一、一種基于直接選擇排序算法的改進(jìn)（論文文獻(xiàn)綜述）
王丹陽(yáng)[1]（2020）在《基于空氣質(zhì)量數(shù)據(jù)的多模式可視化系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)》文中認(rèn)為隨著大數(shù)據(jù)時(shí)代的到來(lái),各行各業(yè)都十分關(guān)注對(duì)繁雜無(wú)序數(shù)據(jù)的分析處理及友好展示。數(shù)據(jù)可視化是一種按照一定規(guī)則,針對(duì)不同類型數(shù)據(jù)的特點(diǎn),通過(guò)圖表、圖譜或交互式展示等方式對(duì)數(shù)據(jù)進(jìn)行清晰直觀展示的技術(shù)。可視化技術(shù)還有通過(guò)動(dòng)畫(huà)動(dòng)態(tài)效果突出再現(xiàn)數(shù)據(jù)變化的連貫性和其內(nèi)在聯(lián)系的展示方式。如何對(duì)不同類型的、時(shí)變性的空氣質(zhì)量數(shù)據(jù)進(jìn)行可視化展示,以輔助后續(xù)數(shù)據(jù)變化規(guī)律分析及趨勢(shì)展示是本論文工作的主要內(nèi)容。對(duì)于圖像類型的空氣質(zhì)量數(shù)據(jù),利用計(jì)算機(jī)視覺(jué)相關(guān)技術(shù)對(duì)其進(jìn)行處理,進(jìn)而實(shí)現(xiàn)可視化展示是一個(gè)非常值得探索的工作,深度學(xué)習(xí)在近年機(jī)器學(xué)習(xí)領(lǐng)域中的圖像識(shí)別方面卓有成效,本論文著重討論了將計(jì)算機(jī)視覺(jué)、深度學(xué)習(xí)模型等技術(shù)與采集的數(shù)據(jù)相結(jié)合,并進(jìn)行數(shù)據(jù)可視化。論文將計(jì)算機(jī)視覺(jué)中的圖像配準(zhǔn)算法、圖像模糊處理算法以及多階段動(dòng)態(tài)生成式對(duì)抗網(wǎng)絡(luò)模型,運(yùn)用到圖像類型數(shù)據(jù)的動(dòng)態(tài)可視化當(dāng)中,通過(guò)對(duì)圖像配準(zhǔn)算法、圖像模糊處理算法的分析,設(shè)計(jì)實(shí)現(xiàn)了一種基于靜態(tài)離散圖像生成動(dòng)態(tài)延時(shí)影片的方案,并對(duì)多階段動(dòng)態(tài)生成式對(duì)抗網(wǎng)絡(luò)模型的效果進(jìn)行了驗(yàn)證。此外,論文還結(jié)合Web前端技術(shù),對(duì)文本類數(shù)據(jù)進(jìn)行動(dòng)畫(huà)效果可視化的設(shè)計(jì)實(shí)現(xiàn),將一定時(shí)間區(qū)間內(nèi)多區(qū)域的大量空氣質(zhì)量數(shù)據(jù)進(jìn)行量級(jí)排名,并將結(jié)果及其變化進(jìn)行動(dòng)態(tài)展現(xiàn),也設(shè)計(jì)實(shí)現(xiàn)了一種靜態(tài)統(tǒng)計(jì)圖表來(lái)展現(xiàn)文本類數(shù)據(jù)的對(duì)比情況及各自變化趨勢(shì)。論文所描述的多模式可視化系統(tǒng),實(shí)現(xiàn)了靜態(tài)離散圖像類數(shù)據(jù)的動(dòng)態(tài)可視化展示,再現(xiàn)了一段時(shí)間內(nèi)固定站點(diǎn)處的空氣質(zhì)量變化情況,彌補(bǔ)了單張離散圖像展示內(nèi)容非連續(xù)且片面的不足;系統(tǒng)還實(shí)現(xiàn)了空氣質(zhì)量文本類數(shù)據(jù)的動(dòng)態(tài)和靜態(tài)模式的可視化展示,完成了對(duì)不同類型數(shù)據(jù)的直觀清晰呈現(xiàn)。
王龍[2]（2020）在《多特征與注意力機(jī)制相結(jié)合的答案選擇排序研究》文中認(rèn)為答案選擇排序作為問(wèn)答系統(tǒng)中重要的組成部分,其策略的好壞是保證問(wèn)答系統(tǒng)質(zhì)量的關(guān)鍵。答案選擇排序任務(wù)是對(duì)與問(wèn)題相關(guān)的多個(gè)答案按照相似度從高到低排序,目的是選出最佳答案。本文針對(duì)答案選擇排序這一問(wèn)題,提出了一種將多種神經(jīng)網(wǎng)絡(luò)與多種特征信息及注意力機(jī)制相融合的模型。通過(guò)Word2vec工具分別對(duì)問(wèn)題和候選答案進(jìn)行詞向量表示,將問(wèn)題和候選答案的詞向量結(jié)合并送入卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí),同時(shí)對(duì)卷積神經(jīng)網(wǎng)絡(luò)做出改進(jìn),引入Leaky-Re LU激活函數(shù)及2-Max Pooling池化操作,采用拼接的方式將學(xué)習(xí)結(jié)果與詞匯特征、主題特征相結(jié)合,其中詞匯特征由Stanford Core NLP工具訓(xùn)練語(yǔ)料生成、主題特征從數(shù)據(jù)集中提取,得到的拼接向量作為雙向門控循環(huán)單元的輸入部分,將正向和反向的輸出結(jié)果組合后送入多層感知器進(jìn)行處理,處理結(jié)果通過(guò)Softmax分類器得出最終選擇排序結(jié)果。在某些情況下,存在候選答案中的某個(gè)或某幾個(gè)單詞對(duì)答案選擇排序起到關(guān)鍵作用的可能性,因此為了捕獲候選答案中相對(duì)有用的信息,在模型中又引入注意力機(jī)制。通過(guò)在特征拼接部分加入Attention項(xiàng)的方法使模型聚焦在重要信息區(qū)域,該Attention項(xiàng)是在問(wèn)題和候選答案之間的對(duì)齊關(guān)系的基礎(chǔ)上引入加性、點(diǎn)積、縮放點(diǎn)積、雙線性四種常用的注意力模型而生成的。實(shí)驗(yàn)結(jié)果表明本文所提的新模型能夠顯著提高答案選擇排序方面的準(zhǔn)確率,該模型在微軟公司2015年公開(kāi)的Wiki QACorpus數(shù)據(jù)集上運(yùn)行的準(zhǔn)確率達(dá)到80.86%,較基線模型和自對(duì)比模型相比均有所提高。
