遥相关性、可公度性、结构特性等规律,研究和改进智能学习法、模糊推理法、天文因子对比法、点聚图法、可公度法和可公度网络结构法等技术方法,建立了包含因子融合、结果融合、结构融合的多尺度因子信息融合的中长期径流预报模型。研究成果能够有效提高丰满水库流域径流和极端径流预报的精度,为丰满水库调度提供技术支持。具体研究成果如下:(1)运用统计分析法,挖掘三大尺度因子与流域来水丰枯特性的响应规律。结果表明,丰满水库流域来水的丰枯状态与ENSO事件的冷暖特性、ENSO事件的发生时间距离汛期的远近、基于农谚所选择的气象因子等具有较好的统计规律,且均能通过假设检验。基于线性相关系数法、互信息理论法、关联度分析法研究天文因子、气象因子、天文因子+海洋大气因子+气象因子与流域来水的相关性,结果表明,气象因子的相关性最强,海洋大气因子的相关性最弱,月球赤纬角与流域来水的关联度最大。(2)基于相关性分析所得的因子组合方案,运用神经网络、支持向量机、决策树、随机森林等智能学习方法,融合因子预报径流。结果表明,水量回归预报较差,3级分类预报较优;预报方法不同,方法所对应的最优因子及其组合不同,训练和预报性能均较优且稳健性强的方法为ELM、RBF神经网络。对多方法的最优分类预报结果进行融合,使得定性预报正确率达到89.5%。(3)运用相位对比法融合天文因子、海洋大气因子及其组合预报径流。结果表明,该方法的定量预报正确率为63.16%,24节气阴历日期+太阳黑子相对数的定性预报最优,正确率为63.16%。相位对比法对于极端来水年的丰枯属性识别能力较强,却难以有效预报出平水年,运用定量预报结果反推来水级别的正确率较低。相位对比法存在无法判别的年份,运用模糊推理法基于相关性分析所得的因子组合进一步分析计算因子的相似性,融合因子预报径流。引入TOPSIS模糊综合评判法、相似衍生法相似度、“因子进出法”等,对模糊推理法进行改进。结果表明,相似衍生法模糊推理法的稳健性优于Turksen模糊推理法,二者对径流的定量预报较差、定性预报较优,对其各自最优的定性预报结果进行融合,正确率达到73.68%。(4)采用“主次因子对比法”对单一天文因子对比法、分布式融合结构天文因子对比法进行改进,融合结果预报径流。研究得到能够提高预报精度的混合式融合结构天文因子对比法,定性预报正确率为63.16%。基于分析所得的海洋大气因子、气象因子与流域来水的遥相关规律修正预报结果,进一步改进天文因子对比法,使得预报正确率提高到 73.68%。(5)绘制三大尺度因子与流域来水的点聚图,融合结果预报径流。结果表明,24节气阴历日期和月球赤纬角点聚图具有较好的稳健性,太阳黑子相对数离散性较强难以准确划分其聚类区间,三大尺度因子点聚图的定性预报正确率分别为63.16%、57.89%、21.05%。将海洋大气因子、气象因子与来水丰枯的遥相关规律作为该类因子的点聚图进而得到径流预报结果,并与天文因子点聚图的预报结果进行融合,使得预报正确率提高到 73.68%。(6)将径流分为一般、极端、极值点结构,融合结构预报极端径流。结果表明,以因子融合、结果融合的预报结果作为一般来水结构能够融合多因子、多方法的信息,预报正确率为84.21%;点面结合法的改进与上下包线结构、智能学习分类以及传统点面结合法相比对于极端来水结构的预报精度较高,预报正确率为60%;通过细致划分丰枯水链、引入月球赤纬角对可公度网络结构法进行改进,能够增强方法的可操作性,降低基于极值点结构预报极端来水年高发期的不确定性;综合径流三大结构的预报结果,结合连续极端来水年的判定,预报极端来水的高发年,其中特丰水年、特枯水年的预报正确率分别为66.7%、80%。