崔潤(rùn)東[3]（2020）在《基于多索引的實(shí)時(shí)實(shí)體解析與關(guān)鍵詞查詢處理》文中進(jìn)行了進(jìn)一步梳理傳統(tǒng)的關(guān)鍵詞Top-N查詢技術(shù)大多基于干凈數(shù)據(jù)集,難以直接用于臟數(shù)據(jù)集。臟數(shù)據(jù)集中可能存在大量包含拼寫(xiě)錯(cuò)誤、空值或重復(fù)的記錄,直接查詢難以得到可靠的結(jié)果,從而影響后續(xù)決策分析的準(zhǔn)確性甚至得到錯(cuò)誤的結(jié)論。傳統(tǒng)實(shí)體解析技術(shù)識(shí)別與合并臟數(shù)據(jù)集中的重復(fù)記錄,從而得到一個(gè)干凈數(shù)據(jù)集,但是其耗時(shí)大且難以直接與查詢算法相結(jié)合,所以有必要研究實(shí)時(shí)實(shí)體解析技術(shù)并且設(shè)計(jì)有效的分塊索引和算法,使其可以在亞秒級(jí)時(shí)間內(nèi)完成一條記錄的解析。針對(duì)包含重復(fù)、拼寫(xiě)錯(cuò)誤或空值等類型的臟數(shù)據(jù),本文研究實(shí)時(shí)實(shí)體解析和關(guān)鍵詞Top-N查詢技術(shù)。本文的主要工作包括:（1）針對(duì)數(shù)據(jù)集中的多個(gè)屬性建立多個(gè)索引,每個(gè)索引根據(jù)相應(yīng)屬性值的特征使用不同的索引結(jié)構(gòu),包括哈希索引、跳躍表索引以及B+樹(shù)索引等,用來(lái)對(duì)數(shù)據(jù)集進(jìn)行劃分?；诙鄠€(gè)索引構(gòu)成全局索引來(lái)協(xié)同檢索候選元組。（2）設(shè)計(jì)基于多索引的實(shí)時(shí)實(shí)體解析相應(yīng)的排序函數(shù)與算法。排序函數(shù)以編輯距離為基礎(chǔ),利用元組間相同屬性值的數(shù)目以及屬性值長(zhǎng)度等因素來(lái)判斷兩元組是否指向同一實(shí)體。所設(shè)計(jì)的算法通過(guò)對(duì)數(shù)據(jù)集進(jìn)行分塊,減少候選元組的數(shù)目,從而提高實(shí)體解析效率。同時(shí)避免不必要的計(jì)算,以減少實(shí)體解析的時(shí)間,使其可以在亞秒級(jí)時(shí)間內(nèi)解析一條記錄。（3）基于多索引,設(shè)計(jì)兩種關(guān)鍵詞Top-N查詢算法來(lái)對(duì)臟數(shù)據(jù)集進(jìn)行查詢處理。一種是基于實(shí)體解析結(jié)果的關(guān)鍵詞查詢,另一種是融合實(shí)時(shí)實(shí)體解析的關(guān)鍵詞查詢。同時(shí)利用元組屬性的數(shù)目、屬性的重要程度、查詢?cè)~的匹配數(shù)目等因素設(shè)計(jì)排序函數(shù),對(duì)關(guān)鍵詞查詢結(jié)果進(jìn)行排序。本文基于真實(shí)數(shù)據(jù)合成了多個(gè)有著不同規(guī)模、重復(fù)次數(shù)、拼寫(xiě)錯(cuò)誤或空值的臟數(shù)據(jù)集。通過(guò)在這些臟數(shù)據(jù)集上進(jìn)行大量實(shí)驗(yàn),驗(yàn)證了本文所提出的實(shí)體解析算法與關(guān)鍵詞查詢算法的有效性與高效性。
崔家源[4]（2020）在《基于注意力機(jī)制的答案選擇排序研究》文中研究表明搜索引擎的使用方便了人們的生活,但其查詢結(jié)果仍需要人工篩選。給定一個(gè)問(wèn)題,如何精準(zhǔn)地獲取正確答案顯得至關(guān)重要。答案選擇排序是解決該問(wèn)題的一個(gè)切入點(diǎn),其關(guān)鍵就是問(wèn)題答案句子之間的語(yǔ)義相似度計(jì)算。在語(yǔ)義相似度計(jì)算方法一定的條件下,問(wèn)題答案句子之間的語(yǔ)義相似度主要取決于問(wèn)題答案句子內(nèi)部的語(yǔ)法語(yǔ)義信息以及問(wèn)題答案句子之間的語(yǔ)義信息。本課題基于語(yǔ)義相關(guān)度距離概念假設(shè),構(gòu)建新的答案選擇排序模型,并且從以上兩個(gè)方面提升模型性能。本課題研究的主要貢獻(xiàn)如下:1.提出了問(wèn)題答案句子語(yǔ)義相關(guān)度距離的概念假設(shè),詳細(xì)詮釋了如何將候選答案集合中的正確答案和錯(cuò)誤答案區(qū)分開(kāi),從而把正確答案選擇出來(lái)。然后,依據(jù)該理論構(gòu)建了新的答案選擇排序模型。2.針對(duì)答案選擇排序任務(wù),使用統(tǒng)計(jì)和深度學(xué)習(xí)相結(jié)合的方法提取句子詞性特征。先使用深度學(xué)習(xí)模型進(jìn)行句子上下文語(yǔ)義捕獲,再使用統(tǒng)計(jì)模型進(jìn)行標(biāo)注并解決未登錄詞的標(biāo)注問(wèn)題。然后通過(guò)集成兩種模型的優(yōu)勢(shì)進(jìn)行高效地詞性特征提取,并進(jìn)行實(shí)驗(yàn)性能驗(yàn)證。最后將問(wèn)題答案句子詞性特征與排序模型融合,增強(qiáng)問(wèn)題答案句子內(nèi)部語(yǔ)法語(yǔ)義信息。3.通過(guò)詞性與原始語(yǔ)料融合后的語(yǔ)義引入注意力機(jī)制。區(qū)別于針對(duì)原始語(yǔ)料或者問(wèn)題答案句子某一特征進(jìn)行的注意力矩陣構(gòu)造等已有的注意力使用方法,本文先將詞性與原始語(yǔ)料進(jìn)行融合,再運(yùn)用融合后的向量構(gòu)造注意力矩陣,進(jìn)而融合到排序模型之中,增強(qiáng)問(wèn)題答案句子之間的語(yǔ)義信息。基于以上研究,本文排序模型在NLPCC 2017 DBQA問(wèn)答數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)。結(jié)果表明,本文基線排序模型融合詞性和注意力之后,其MAP、MRR和ACC@1三個(gè)性能指標(biāo)分別達(dá)到79.34%、79.42%和70.13%,明顯高于其他排序模型的性能,從而驗(yàn)證了本課題排序模型理論假設(shè)的正確性及模型的合理性、有效性和先進(jìn)性。
羅康洋[5]（2020）在《基于支持向量機(jī)的高維不平衡數(shù)據(jù)集分類算法及其應(yīng)用研究》文中研究表明隨著計(jì)算機(jī)存儲(chǔ)與數(shù)據(jù)采集技術(shù)的高速發(fā)展,基因組學(xué)、財(cái)務(wù)預(yù)警、文本分類、客戶流失預(yù)測(cè)和垃圾郵件識(shí)別等應(yīng)用領(lǐng)域產(chǎn)生的海量數(shù)據(jù)呈現(xiàn)出高維和類不平衡的雙重特性。在將這些高復(fù)雜度的數(shù)據(jù)集轉(zhuǎn)化為具有應(yīng)用價(jià)值的信息時(shí),傳統(tǒng)機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘技術(shù)面臨著嚴(yán)峻的挑戰(zhàn)?；诖?本文針對(duì)高維不平衡數(shù)據(jù)分類面臨的困難,研究了如下內(nèi)容:第一,針對(duì)數(shù)據(jù)集的類不平衡問(wèn)題,本文提出了循環(huán)采樣算法FTL-SMOTE。現(xiàn)有的傳統(tǒng)過(guò)采樣技術(shù)僅從數(shù)據(jù)的統(tǒng)計(jì)特征出發(fā)對(duì)數(shù)據(jù)進(jìn)行平衡化處理,與后續(xù)的分類算法無(wú)關(guān),這導(dǎo)致平衡化后的數(shù)據(jù)集可能不適用于分類器。因此,該算法將SVM分類器的分類結(jié)果考慮進(jìn)了采樣過(guò)程,即在SVM分類器監(jiān)督的情況下,基于SMOTE采取不同策略對(duì)分類正確和錯(cuò)誤的少數(shù)類樣本進(jìn)行精確化的循環(huán)采樣。此外,為了避免噪聲樣本對(duì)采樣過(guò)程的干擾,本文提出了噪聲樣本識(shí)別三原則對(duì)噪聲樣本進(jìn)行精確識(shí)別并在采樣過(guò)程中予以剔除。大量數(shù)值結(jié)果顯示,與經(jīng)典的SMOTE等重要采樣算法以及標(biāo)準(zhǔn)SVM相比,FTL-SMOTE過(guò)采樣算法具有更好的分類效果。第二,針對(duì)數(shù)據(jù)集的高維不平衡問(wèn)題,本文提出了FTL-SMOTE+ISVM-RFE（FPD）組合模型。首先,為克服數(shù)據(jù)集的類不平衡問(wèn)題,采用FTL-SMOTE算法對(duì)數(shù)據(jù)集進(jìn)行平衡化處理;然后,在平衡化后的數(shù)據(jù)集上,本文提出了新的嵌入過(guò)濾型準(zhǔn)則的封裝型特征選擇算法ISVM-RFE（FPD）。該算法是從特征選擇排序準(zhǔn)則和特征選擇過(guò)程兩方面對(duì)經(jīng)典的封裝型特征選擇算法SVM-RFE的改進(jìn)。在四個(gè)公開(kāi)的癌癥微陣列數(shù)據(jù)集上的大量實(shí)驗(yàn)表明,ISVM-RFE（FPD）算法在rrp和G值方面優(yōu)于SVM-RFE算法以及現(xiàn)有的嵌入過(guò)濾型準(zhǔn)則的封裝型特征選擇算法。第三,本文研究了FTL-SMOTE+ISVM-RFE（FPD）組合模型在上市公司財(cái)務(wù)預(yù)警問(wèn)題中的應(yīng)用。伴隨全球經(jīng)濟(jì)一體化和市場(chǎng)經(jīng)濟(jì)的快速發(fā)展,我國(guó)上市公司財(cái)務(wù)預(yù)警數(shù)據(jù)呈現(xiàn)出高維和類不平衡的雙重特性。為了驗(yàn)證提出算法在該類數(shù)據(jù)集中的有效性,本文構(gòu)建了兩個(gè)新的財(cái)務(wù)預(yù)警組合模型ISVM-RFE（FPD）+MKSVM和ISVM-RFE（FPD）+CSMKSVM,并在第一個(gè)和第二個(gè)模型中的特征選擇過(guò)程中以及在第一個(gè)模型的分類過(guò)程中引入過(guò)采樣算法FTL-SMOTE。大量實(shí)證研究表明,本文提出的組合模型在降維和分類方面優(yōu)于其他組合模型,其中ISVM-RFE（FPD）+CSMKSVM模型的表現(xiàn)最佳。
王曉琳[6]（2020）在《面向需求的回歸測(cè)試下測(cè)試用例優(yōu)先排序技術(shù)研究》文中指出回歸測(cè)試是軟件測(cè)試的一個(gè)重要環(huán)節(jié)。隨著測(cè)試版本不斷增加,如何提高回歸測(cè)試效率成為軟件測(cè)試的重點(diǎn)和難點(diǎn)。本文以需求為出發(fā)點(diǎn),重點(diǎn)研究回歸測(cè)試優(yōu)化的一個(gè)主要內(nèi)容:測(cè)試用例優(yōu)先排序。傳統(tǒng)測(cè)試用例優(yōu)先排序技術(shù)大多是無(wú)反饋或無(wú)記憶技術(shù),即每次排序?yàn)楠?dú)立排序。隨著軟件復(fù)雜度不斷增高,傳統(tǒng)測(cè)試技術(shù)基本達(dá)到瓶頸,如何在多元化的軟件工程中繼續(xù)提高回歸測(cè)試效率降低開(kāi)銷已成為軟件測(cè)試研究領(lǐng)域亟待解決的問(wèn)題。針對(duì)回歸測(cè)試下測(cè)試用例優(yōu)先排序效率問(wèn)題,本文提出一種面向需求的基于測(cè)試歷史信息的測(cè)試用例優(yōu)先排序技術(shù)。該技術(shù)將需求信息、錯(cuò)誤反饋信息及歷史信息三者結(jié)合,考慮整個(gè)回歸過(guò)程對(duì)測(cè)試的不斷影響,為每一個(gè)測(cè)試用例賦予執(zhí)行概率。執(zhí)行概率大的測(cè)試用例優(yōu)先執(zhí)行。通過(guò)實(shí)驗(yàn)表明,在多輪回歸測(cè)試場(chǎng)景下,面向需求的基于歷史信息的測(cè)試排序技術(shù)相比其他傳統(tǒng)無(wú)記憶的排序技術(shù),在糾錯(cuò)速率上更有優(yōu)勢(shì)。針對(duì)具體的敏捷開(kāi)發(fā)環(huán)境場(chǎng)景,本文擴(kuò)展面向需求的基于歷史信息的測(cè)試排序技術(shù),提出一種基于敏捷開(kāi)發(fā)環(huán)境的面向需求的回歸測(cè)試優(yōu)化技術(shù)。首先,分別針對(duì)當(dāng)前版本和已發(fā)布版本的回歸測(cè)試設(shè)計(jì)敏捷優(yōu)先排序和敏捷測(cè)試選擇。敏捷優(yōu)先排序擴(kuò)展先前基于歷史信息的測(cè)試排序技術(shù),以新增功能為測(cè)試重點(diǎn),分階段進(jìn)行優(yōu)先排序,以提高糾錯(cuò)速率;敏捷測(cè)試選擇從以往測(cè)試糾錯(cuò)和需求關(guān)聯(lián)出發(fā),篩選失效測(cè)試用例和交互測(cè)試用例作為子集,以減少測(cè)試序列長(zhǎng)度。