黄莎[5](2019)在《基于近红外光谱技术的葵花籽品质分析研究》文中研究表明近四十年来,向日葵迅速发展成为了产量仅次于大豆的油料作物。不同批次和质量的葵花籽因为品质的区别,价格也存在较大差异。当前,种子市集上葵花籽品种繁多,鱼龙混杂,以次充好的情况频繁发生,极大地损害了农民的利益。为保证消费者权益,有效的鉴定葵花籽的油用品质,迫切的需要建立一种有效的检测方法对葵花籽中的蛋白、水、油脂含量等主要指标进行定量分析,对样品品质进行定性分析以便分类识别。近年来,近红外光谱分析技术因具备快速在线分析能力,且有不破坏样品完整性、无污染等优点在各种农业检测领域得到了广泛应用。本文利用上海荧飒光学公司所提供的油料普查作物的葵花籽为测试对象,用标准化学方法测定蛋白质、油脂、水含量,通过实验室和公司联合研发的光谱仪测定样本的近红外光谱,结合化学计量学方法开展了葵花籽近红外光谱识别和定量的分析研究。本文主要从光谱的预处理、波长筛选方法、校正模型建立等方面深入探讨了近红外光谱技术在识别和定量检测中的几个关键问题;以校正模型的预测正确率为评价指标开展了近红外光谱辨别不同葵花籽品质的研究。旨在为葵花籽品质的无损检测提供新的参考。主要研究工作如下:1)本文比较了同波段下各种不同预处理方法以及方法组合对葵花籽光谱数据的处理效果,分别在几种预处理方法中找出了蛋白、水、油脂三种指标对应的最优预处理方法。在不影响分析精度的前提下比较了各种波段组合,以及在最佳预处理下比较了无关信息向量消除法等三种波段优化方法建立偏最小二乘(PLS)模型的效果。研究表明,小波变换的预处理效果最佳,无关向量消除下的波段选择效果最优。2)采用基于正交化的偏最小二乘降维法对样品进行光谱样本的分类和识别,仿真结果显示,分类识别的准确率高达92.30%,最低为84.21%。应用了偏最小二乘(PLS)和BP神经网络的近红外光谱分析方法对葵花籽光谱进行定量建模,并用留一法的内部交叉验证法对模型进行验证,以测试样本的均方根误差和百分比误差为评价指标,结果表明采用两种不同的化学计量学方法建立的定量模型中以BP神经网络最理想。3)将经过基于正交化的偏最小二乘法降维法分类后的样品,在较为理想的几种预处理和波段筛选的方法下,分别建立葵花籽光谱数据与蛋白、水、脂肪含量之间基于BP神经网络和基于PLS的定量分析模型。研究结果表明,在对葵花籽样本质量相关的三种组分进行定量分析时,经过基于正交化的偏小二乘降维方法分类后使用PLS进行定量分析的模型准确率最高。其效果优于未分类的葵花籽BP神经网络模型。而经过分类后的BP神经网络模型可能因为样本过少泛化能力低,其性能是四种模型中最差的。
张福才[6](2019)在《基于优化原理的多光谱真温反演算法研究》文中认为多光谱测温法是通过测量多个光谱辐射的信息并采用相关的理论与算法反演出辐射体真实温度(真温)的过程。光谱发射率求解仍然是多光谱测温法的重点和难点,从理论上讲,必须已知足够多的光谱信息才能获得辐射体的真温。考虑到实际辐射体在不同光谱和不同温度时的光谱发射率通常是不一致的且光谱发射率的求解又是非接触的辐射温度测量中不可回避的一个问题,因此,开展多光谱发射率的求解和真温反演方法的研究就具有很强的科学意义和应用价值。经过几十年来的发展,光谱发射率求解可以概括为四类模型。一是灰体假设模型,这类假设模型认为在真温反演过程中认为光谱发射率是一个常数或其变化可以忽略不计;二是波长假设模型,这类假设模型认为在真温反演过程中认为光谱发射率与波长之间存在一定的关系,可以用含有波长的表达式代替光谱发射率实现真温的反演;三是真温假设模型,这类假设模型认为在真温反演过程中光谱发射率与真温之间存在一定的关系,将光谱发射率与真温之间建立模型并通过迭代方法来实现真温的反演;四是建立神经网络模型,通过神经网络的学习实现真温的反演。本文基于真温的唯一性,在对不同假设模型的分析基础上,试图寻求一种无需假设光谱发射率模型且具有一定通用性的真温反演方法,开展以多光谱真温反演算法为核心的研究工作。概述了传统多光谱真温反演理论与方法的特点,针对现有的多光谱真温反演过程中光谱发射率模型选择复杂性,提出了一种有约束优化原理的单目标函数极小值的真温反演方法,这种方法无需假设光谱发射率模型将真温的反演问题转变成求解目标函数极小值的优化问题。与传统的二次测量法相比,在相同的初始条件下,新方法的真温反演速度最大提高了98%以上。单目标函数极小值的真温反演方法的真温反演速度较高,但反演精度低于传统的二次测量法,个别误差超过了1%。针对单目标函数极小值法在真温反演精度较低的这一不足,提出了另外一种基于有约束优化原理的多目标函数极小值的真温反演方法。这种真温反演方法的反演精度与二次测量法大体相当,但真温反演速度依然明显高于二次测量法的真温反演速度;相比于单目标函数极小值法,多目标函数极小值的真温反演方法的反演精度优于单目标函数极小值法的反演精度,所有反演误差都在1%以内,个别反演误差为0。因此,多目标函数极小值法更适合于精度更高的真温反演。针对实际的多光谱辐射测量中有时不能使用维恩公式代替普朗克公式进行计算的实际情况,提出了一种基于普朗克原理的真温反演方法,该方法仍然不需要建立光谱发射率的模型,将真温的反演问题转变成求解目标函数极小值的优化问题。通过仿真与实验数据验证,该方法所有反演误差都在1%以内,进一步拓展了基于有约束优化原理的多光谱真温反演算法的适用范围。探索在二维真温温度场构建中真温点数与重建精度之间的关系,探讨不同插值方法对温度场重建精度的影响,使用正态分布和t分布两种检验方法对温度场中需要真温点数进行了检验,得到了初步的结论,为对火箭尾焰真温温度场的构建和面源黑体结构设计提供相关的理论分析和客观评价的方法。
姜娟娟[7](2017)在《基于IRT模型的智能自适应测试系统的研究与实现》文中研究说明近年来,随着计算机与网络技术的快速发展给学生学习方式带来了巨大的改变,互联网打破了传统教育的时空限制,方便学生随时随地自主学习。同时,传统的基于纸笔的考试已经不能满足当今多元化教育的需求。计算机自适应测试是一个新的突破口。它是现代教育测量理论与计算机技术充分结合的产物,随着计算机技术的发展,得到越来越广泛的应用和关注。目前,计算机自适应测试仍然存在一些问题,比如在初始条件设置、能力估计、选题策略等方面。虽然计算机自适应测试能够根据用户设置的条件生成试卷,但是其中有些试卷对于提升学生成绩是没有帮助的。主要原因有两个:一是系统没有更新能力值,学生开始第一份试卷时,测试系统是根据学生当前能力值或者系统默认难度值生成试卷,学生通过测试对一些难度的知识点已经掌握,系统出下一份试卷时和第一份试卷是一样的。因此,试卷没有意义。二是满足要求的试题有多个,系统生成的试卷不一定是最好的。针对这些问题,本文提出以项目反应理论为基础,极大似然估计与最大信息量相结合的测试系统。本文首先对项目反应理论基本原理、基本假设、项目反应模型进行分析,分析选择Logistic模型的优点,本文用极大似然方法对学生能力值进行估计,并通过学生不断考试进行能力值修正。自适应测试系统根据用户设置条件生成试卷,因题库有多个符合条件的试题,系统根据条件生成多份试卷,最后采用最大信息量法计算试卷的信息量,选择最大信息量的试卷作为学生考试的试卷,从而达到考察学生的目的。系统将学生作答反应反馈给系统,系统调整学生能力值,并为下一次测试做准备。
汪文义,丁树良,宋丽红,邝铮,曹慧媛[8](2016)在《神经网络和支持向量机在认知诊断中的应用》文中指出认知诊断评估的主要问题是如何准确进行被试分类和项目属性标定。本文使用概率神经网络(PNN)和支持向量机(SVM)进行被试分类和属性标定,重点讨论PNN用于诊断的理论根据。模拟研究表明:PNN方法表现最好,训练速度快且具有很好判准率和标定准确率;PNN与GDD方法在分类上表现相当,在独立结构下PNN更好;线性SVM具有较好判准率和标定准确率。软计算中此类方法可非常方便推广至多级评分测验数据分析。
熊建华,戴虹,罗芬,丁树良,汪文义[9](2014)在《基于GRM模型的BP神经网络参数估计》文中指出目前参数估计多采用统计方法,存在耗时长、要求被试样本容量大和项目数多等缺点。本文将BP神经网络和降维法相结合,对GRM的项目参数和考生能力参数进行估计。蒙特卡洛模拟结果显示:(1)不管是人多题少还是题多人少,该网络设计下的参数估计精度都较高;(2)可以应用到多个不同等级评分的参数估计中,甚至是超过15个等级的项目参数,估计精度也较高,这是其他参数估计方法所不可比拟的;(3)运行的时长和统计估计方法相比大大缩减。
关潮辉,丁树良[10](2014)在《基于IRT模型的BP神经网络参数估计的进一步研究》文中认为对基于IRT模型的BP神经网络降维法参数估计中的BP神经网络的网络隐层数及隐层节点数进行改进,并对其降维法中不合理的部分予以修正.通过蒙特卡洛模拟研究结果表明:对参数估计的各评价指标,改进的方法均优于原方法.