其次,將二者結(jié)合設(shè)計(jì)回歸測(cè)試優(yōu)化模型及優(yōu)化算法。實(shí)驗(yàn)證明,在敏捷開(kāi)發(fā)這種特定場(chǎng)景中,與現(xiàn)有的傳統(tǒng)優(yōu)先排序技術(shù)、測(cè)試選擇技術(shù)及二者的混合技術(shù)相比,本文所提的回歸測(cè)試優(yōu)化技術(shù)既可達(dá)到高錯(cuò)誤檢測(cè)率,又可減少待執(zhí)行測(cè)試用例數(shù)量,同時(shí)保證較高的安全性。在測(cè)試用例優(yōu)先排序問(wèn)題的研究上,傳統(tǒng)排序方法存在“先排序后執(zhí)行”的特點(diǎn)。一旦排序確定,在測(cè)試執(zhí)行過(guò)程中不會(huì)再改變測(cè)試序列的順序。這樣,執(zhí)行階段產(chǎn)生的反饋信息不能在本輪測(cè)試排序中使用,只能被用于下次測(cè)試當(dāng)中。針對(duì)執(zhí)行階段錯(cuò)誤反饋信息滯后使用問(wèn)題,本文提出一種面向需求的基于聚類的自適應(yīng)測(cè)試用例排序調(diào)整技術(shù)。該技術(shù)基于聚類分析理論設(shè)計(jì)測(cè)試用例的聚類準(zhǔn)則,在測(cè)試執(zhí)行之前對(duì)測(cè)試用例進(jìn)行聚類,并利用傳統(tǒng)優(yōu)先排序技術(shù)對(duì)測(cè)試用例進(jìn)行預(yù)排序得到有序序列。隨后按序執(zhí)行測(cè)試用例。當(dāng)執(zhí)行中遇到有測(cè)試用例揭露錯(cuò)誤時(shí),自適應(yīng)對(duì)剩余未執(zhí)行的測(cè)試用例進(jìn)行排序調(diào)整。通過(guò)實(shí)驗(yàn)表明,與傳統(tǒng)優(yōu)先排序技術(shù)及基于聚類的排序技術(shù)相比,本文方法在錯(cuò)誤揭露速率上表現(xiàn)更優(yōu);與其他自適應(yīng)排序技術(shù)相比,本文方法雖在平均錯(cuò)誤揭露百分比上與對(duì)比方法相差無(wú)幾,但在執(zhí)行時(shí)間上花費(fèi)更少;通過(guò)對(duì)不同的差異性度量進(jìn)行比較,在相關(guān)性度量下,本文方法具有更好的表現(xiàn),且如果在本文方法中選擇total策略進(jìn)行優(yōu)先級(jí)處理,將會(huì)更好地發(fā)揮相關(guān)性度量的作用。目前,大多數(shù)測(cè)試用例優(yōu)先排序技術(shù)都是基于一個(gè)目標(biāo)準(zhǔn)則對(duì)測(cè)試用例計(jì)算優(yōu)先級(jí)。然而,隨著軟件日益復(fù)雜多樣,多種影響測(cè)試排序效率的目標(biāo)因素逐漸被廣泛關(guān)注,傳統(tǒng)的單目標(biāo)優(yōu)先排序技術(shù)已不能滿足多目標(biāo)影響下的綜合測(cè)試效率。針對(duì)單目標(biāo)排序的局限性,本文借助多目標(biāo)問(wèn)題優(yōu)化處理方法,提出一種基于多目標(biāo)測(cè)試用例優(yōu)先排序技術(shù)。該技術(shù)選取五種目標(biāo)準(zhǔn)則作為目標(biāo)函數(shù),在每一個(gè)目標(biāo)維度里,計(jì)算測(cè)試用例優(yōu)先級(jí),并將優(yōu)先級(jí)進(jìn)行歸一化處理。加權(quán)求和單目標(biāo)優(yōu)先級(jí),得到測(cè)試用例基于多目標(biāo)的優(yōu)先級(jí)。最終根據(jù)多目標(biāo)優(yōu)先級(jí)排列測(cè)試用例。實(shí)驗(yàn)表明,在統(tǒng)一的度量標(biāo)準(zhǔn)下,基于多目標(biāo)的排序技術(shù)相比其他單目標(biāo)技術(shù)表現(xiàn)較優(yōu)。因此,在實(shí)際應(yīng)用中,可考慮將其作為一種新型排序技術(shù)。
梁旭[7]（2019）在《基于增強(qiáng)現(xiàn)實(shí)的中學(xué)信息技術(shù)教學(xué)資源的開(kāi)發(fā) ——以查找排序算法為例》文中進(jìn)行了進(jìn)一步梳理增強(qiáng)現(xiàn)實(shí)技術(shù)在教育領(lǐng)域的應(yīng)用是近些年教育技術(shù)研究的熱點(diǎn)。增強(qiáng)現(xiàn)實(shí)技術(shù)是將虛擬物體疊加在現(xiàn)實(shí)環(huán)境中,創(chuàng)設(shè)虛實(shí)融合的學(xué)習(xí)情境,將一些很難直接觀察到的現(xiàn)象顯示出來(lái),通過(guò)對(duì)虛擬對(duì)象的一些操作和測(cè)量能夠得到自然規(guī)律的認(rèn)識(shí),能很好的促進(jìn)學(xué)習(xí)效果。浙江、上海地區(qū)明確將《信息技術(shù)》加入高考選考科目,由于中學(xué)生初次接觸編程,用傳統(tǒng)教學(xué)方法進(jìn)行編程、算法的教學(xué),在接受理解上存在一定難度。本研究試圖應(yīng)用虛擬現(xiàn)實(shí)的增強(qiáng)現(xiàn)實(shí)技術(shù),對(duì)高中信息技術(shù)課程中的一些重點(diǎn)算法—如排序算法等,進(jìn)行3D顯示的設(shè)計(jì)和實(shí)現(xiàn),探討了算法的內(nèi)在機(jī)理,從理論和實(shí)踐上闡述了其應(yīng)用于教育的優(yōu)點(diǎn)。本文首先介紹了沉浸理論、認(rèn)知負(fù)荷理論和建構(gòu)主義學(xué)習(xí)理論,根據(jù)以上三種理論提出了開(kāi)發(fā)增強(qiáng)現(xiàn)實(shí)教學(xué)資源——“比特工廠”的依據(jù)。其次,從主題思想、功能、設(shè)備要求和內(nèi)容方面進(jìn)行了前端分析。然后,從情境創(chuàng)設(shè)、三維動(dòng)畫(huà)和識(shí)別圖三方面進(jìn)行設(shè)計(jì)。最后,利用Cinema 4D、Unity 3D和Vuforia開(kāi)發(fā)了“比特工廠”。“比特工廠”針對(duì)高中課標(biāo)要求的冒泡排序、選擇排序、順序查找和對(duì)分查找算法,通過(guò)三維立體圖像將編程中數(shù)據(jù)的變化過(guò)程直觀顯示出來(lái)。借助學(xué)生未曾接觸過(guò)的增強(qiáng)現(xiàn)實(shí)技術(shù),調(diào)動(dòng)學(xué)生學(xué)習(xí)積極性,同時(shí)降低認(rèn)知負(fù)荷。本研究希望通過(guò)探索利用增強(qiáng)現(xiàn)實(shí)技術(shù)解決信息技術(shù)教學(xué)問(wèn)題,為廣大教育工作者提供參考。