二、基于IRT模型的BP神经网络降维法参数估计及其应用(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于IRT模型的BP神经网络降维法参数估计及其应用(论文提纲范文)
(1)基于仿生口腔的牛肉鲜味品质和嫩度品质检测技术研究(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 研究目的与意义 |
1.1.1 牛肉鲜味品质和嫩度品质 |
1.1.2 口腔加工在食品检测中的意义 |
1.2 国内外研究现状 |
1.2.1 鲜味研究现状 |
1.2.2 嫩度研究现状 |
1.2.3 食品口腔加工检测研究现状 |
1.2.4 咀嚼模拟在食品检测中的研究现状 |
1.3 主要研究内容 |
第2章 基于仿生口腔装置的牛肉鲜味氨基酸检测方法研究 |
2.1 引言 |
2.2 试验材料与设备 |
2.2.1 试验试剂与设备 |
2.2.2 牛肉样品的制备 |
2.3 牛肉咀嚼过程的感官评定 |
2.3.1 感官评定小组 |
2.3.2 牛肉咀嚼试验的感官评定 |
2.3.3 感官评定指标的测定 |
2.3.4 牛肉咀嚼的感官评定结果 |
2.3.5 咀嚼过程中的参数结果 |
2.4 牛肉鲜味氨基酸的检测 |
2.4.1 检测方法 |
2.4.2 标准曲线的绘制 |
2.5 咀嚼参数对鲜味氨基酸释放单因素试验 |
2.5.1 咀嚼循环次数 |
2.5.2 咀嚼频率 |
2.5.3 唾液掺入量 |
2.5.4 咬合力 |
2.6 咀嚼参数对鲜味氨基酸释放影响的响应面试验设计 |
2.6.1 响应面试验因素水平 |
2.6.2 响应面试验设计 |
2.6.3 响应面方差分析 |
2.7 本章小结 |
第3章 咀嚼过程中牛肉鲜味氨基酸释放过程模型构建 |
3.1 引言 |
3.2 试验材料与设备 |
3.3 样品检测方法 |
3.4 牛肉鲜味氨基酸的释放过程模型构建 |
3.4.1 BP人工神经网络 |
3.4.2 GA-BP神经网络 |
3.4.3 小波神经网络 |
3.5 三种预测模型结果分析 |
3.5.1 模型的评估 |
3.5.2 模型的结果分析 |
3.6 本章小结 |
第4章 基于仿生口腔装置的牛肉嫩度检测方法研究 |
4.1 引言 |
4.2 牛肉品嫩度等级评定 |
4.2.1 感官评定牛肉嫩度等级 |
4.2.2 质构仪检测 |
4.3 基于仿生口腔装置对牛肉嫩度评价的预测 |
4.3.1 预测牛肉嫩度等级模型 |
4.3.2 Fisher判别模型的判别过程 |
4.3.3 Fisher判别模型的结果 |
4.4 咀嚼参数对牛肉嫩度评价影响 |
4.5 本章小结 |
第5章 牛肉鲜味品质和嫩度品质的检测系统开发 |
5.1 引言 |
5.2 检测软件系统 |
5.2.1 图形用户界面设计 |
5.2.2 SQL Server2016 数据库 |
5.2.3 检测软件系统的总体设计 |
5.3 检测软件系统的模块组成 |
5.3.1 “用户登录”模块 |
5.3.2 “样品鲜味检测”模块 |
5.3.3 “鲜味氨基酸信号采集”模块 |
5.3.4 “鲜味响应值结果输出”模块 |
5.3.5 “样品嫩度检测”模块 |
5.3.6 “嫩度品质信号采集”模块 |
5.3.7 “嫩度结果输出”模块 |
5.4 系统检测嫩度准确性 |
5.5 本章小结 |
第6章 结论 |
6.1 结论 |
6.2 展望 |
6.3 创新点 |
参考文献 |
作者简介及在学期间所取得的科研成果 |
致谢 |
(2)多模型融合建模方法研究及其在化学中的应用(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景与意义 |
1.2 研究内容安排 |
第二章 文献综述 |
2.1 前言 |
2.2 单一建模方法 |
2.2.1 机理模型 |
2.2.2 数据驱动模型 |
2.3 多模型融合建模方法 |
2.3.1 混合建模方法 |
2.3.2 同类数据驱动建模方法 |
2.3.3 异类数据驱动建模方法 |
2.4 多模型融合建模方法研究展望 |
2.5 本章小结 |
第三章 基于同类子模型的多模型融合建模方法 |
3.1 前言 |
3.2 单一建模方法 |
3.2.1 BP神经网络 |
3.2.2 支持向量机 |
3.2.3 极限学习机 |
3.3 同类模型融合方法 |
3.3.1 模型框架 |
3.3.2 组合权重求取方法 |
3.3.3 实施步骤 |
3.4 方法测试与分析 |
3.4.1 数据收集 |
3.4.2 模型建立 |
3.4.3 模型测试与性能评价 |
3.5 本章小结 |
第四章 基于异类子模型的多模型融合建模方法 |
4.1 前言 |
4.2 异类模型融合方法 |
4.2.1 模型框架 |
4.2.2 组合权重求取方法 |
4.2.3 实施步骤 |
4.3 方法测试与分析 |
4.3.1 模型建立 |
4.3.2 模型测试与性能评价 |
4.4 本章小结 |
第五章 CO_2在离子液体中溶解度预测应用研究 |
5.1 前言 |
5.2 模型建立 |
5.2.1 数据收集与分析 |
5.2.2 子模型建立 |
5.3 融合模型应用结果与分析 |
5.3.1 同类子模型融合模型应用 |
5.3.2 异类子模型融合模型应用 |
5.3.3 两种模型的应用对比分析 |
5.4 本章小结 |
第六章 总结与展望 |
6.1 全文总结 |
6.2 研究展望 |
参考文献 |
附录 |
致谢 |
作者简介 |
1 作者简历 |
2 攻读硕士学位期间发表的学术论文 |
3 参与的科研项目及获奖情况 |
4 发明专利 |
学位论文数据集 |
(3)项目反应理论在自适应选题策略中的应用探讨(论文提纲范文)
中文摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景 |
1.2 国内外研究现状及发展趋势 |
1.3 本文的研究内容和方法 |
1.4 本文的结构 |
第2章 项目反应理论的参数估量方法探讨 |
2.1 项目反应模型的Gibbs抽样方法的参数估量 |
2.1.1 项目反应理论的由来 |
2.1.2 二级评分模型 |
2.1.3 Gibbs抽样方法的参数估计 |
2.2 基于项目反应模型的BP神经网络的参数估量 |
2.2.1 神经网络工作原理 |
2.2.2 神经网络的架构设计 |
2.2.3 神经网络的参数设置 |
2.2.4 BP神经网络架构改进 |
2.2.5 BP神经网络参数估计 |
第3章 参数估计的模拟比较及实际数据分析 |
3.1 能力参数及项目参数的估计 |
3.2 评价参数估计 |
3.3 题库数据说明 |
3.4 参数估计结果 |
第4章 计算机自适应选题策略 |
4.1 计算机自适应测验 |
4.2 题库的组成及初始项目的选择 |
4.3 选题策略 |
4.3.1 最大信息量选题策略 |
4.3.2 能力匹配选题策略 |
4.3.3 最大能力值匹配选题策略 |
4.3.4 按难度分层的选题策略 |
4.4 能力值的估计方法 |
4.5 测试终止规则 |
第5章 自适应选题策略的模拟比较 |
5.1 模拟设计 |
5.1.1 模拟研究的目的 |
5.1.2 模拟测验反应 |
5.2 评价指标 |
5.2.1 人均用题数 |
5.2.2 能力估计标准差 |
5.2.3 能力估计准确性 |
5.3 模拟选题策略 |
5.3.1 最大能力匹配选题策略模拟 |
5.3.2 按难度分层的选题策略模拟 |
结论 |
参考文献 |
致谢 |
(4)基于数据融合的丰满水库长期径流预报研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景和目标 |
1.1.1 研究背景 |
1.1.2 研究目标 |
1.2 国内外研究进展 |
1.2.1 三大尺度因子径流预报研究 |
1.2.2 因子相关性分析 |
1.2.3 传统统计预报模型 |
1.2.4 现代水文预报模型 |
1.2.5 研究进展的总结 |
1.3 本文研究介绍 |
1.3.1 研究问题 |
1.3.2 研究方法 |
1.3.3 研究内容 |
1.3.4 技术路线图 |
第二章 径流预报技术的系统分析 |
2.1 来水丰枯的影响机理 |
2.1.1 热量与引力作用 |
2.1.2 地形和海陆分布作用 |
2.2 来水预报基于的基本特性 |
2.2.1 周期性 |
2.2.2 有序性 |
2.2.3 遥相关性 |
2.2.4 结构特性 |
2.3 来水与极端来水预报的思路 |
2.3.1 预报因子基于空间尺度的分类 |
2.3.2 预报因子基于时间尺度的分类 |
2.3.3 预报值基于预报特征的分类 |
2.3.4 基于信息融合的流域来水预报 |
2.4 研究流域分析 |
2.4.1 流域介绍 |
2.4.2 流域丰枯机理 |
2.5 小结 |
第三章 三大尺度因子与径流的统计分析 |
3.1 天文尺度因子相位与流域来水规律分析 |
3.1.1 太阳黑子相对数 |
3.1.2 月球赤纬角 |
3.1.3 24节气阴历日期 |
3.2 全球尺度因子相位与流域来水规律分析 |
3.2.1 ENSO事件的发生与结束时间与流域来水丰枯的关系 |
3.2.2 ENSO事件特征值与流域来水丰枯的关系 |
3.3 流域尺度因子相位与流域来水规律分析 |
3.3.1 谚语机理分析 |
3.3.2 气象因子与来水属性级别统计分析 |
3.4 因子数值与流域来水统计分析方法 |
3.4.1 基础数据处理 |
3.4.2 相关性分析的方法 |
3.5 因子相关性分析结果 |
3.5.1 天文因子相关性分析 |
3.5.2 气象因子相关性分析 |
3.5.3 天文因子+海洋大气因子+气象因子相关性分析 |
3.6 结果分析 |
3.6.1 因子相位与流域来水规律 |