徐山珊[8]（2019）在《基于Spark的無(wú)線城市社團(tuán)發(fā)現(xiàn)算法研究》文中認(rèn)為針對(duì)傳統(tǒng)的社團(tuán)發(fā)現(xiàn)算法存在生成結(jié)果冗余、復(fù)雜度高、大量迭代計(jì)算、沒(méi)有考慮地理位置信息等問(wèn)題,提出一種改進(jìn)的社團(tuán)發(fā)現(xiàn)算法SIACD（on Spark use Improved Apriori to achieve Community Detection algorithm）,通過(guò)改進(jìn)關(guān)聯(lián)規(guī)則算法在Spark集群上挖掘無(wú)線城市中的社團(tuán)數(shù)據(jù)。首先,為解決傳統(tǒng)的社團(tuán)發(fā)現(xiàn)算法未考慮地理位置信息的問(wèn)題,SIACD算法選用無(wú)線城市中MAC地址數(shù)據(jù),并將該數(shù)據(jù)映射到布爾矩陣中進(jìn)行數(shù)據(jù)預(yù)處理。其次,為解決傳統(tǒng)的社團(tuán)發(fā)現(xiàn)算法復(fù)雜度高及大量迭代計(jì)算的問(wèn)題,SIACD算法利用基于項(xiàng)數(shù)的布爾向量交運(yùn)算改進(jìn)Apriori算法,減少非關(guān)鍵計(jì)算。最后,SIACD算法利用Spark基于內(nèi)存計(jì)算的特性,在Spark集群平臺(tái)上實(shí)現(xiàn)該算法的并行化計(jì)算。實(shí)驗(yàn)結(jié)果表明,傳統(tǒng)的社團(tuán)發(fā)現(xiàn)算法及Apriori算法均不滿足大數(shù)據(jù)時(shí)代對(duì)計(jì)算速度的要求,SIACD算法能有效挖掘社團(tuán)成員的頻繁項(xiàng)集,具備可擴(kuò)展性及并行化性能,解決了生成結(jié)果冗余、復(fù)雜度高、迭代計(jì)算等問(wèn)題,對(duì)大數(shù)據(jù)的處理能力和計(jì)算效率更好。SIACD算法性能優(yōu)勢(shì)明顯,降低了計(jì)算時(shí)間,提升了社團(tuán)發(fā)現(xiàn)的挖掘速度,提高了對(duì)社團(tuán)數(shù)據(jù)的處理能力。該論文有圖22幅,表9個(gè),參考文獻(xiàn)56篇。
宗煒雯[9]（2019）在《抽象測(cè)試用例集優(yōu)化排序的改進(jìn)算法研究》文中研究指明隨著軟件系統(tǒng)功能的多樣化與復(fù)雜化,影響系統(tǒng)的因素也越來(lái)越多,這些因素統(tǒng)稱為參數(shù),如系統(tǒng)的配置參數(shù)、用戶觸發(fā)的事件等。同時(shí)這些參數(shù)都有一些相同或者不同數(shù)量的可選值或可選項(xiàng)。根據(jù)用戶的不同輸入,會(huì)形成一個(gè)指數(shù)級(jí)增長(zhǎng)的測(cè)試用例集。由于測(cè)試用例數(shù)量巨大,測(cè)試人員需要從中有選擇性的挑選出一部分來(lái)進(jìn)行測(cè)試,同時(shí)保證被測(cè)試程序中的錯(cuò)誤能被有效的發(fā)現(xiàn)。其中隨機(jī)測(cè)試是最簡(jiǎn)單的一種方法,相應(yīng)的其錯(cuò)誤檢測(cè)率能力也很一般。因此,找到一個(gè)能夠?qū)y(cè)試用例集進(jìn)行優(yōu)化排序以此篩減測(cè)試用例同時(shí)還能提高錯(cuò)誤檢測(cè)率的方法顯得十分迫切。抽象測(cè)試用例集的優(yōu)化排序算法就是一種能更早的找到能對(duì)軟件系統(tǒng)的錯(cuò)誤進(jìn)行定位和修復(fù)的測(cè)試用例的方法。研究發(fā)現(xiàn),這樣的測(cè)試用例有一個(gè)特點(diǎn),總是覆蓋最多未被覆蓋的n維參數(shù)組合?；谶@一理論,R.C.Bryce等人提出了基于交互組合覆蓋的抽象測(cè)試用例集優(yōu)化排序算法（Interaction Test Suite Prioritization,ITSP）,果然錯(cuò)誤檢測(cè)效果顯著提高?；贗TSP,陸續(xù)又有人提出了基于固定組合覆蓋力度的抽象測(cè)試用例集優(yōu)先化排序算法（Fixed-strength Interaction Coverage Based Prioritization,FICBP）,這是目前基于交互組合覆蓋的測(cè)試算法中效果最好的算法之一。該算法的主要思想是固定一個(gè)合適的組合覆蓋力度t,每次總是優(yōu)先選擇覆蓋最多未被覆蓋的t維組合的測(cè)試用例賦予它當(dāng)前最高的優(yōu)先級(jí)。本文分析了該算法后,并針對(duì)該算法的缺點(diǎn)和不足提出了兩點(diǎn)改進(jìn)并且對(duì)改進(jìn)后的兩個(gè)算法進(jìn)行了實(shí)驗(yàn)分析。最后在這兩個(gè)算法和FICBP算法的基礎(chǔ)上實(shí)現(xiàn)了一個(gè)原型系統(tǒng),用來(lái)進(jìn)行實(shí)驗(yàn)對(duì)比和驗(yàn)證。本文主要完成的工作闡述如下:1、針對(duì)FICBP算法在選擇高維度進(jìn)行組合覆蓋時(shí),其錯(cuò)誤檢測(cè)率高但是時(shí)間開(kāi)銷過(guò)大的問(wèn)題,提出了基于重復(fù)一維組合覆蓋的抽象測(cè)試用例集優(yōu)化排序算法（Prioritizing Interaction Test Suites using Repeated Base Choice Coverage,FICBPR）。FICBPR算法的核心思想是重復(fù)使用一維覆蓋直至待測(cè)集合為空。具體的,FICBPR總是優(yōu)先選擇覆蓋最多未被覆蓋的一維組合的測(cè)試用例,當(dāng)一維組合全部被覆蓋后,重置所有一維組合的覆蓋情況,繼續(xù)先前的步驟。實(shí)驗(yàn)結(jié)果表明,本文提出的FICBPR算法在保持錯(cuò)誤檢測(cè)的同時(shí),大大降低了優(yōu)先級(jí)排序所需的時(shí)間開(kāi)銷。