3.6.2 因子数值与流域来水相关性 |
3.7 小结 |
第四章 基于智能学习的预报因子融合的径流预报 |
4.1 预报方法 |
4.1.1 神经网络 |
4.1.2 决策树和随机森林 |
4.1.3 支持向量机 |
4.2 数据处理的方法 |
4.2.1 预报因子的处理 |
4.2.2 预报值的处理 |
4.2.3 预报值的评判指标 |
4.2.4 模型和因子优选的TOPSIS-模糊综合评判法 |
4.3 建模预报 |
4.4 结果统计分析 |
4.4.1 流域水量回归预报结果分析 |
4.4.2 流域来水量7级分类预报结果分析 |
4.4.3 流域来水量3级分类预报结果分析 |
4.4.4 33个因子方案分析 |
4.4.5 预报结果的最优方案 |
4.4.6 最优方案的预报结果分析 |
4.5 小结 |
第五章 基于相似性分析的预报因子融合的径流预报 |
5.1 相位对比法 |
5.1.1 基本原理 |
5.1.2 预报结果分析 |
5.2 相似模糊推理法 |
5.2.1 模糊推理法的基本原理 |
5.2.2 相似度的计算方法 |
5.2.3 主成分分析法计算权重 |
5.2.4 TOPSIS-模糊综合评判法优选最优模型 |
5.2.5 预报模型的建立 |
5.3 模糊推理法预报 |
5.3.1 因子组合分析 |
5.3.2 误差评定与优选判别 |
5.4 模糊推理法因子二次筛选 |
5.4.1 因子进出法寻优 |
5.4.2 因子进出法实例分析 |
5.5 模糊推理法预报结果 |
5.6 结果分析 |
5.7 小结 |
第六章 基于天文因子对比法的预报结果融合的径流预报 |
6.1 天文因子对比法机理分析 |
6.2 预报方法1-单一天文因子对比法 |
6.2.1 24节气阴历日期对比法 |
6.2.2 太阳黑子相对数对比法 |
6.2.3 月球赤纬角对比法 |
6.3 预报方法2-天文因子对比法预报结果的融合 |
6.3.1 天文因子预报结果的线性融合 |
6.3.2 天文因子融合法-主次因子对比法 |
6.3.3 天文因子融合法的修正 |
6.3.4 天文因子融合法定量预报 |
6.4 小结 |
第七章 基于点聚图法的预报结果融合的径流预报 |
7.1 点聚图法 |
7.1.1 点聚图的制作 |
7.1.2 预报方案 |
7.2 24节气阴历日期点聚图预报 |
7.2.1 极端来水年24节气阴历日期的聚类特性 |
7.2.2 24节气阴历日期聚类预报方法 |
7.2.3 24节气阴历日期聚类分析建模 |
7.2.4 基于聚类分析的来水预报 |
7.3 月球赤纬角和太阳黑子相对数点聚图预报 |
7.3.1 月球赤纬角聚类预报方法 |
7.3.2 太阳黑子相对数聚类预报方法 |
7.4 海洋大气因子与流域气象因子点聚图预报 |
7.5 多尺度因子点聚图预报结果融合 |
7.6 小结 |
第八章 基于来水结构融合的极端径流预报 |
8.1 基本定义 |
8.2 预报方法 |
8.2.1 一般来水结构预报-多方法预报结果融合 |
8.2.2 极端来水结构预报 |
8.2.3 基于改进可公度网络结构的极值点结构预报 |
8.2.4 极端来水年预报 |
8.3 实例应用 |
8.3.1 一般来水结构分析 |
8.3.2 极端来水结构分析 |
8.3.3 极值点结构的确定及极端来水年预报分析 |
8.3.4 连续极端来水年预报分析 |
8.4 讨论 |
8.5 小结 |
第九章 结论与展望 |
9.1 结论 |
9.2 展望 |
9.3 创新性 |
附表 |
参考文献 |
科研及发表论文情况 |
致谢 |
(5)基于近红外光谱技术的葵花籽品质分析研究(论文提纲范文)
摘要 |
ABSTRACT |
1 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 近年来光谱技术的研究现状 |
1.2.2 化学计量学的发展 |
1.2.3 向日葵质量分析技术的国内外研究现状 |
1.3 本课题的研究内容和研究方案 |
1.3.1 研究目标 |
1.3.2 研究内容 |
1.3.3 研究方案 |
1.4 论文章节安排 |
2 近红外光谱分析技术 |
2.1 近红外光谱技术的历史和现状 |
2.2 近红外光谱产生的机理 |
2.3 近红外光谱的特点 |
2.3.1 光谱范围覆盖的有机物多 |
2.3.2 丰富多样的光谱信息量 |
2.3.3 光谱信息强度弱 |
2.3.4 严重重叠的光谱峰 |
2.4 近红外光谱的理论基础 |
2.5 近红外光谱分析的流程 |
2.5.1 选择校正样本 |
2.5.2 光谱的预处理和波长选择 |
2.5.3 建立光谱校正模型 |
2.5.4 未知样品参数预测 |
2.6 相关指标的解释 |
2.6.1 奇异点及奇异点检测 |
2.6.2 验证方法 |
2.6.3 判定方法 |
2.7 本章小结 |
3 光谱信号预处理和波长选择研究 |
3.1 光谱预处理 |
3.1.1 一阶导数 |
3.1.2 附加散射校正 |
3.1.3 标准化和中心化 |
3.1.4 小波变换 |
3.2 波长选择方法 |
3.2.1 相关系数法和方差分析法 |
3.2.2 逐步回归筛选法 |
3.2.3 无信息变量消除方法 |
3.3 本章小结 |
4 葵花籽近红外定性分析 |
4.1 葵花籽不同批次样本间的聚类分析 |
4.2 近红外光谱定性识别分析的一般程序 |
4.3 近红外定性识别模型的主要指标 |
4.4 欧式距离分类器 |
4.4.1 欧式距离 |
4.4.2 分类原理 |
4.5 基于正交编码的偏最小二乘降维分类器 |
4.5.1 正交编码 |
4.5.2 偏最小二乘降维 |
4.6 葵花籽分类实证分析 |
4.7 本章小结 |
5 葵花籽品质参数与近红外光谱的定量分析 |
5.1 偏最小二乘线性回归分析 |
5.1.1 算法原理 |
5.1.2 偏最小二乘的算法流程 |
5.1.3 异常样品剔除和有效性验证 |
5.1.4 实证分析 |
5.2 BP神经网络 |
5.2.1 神经元模型和BP神经网络拓扑结构 |
5.2.2 BP神经网络基本算法 |
5.2.3 BP神经网络改进算法 |
5.2.4 基于BP神经网络的葵花籽指标预测实证分析 |
5.3 本章小结 |
6 基于近红外光谱技术的葵花籽品质预测分析 |
6.1 数据来源和算法依赖平台 |
6.1.1 数据来源 |
6.1.2 算法平台 |
6.2 葵花籽相关物质含量预测模型 |
6.2.1 BP与 PLS模型结果分析 |
6.2.2 分类后的BP模型与分类后的BP模型结果分析 |
6.2.3 四种模型结果比较 |
7 总结与展望 |
7.1 总结 |
7.2 展望 |
参考文献 |
攻读硕士学位期间的科研成果 |
致谢 |
(6)基于优化原理的多光谱真温反演算法研究(论文提纲范文)
符号说明 |
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 课题研究的目的与意义 |
1.2 辐射测温的研究现状 |
1.2.1 温度测量的基本方法 |
1.2.2 多光谱辐射测温法的研究现状 |
1.2.3 二维温度场的研究现状 |
1.3 本领域存在的关键技术 |
1.4 本文的主要研究内容 |
第2章 单目标函数极小值真温反演算法 |
2.1 引言 |
2.2 辐射测温基本理论 |
2.3 光谱发射率变化的假设模型 |
2.3.1 光谱发射率与波长假设模型 |
2.3.2 光谱发射率与真温假设模型 |
2.4 单目标函数极小值真温模型的原理 |
2.4.1 单目标函数 |
2.4.2 等式约束条件 |
2.4.3 不等式约束条件 |
2.5 单目标函数极小值真温模型的求解 |
2.6 罚函数法的求解原理 |
2.6.1 外点罚函数法 |
2.6.2 内点罚函数法 |
2.6.3 混合型罚函数法 |
2.6.4 单目标函数极小值真温模型的求解流程 |
2.7 单目标函数极小值真温模型的仿真 |
2.7.1 仿真初始条件 |
2.7.2 真温的仿真 |
2.7.3 光谱发射率的仿真 |
2.8 二次测量法与单目标函数极小值真温模型反演对比分析 |
2.9 神经网络的二次辨识法与极小值法真温反演对比分析 |
2.10 本章小结 |
第3章 多目标函数极小值真温反演算法 |
3.1 引言 |
3.2 多目标函数极小值法真温模型的原理 |
3.2.1 多目标函数 |
3.2.2 等式约束条件 |
3.2.3 不等式约束条件 |
3.3 多目标函数极小值优化法的求解 |
3.3.1 降维法 |
3.3.2 顺序单目标函数求解法 |
3.3.3 评价函数法 |
3.4 多目标函数极小值法真温模型的仿真 |
3.4.1 真温的仿真 |
3.4.2 发射率的仿真 |
3.5 二次测量法与多目标函数极小值法真温反演对比分析 |
3.6 单目标函数和多目标函数极小值法真温反演分析 |
3.7 神经网络的二次辨识法与多目标极小值法真温反演对比 |
3.8 火箭尾焰真温及光谱发射率反演 |
3.9 本章小结 |
第4章 普朗克原理的多目标函数极小值真温反演算法 |
4.1 引言 |
4.2 普朗克原理的多目标函数极小值法真温模型的原理 |
4.2.1 多目标函数 |
4.2.2 等式约束条件 |
4.2.3 不等式约束条件 |
4.3 普朗克原理多目标函数极小值法的求解 |
4.4 普朗克原理的多目标函数极小值法真温模型的仿真 |
4.4.1 真温的仿真 |
4.4.2 发射率的仿真 |
4.5 光谱识别法与普朗克极小值法真温反演对比分析 |
4.5.1 光谱识别法的基本原理 |
4.5.2 普朗克原理的多目标函数极小值法的真温反演 |
4.6 本章小结 |
第5章 二维真温温度场点数与精度的关系 |
5.1 引言 |
5.2 合理真温点数的确定理论 |
5.2.1 正态分布假设模型 |