在許多情況下,該方法可以獲得與基于組合覆蓋力度t為2的FICBP算法相似的結(jié)果,在高維組合覆蓋力度下獲得相較于FICBP算法更穩(wěn)定的結(jié)果。2、基于工作內(nèi)容1中的FICBPR算法的不足之處,提出基于一維權(quán)重的抽象測(cè)試用例集優(yōu)化排序方法（FICBPW）。研究發(fā)現(xiàn)目前提出的算法普遍存在一個(gè)缺陷,一旦已被選中的測(cè)試用例覆蓋了全部t維組合后,一般選擇重置組合空間的覆蓋或者保留組合空間的覆蓋,這一過(guò)程要么丟掉了之前組合空間的覆蓋,要么后期所有測(cè)試用例的組合覆蓋都一樣,因而當(dāng)前的算法每次得到的結(jié)果僅僅是一個(gè)局部最優(yōu)解而不是全局最優(yōu)解。針對(duì)這個(gè)問(wèn)題,本文提出了權(quán)重的概念,通過(guò)對(duì)組合空間的覆蓋情況進(jìn)行累加,每次選取總權(quán)重最大的測(cè)試用例,直至結(jié)束。實(shí)驗(yàn)結(jié)果表明,本文提出的FICBPW算法,在時(shí)間開(kāi)銷相近的情況下其錯(cuò)誤檢測(cè)率都高于FICBPR算法,且獲得與基于組合覆蓋力度t為3、4時(shí)候的FICBP算法相似的錯(cuò)誤檢測(cè)率。3、設(shè)計(jì)并實(shí)現(xiàn)了一個(gè)抽象測(cè)試集優(yōu)化排序原型系統(tǒng)ATCSY。該原型系統(tǒng)包含了算法設(shè)置模塊、被測(cè)程序設(shè)置模塊、結(jié)果分析模塊。最后,通過(guò)不同的程序驗(yàn)證算法的有效性。
王錦坤[10]（2019）在《淺析基于C語(yǔ)言的常用排序算法比較》文中指出作為計(jì)算機(jī)程序設(shè)計(jì)的重要操作,排序算法的優(yōu)劣直接影響程序運(yùn)行效率,因此文章開(kāi)展了基于C語(yǔ)言的常用排序算法比較,明確了排序算法的基本選擇思路,并結(jié)合實(shí)例深入探討了基于C語(yǔ)言的排序算法應(yīng)用,希望能夠?yàn)橄嚓P(guān)業(yè)內(nèi)人士帶來(lái)一定啟發(fā)。
二、一種基于直接選擇排序算法的改進(jìn)（論文開(kāi)題報(bào)告）
（1）論文研究背景及目的
此處內(nèi)容要求：
首先簡(jiǎn)單簡(jiǎn)介論文所研究問(wèn)題的基本概念和背景，再而簡(jiǎn)單明了地指出論文所要研究解決的具體問(wèn)題，并提出你的論文準(zhǔn)備的觀點(diǎn)或解決方法。
寫(xiě)法范例：
本文主要提出一款精簡(jiǎn)64位RISC處理器存儲(chǔ)管理單元結(jié)構(gòu)并詳細(xì)分析其設(shè)計(jì)過(guò)程。在該MMU結(jié)構(gòu)中,TLB采用叁個(gè)分離的TLB,TLB采用基于內(nèi)容查找的相聯(lián)存儲(chǔ)器并行查找,支持粗粒度為64KB和細(xì)粒度為4KB兩種頁(yè)面大小,采用多級(jí)分層頁(yè)表結(jié)構(gòu)映射地址空間,并詳細(xì)論述了四級(jí)頁(yè)表轉(zhuǎn)換過(guò)程,TLB結(jié)構(gòu)組織等。該MMU結(jié)構(gòu)將作為該處理器存儲(chǔ)系統(tǒng)實(shí)現(xiàn)的一個(gè)重要組成部分。
（2）本文研究方法
調(diào)查法：該方法是有目的、有系統(tǒng)的搜集有關(guān)研究對(duì)象的具體信息。
觀察法：用自己的感官和輔助工具直接觀察研究對(duì)象從而得到有關(guān)信息。
實(shí)驗(yàn)法：通過(guò)主支變革、控制研究對(duì)象來(lái)發(fā)現(xiàn)與確認(rèn)事物間的因果關(guān)系。
文獻(xiàn)研究法：通過(guò)調(diào)查文獻(xiàn)來(lái)獲得資料，從而全面的、正確的了解掌握研究方法。
實(shí)證研究法：依據(jù)現(xiàn)有的科學(xué)理論和實(shí)踐的需要提出設(shè)計(jì)。
定性分析法：對(duì)研究對(duì)象進(jìn)行“質(zhì)”的方面的研究，這個(gè)方法需要計(jì)算的數(shù)據(jù)較少。
定量分析法：通過(guò)具體的數(shù)字，使人們對(duì)研究對(duì)象的認(rèn)識(shí)進(jìn)一步精確化。
跨學(xué)科研究法：運(yùn)用多學(xué)科的理論、方法和成果從整體上對(duì)某一課題進(jìn)行研究。
功能分析法：這是社會(huì)科學(xué)用來(lái)分析社會(huì)現(xiàn)象的一種方法，從某一功能出發(fā)研究多個(gè)方面的影響。
模擬法：通過(guò)創(chuàng)設(shè)一個(gè)與原型相似的模型來(lái)間接研究原型某種特性的一種形容方法。
三、一種基于直接選擇排序算法的改進(jìn)（論文提綱范文）
（1）基于空氣質(zhì)量數(shù)據(jù)的多模式可視化系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)（論文提綱范文）
| 摘要 |
| Abstract |
| 第一章 緒論 |
| 1.1 研究背景及意義 |
| 1.2 論文主要內(nèi)容 |
| 1.2.1 研究目標(biāo) |
| 1.2.2 研究?jī)?nèi)容 |
| 1.3 完成工作內(nèi)容 |
| 1.4 論文組織結(jié)構(gòu) |
| 第二章 相關(guān)技術(shù)分析 |
| 2.1 數(shù)據(jù)可視化技術(shù) |
| 2.1.1 數(shù)據(jù)可視化技術(shù)的三個(gè)特點(diǎn) |
| 2.1.2 數(shù)據(jù)可視化技術(shù)的三種方向 |
| 2.1.3 Web端數(shù)據(jù)可視化技術(shù)的三類表示 |
| 2.2 圖像處理技術(shù) |
| 2.2.1 圖像配準(zhǔn)技術(shù) |
| 2.2.2 圖像模糊處理技術(shù) |
| 2.3 生成式對(duì)抗網(wǎng)絡(luò)模型GAN |
| 2.4 網(wǎng)絡(luò)爬蟲(chóng)技術(shù) |
| 2.4.1 網(wǎng)絡(luò)爬蟲(chóng)的種類及策略 |
| 2.4.2 WebMagic爬蟲(chóng)框架 |
| 2.5 排序算法相關(guān)技術(shù) |
| 2.6 本章小結(jié) |
| 第三章 多模式可視化系統(tǒng)的算法設(shè)計(jì)與評(píng)估 |