5.2.2 t分布假设模型 |
5.3 真温点的分布和选取方法 |
5.4 反距离加权法 |
5.5 克里金插值法 |
5.6 样条函数插值法 |
5.7 插值方法对温度场空间分布特征的影响 |
5.8 测量点数与重建精度之间的关系 |
5.9 本章小结 |
结论 |
参考文献 |
攻读博士学位期间发表的论文 |
致谢 |
个人简历 |
(7)基于IRT模型的智能自适应测试系统的研究与实现(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.3 论文的主要内容 |
1.4 论文的组织结构 |
第二章 项目反应理论和能力值估计 |
2.1 项目反应理论 |
2.1.1 项目反应理论基本原理 |
2.1.2 项目反应理论基本假设 |
2.1.3 项目反应理论模型 |
2.1.4 项目反应理论信息函数 |
2.2 能力参数估计 |
2.2.1 智能组卷系统考试过程 |
2.2.2 极大似然估计法 |
2.3 最大信息量法 |
第三章 算法的研究与实现 |
3.1 项目反应理论在自适应测试中的研究与实现 |
3.1.1 计算机自适应测试流程 |
3.1.2 计算机自适应测试系统关键算法实现 |
第四章 系统需求分析 |
4.1 智能组卷简述 |
4.2 系统总体需求 |
4.3 系统功能需求 |
4.3.1 用户登录需求 |
4.3.2 用户信息管理需求 |
4.3.3 题库管理 |
4.3.4 模板管理 |
4.3.5 试卷管理 |
4.3.6 统计查询 |
4.4 系统非功能性需求 |
第五章 系统设计和实现 |
5.1 相关技术介绍 |
5.1.1 MVC模式 |
5.1.2 Bootstrap框架 |
5.1.3 C#和 ADO. NET 技术 |
5.1.4 B/S架构 |
5.2 系统架构 |
5.3 系统功能结构设计 |
5.3.1 用户管理模快的设计 |
5.3.2 题库管理的设计 |
5.3.3 模板管理的设计 |
5.3.4 试卷管理的设计 |
5.3.5 考试管理的设计 |
5.3.6 统计查询的设计 |
5.4 数据库设计 |
5.4.1 系统E-R图 |
5.5 系统实现 |
5.5.1 用户登录实现 |
5.5.2 用户信息管理 |
5.5.3 题库管理 |
5.5.4 模板管理 |
5.5.5 试卷管理 |
5.5.6 考试管理 |
5.5.7 统计查询 |
第六章 系统测试 |
6.1 白盒测试和黑盒测试 |
6.2 用例测试 |
6.2.1 账号测试 |
6.2.2 功能图法测试用例设计 |
6.2.3 试卷管理模快测试 |
6.2.4 测试总结 |
第七章 总结与展望 |
7.1 总结 |
7.2 展望 |
参考文献 |
致谢 |
(9)基于GRM模型的BP神经网络参数估计(论文提纲范文)
1 引言 |
1.1 GRM |
1.2 BP 神经网络 |
2 实验设计及步骤 |
2.1 得分矩阵的模拟 |
2.2 能力参数θ 的估计 |
2.3 区分度参数a 的估计 |
2.4 难度参数向量b 的估计 |
3 实验结果与分析 |
3.1 评价指标 |
3.2 实验结果 |
3.3结果分析 |
4 本估计方法的实际应用 |
5 进一步研究的问题 |
(10)基于IRT模型的BP神经网络参数估计的进一步研究(论文提纲范文)
0 引言 |
1 研究方法 |
1.1 BP降维法 |
1.2 改进的BP降维法 |
2 试验 |
3 结果及其分析 |
4 进一步的讨论 |
四、基于IRT模型的BP神经网络降维法参数估计及其应用(论文参考文献)
- [1]基于仿生口腔的牛肉鲜味品质和嫩度品质检测技术研究[D]. 段晋娇. 吉林大学, 2020(08)
- [2]多模型融合建模方法研究及其在化学中的应用[D]. 王佳晨. 浙江工业大学, 2020(02)
- [3]项目反应理论在自适应选题策略中的应用探讨[D]. 水晓丽. 黑龙江大学, 2020(05)
- [4]基于数据融合的丰满水库长期径流预报研究[D]. 雷冠军. 中国水利水电科学研究院, 2020(04)
- [5]基于近红外光谱技术的葵花籽品质分析研究[D]. 黄莎. 武汉大学, 2019(06)
- [6]基于优化原理的多光谱真温反演算法研究[D]. 张福才. 哈尔滨工业大学, 2019(01)
- [7]基于IRT模型的智能自适应测试系统的研究与实现[D]. 姜娟娟. 湖南师范大学, 2017(07)
- [8]神经网络和支持向量机在认知诊断中的应用[J]. 汪文义,丁树良,宋丽红,邝铮,曹慧媛. 心理科学, 2016(04)
- [9]基于GRM模型的BP神经网络参数估计[J]. 熊建华,戴虹,罗芬,丁树良,汪文义. 心理科学, 2014(06)
- [10]基于IRT模型的BP神经网络参数估计的进一步研究[J]. 关潮辉,丁树良. 江西师范大学学报(自然科学版), 2014(04)