| 3.1 圖像配準(zhǔn)算法的分析及對(duì)比 |
| 3.1.1 圖像配準(zhǔn)算法原理簡(jiǎn)析 |
| 3.1.2 基于特征點(diǎn)提取的圖像配準(zhǔn)算法分析與對(duì)比 |
| 3.1.3 實(shí)驗(yàn)結(jié)果展示 |
| 3.2 基于靜態(tài)圖像生成延時(shí)影片的算法分析 |
| 3.2.1 模型選擇分析 |
| 3.2.2 模型評(píng)判指標(biāo)及效果對(duì)比 |
| 3.2.3 論文場(chǎng)景應(yīng)用分析 |
| 3.2.4 實(shí)驗(yàn)結(jié)果展示 |
| 3.3 圖像模糊處理算法的對(duì)比及應(yīng)用 |
| 3.3.1 三種圖像模糊處理算法的對(duì)比及分析 |
| 3.3.2 實(shí)驗(yàn)結(jié)果展示 |
| 3.4 本章小結(jié) |
| 第四章 多模式可視化系統(tǒng)的需求分析與概要設(shè)計(jì) |
| 4.1 多模式可視化系統(tǒng)的總體需求分析 |
| 4.1.1 系統(tǒng)業(yè)務(wù)需求分析 |
| 4.1.2 系統(tǒng)數(shù)據(jù)需求分析 |
| 4.1.3 系統(tǒng)角色分析 |
| 4.2 多模式可視化系統(tǒng)的功能性需求分析 |
| 4.2.1 延時(shí)影片功能的需求分析 |
| 4.2.2 數(shù)據(jù)爬取功能的需求分析 |
| 4.2.3 動(dòng)態(tài)排名功能的需求分析 |
| 4.2.4 統(tǒng)計(jì)圖表功能的需求分析 |
| 4.3 多模式可視化系統(tǒng)非功能性需求分析 |
| 4.3.1 性能和穩(wěn)定性需求 |
| 4.3.2 易用性需求 |
| 4.3.3 可靠性需求 |
| 4.4 多模式可視化系統(tǒng)的總體架構(gòu)設(shè)計(jì) |
| 4.4.1 系統(tǒng)結(jié)構(gòu)及層次架構(gòu)設(shè)計(jì) |
| 4.4.2 系統(tǒng)總體流程活動(dòng)圖 |
| 4.5 多模式可視化系統(tǒng)功能的模塊概要設(shè)計(jì) |
| 4.5.1 延時(shí)影片模塊的概要設(shè)計(jì) |
| 4.5.2 數(shù)據(jù)爬取模塊的概要設(shè)計(jì) |
| 4.5.3 動(dòng)態(tài)排名模塊的概要設(shè)計(jì) |
| 4.5.4 統(tǒng)計(jì)圖表模塊的概要設(shè)計(jì) |
| 4.6 本章小結(jié) |
| 第五章 多模式可視化系統(tǒng)的詳細(xì)設(shè)計(jì)與實(shí)現(xiàn) |
| 5.1 延時(shí)影片模塊的詳細(xì)設(shè)計(jì)與實(shí)現(xiàn) |
| 5.1.1 延時(shí)影片數(shù)據(jù)準(zhǔn)備及生成 |
| 5.1.2 延時(shí)影片展示 |
| 5.2 數(shù)據(jù)爬取模塊的詳細(xì)設(shè)計(jì)與實(shí)現(xiàn) |
| 5.2.1 數(shù)據(jù)定時(shí)爬取 |
| 5.2.2 數(shù)據(jù)觸發(fā)爬取 |
| 5.3 動(dòng)態(tài)排名模塊的詳細(xì)設(shè)計(jì)與實(shí)現(xiàn) |
| 5.3.1 數(shù)據(jù)提取 |
| 5.3.2 數(shù)據(jù)處理 |
| 5.3.3 數(shù)據(jù)動(dòng)態(tài)展示 |
| 5.4 統(tǒng)計(jì)圖表模塊的詳細(xì)設(shè)計(jì)與實(shí)現(xiàn) |
| 5.4.1 數(shù)據(jù)讀取及匹配 |
| 5.4.2 數(shù)據(jù)靜態(tài)展示 |
| 5.5 本章小結(jié) |
| 第六章 多模式可視化系統(tǒng)的測(cè)試 |
| 6.1 系統(tǒng)測(cè)試環(huán)境 |
| 6.2 系統(tǒng)總體功能的黑盒測(cè)試 |
| 6.3 系統(tǒng)功能展示 |
| 6.4 本章小結(jié) |
| 第七章 總結(jié)與展望 |
| 7.1 工作總結(jié) |
| 7.2 未來(lái)工作展望 |
| 參考文獻(xiàn) |
| 致謝 |
| 碩士攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文目錄 |
（2）多特征與注意力機(jī)制相結(jié)合的答案選擇排序研究（論文提綱范文）
| 摘要 |
| ABSTRACT |
| 第一章 緒論 |
| 1.1 研究背景和意義 |
| 1.2 研究現(xiàn)狀 |
| 1.2.1 基于特征信息的機(jī)器學(xué)習(xí)方法 |
| 1.2.2 基于神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)方法 |
| 1.3 研究?jī)?nèi)容 |
| 1.4 論文結(jié)構(gòu) |
| 第二章 深度學(xué)習(xí)模型與特征選擇 |
| 2.1 文本特征 |
| 2.1.1 詞匯特征 |
| 2.1.2 對(duì)齊特征 |
| 2.2 卷積神經(jīng)網(wǎng)絡(luò) |
| 2.3 長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)及門控循環(huán)單元 |
| 2.4 感知器 |
| 2.5 激活函數(shù) |
| 2.6 本章小結(jié) |
| 第三章 融合多種神經(jīng)網(wǎng)絡(luò)與多特征的答案選擇排序方法 |
| 3.1 融合多種神經(jīng)網(wǎng)絡(luò)的答案選擇排序模型 |
| 3.1.1 詞嵌入層 |
| 3.1.2 CNN Model層 |
| 3.1.3 融合層 |
| 3.1.4 Bi-GRUs Model層 |
| 3.1.5 MLP Model層 |
| 3.1.6 輸出層 |
| 3.2 多特征融合 |
| 3.3 實(shí)驗(yàn)對(duì)比分析 |
| 3.3.1 實(shí)驗(yàn)數(shù)據(jù)集 |
| 3.3.2 數(shù)據(jù)預(yù)處理 |
| 3.3.3 超參數(shù)設(shè)置 |
| 3.3.4 防止過(guò)擬合策略 |
| 3.3.5 評(píng)價(jià)指標(biāo) |
| 3.3.6 實(shí)驗(yàn)對(duì)比 |
| 3.3.7 結(jié)果分析 |
| 3.4 本章小結(jié) |
| 第四章 運(yùn)用注意力機(jī)制改進(jìn)答案選擇排序模型 |
| 4.1 問(wèn)題引出 |
| 4.2 融合多種神經(jīng)網(wǎng)絡(luò)與注意力機(jī)制的答案選擇排序模型 |
| 4.3 ATTENTION項(xiàng) |
| 4.4 實(shí)驗(yàn)對(duì)比分析 |
| 4.4.1 實(shí)驗(yàn)數(shù)據(jù)集 |
| 4.4.2 數(shù)據(jù)預(yù)處理 |
| 4.4.3 超參數(shù)設(shè)置 |
| 4.4.4 評(píng)價(jià)指標(biāo) |
| 4.4.5 實(shí)驗(yàn)對(duì)比 |
| 4.4.6 結(jié)果分析 |
| 4.5 本章小結(jié) |
| 第五章 總結(jié)與展望 |
| 5.1 總結(jié) |
| 5.2 展望 |
| 參考文獻(xiàn) |
| 攻讀學(xué)位期間取得的科研成果 |
| 致謝 |
（3）基于多索引的實(shí)時(shí)實(shí)體解析與關(guān)鍵詞查詢處理（論文提綱范文）
| 摘要 |
| abstract |
| 第一章 緒論 |
| 1.1 研究背景與意義 |
| 1.2 國(guó)內(nèi)外研究現(xiàn)狀 |
| 1.3 主要研究?jī)?nèi)容與創(chuàng)新點(diǎn) |
| 1.4 論文的組織結(jié)構(gòu) |
| 第二章 問(wèn)題定義與相關(guān)知識(shí) |
| 2.1 問(wèn)題定義 |
| 2.1.1 實(shí)體解析 |
| 2.1.2 關(guān)鍵詞Top-N查詢 |
| 2.2 文本相似度計(jì)算方法 |
| 2.2.1 TF-IDF |
| 2.2.2 海明距離 |
| 2.2.3 編輯距離 |
| 2.3 提升實(shí)體解析效率的方法 |
| 2.3.1 傳統(tǒng)分塊 |
| 2.3.2 有序鄰居法 |
| 2.3.3 基于q-gram的索引方法 |
| 2.3.4 Canopy聚類 |
| 2.4 本章小結(jié) |
| 第三章 多索引 |
| 3.1 多索引 |
| 3.1.1 全局索引 |
| 3.1.2 索引數(shù)量對(duì)效率的影響 |
| 3.2 索引結(jié)構(gòu) |
| 3.3 不同索引結(jié)構(gòu)對(duì)效率的影響 |
| 3.4 S類候選元組 |
| 3.5 算法 |
| 3.6 本章小結(jié) |
| 第四章 實(shí)體解析 |
| 4.1 實(shí)體解析流程 |
| 4.2 排序函數(shù) |
| 4.2.1 編輯距離 |
| 4.2.2 基于編輯距離的排序函數(shù) |
| 4.2.3 實(shí)體解析規(guī)則 |
| 4.3 提升實(shí)體解析效率 |
| 4.3.1 減少候選數(shù)目 |
| 4.3.2 避免冗余計(jì)算 |
| 4.4 算法 |
| 4.5 本章小結(jié) |
| 第五章 關(guān)鍵詞查詢 |
| 5.1 排序函數(shù) |
| 5.2 基于實(shí)體解析結(jié)果的關(guān)鍵詞查詢 |
| 5.3 融合實(shí)體解析的關(guān)鍵詞查詢 |
| 5.4 本章小結(jié) |
| 第六章 實(shí)驗(yàn)分析 |
| 6.1 數(shù)據(jù)集與準(zhǔn)備 |
| 6.1.1 原始數(shù)據(jù)集 |
| 6.1.2 干凈數(shù)據(jù)集 |
| 6.1.3 臟數(shù)據(jù)集 |
| 6.1.4 生成查詢集合 |
| 6.2實(shí)體解析實(shí)驗(yàn) |
| 6.2.1 多索引的插入與查詢時(shí)間 |
| 6.2.2 召回率與查準(zhǔn)率 |
| 6.2.3 總比較次數(shù) |
| 6.2.4 時(shí)間消耗 |
| 6.2.5 與樸素算法的比較 |
| 6.3關(guān)鍵詞查詢實(shí)驗(yàn) |
| 6.3.1 索引構(gòu)建時(shí)間 |
| 6.3.2 關(guān)鍵詞查詢時(shí)間 |
| 6.3.3 候選元組數(shù)目 |
| 6.3.4 影響基于ER結(jié)果的關(guān)鍵詞查詢算法的主要因素 |
| 6.3.5 影響融合ER的關(guān)鍵詞查詢算法的主要因素 |
| 6.3.6 與其他方法的比較 |
| 6.4 本章小結(jié) |
| 第七章 總結(jié)與展望 |
| 7.1 本文總結(jié) |
| 7.2 工作展望 |
| 參考文獻(xiàn) |
| 致謝 |
| 攻讀學(xué)位期間取得的科研成果 |
（4）基于注意力機(jī)制的答案選擇排序研究（論文提綱范文）
| 摘要 |
| ABSTRACT |
| 第一章 緒論 |
| 1.1 研究的背景和意義 |
| 1.2 研究現(xiàn)狀 |
| 1.2.1 詞性特征提取 |
| 1.2.2 注意力機(jī)制 |
| 1.2.3 答案選擇排序 |
| 1.3 研究?jī)?nèi)容 |
| 1.4 研究方案 |
| 1.5 文章組織結(jié)構(gòu) |
| 第二章 相關(guān)技術(shù)概述 |
| 2.1 詞性標(biāo)注 |
| 2.1.1 基于詞典查找的詞性標(biāo)注 |
| 2.1.2 基于規(guī)則和統(tǒng)計(jì)的詞性標(biāo)注 |
| 2.1.3 基于深度學(xué)習(xí)的詞性標(biāo)注 |
| 2.2 注意力機(jī)制 |
| 2.2.1 硬注意力機(jī)制和軟注意力機(jī)制 |
| 2.2.2 全局注意力機(jī)制和局部注意力機(jī)制 |
| 2.2.3 自注意力機(jī)制 |
| 2.3 答案選擇排序 |
| 2.3.1 Pointwise |
| 2.3.2 Pairwise |
| 2.3.3 Listwise |
| 2.4 本章總結(jié) |
| 第三章 基于統(tǒng)計(jì)和深度學(xué)習(xí)的詞性標(biāo)注模型 |
| 3.1 引言 |
| 3.2 模型 |
| 3.2.1 標(biāo)注模型架構(gòu) |
| 3.2.2 條件隨機(jī)場(chǎng)處理層 |
| 3.2.3 維特比算法解碼標(biāo)注序列 |
| 3.3 實(shí)驗(yàn) |
| 3.3.1 實(shí)驗(yàn)數(shù)據(jù) |
| 3.3.2 實(shí)驗(yàn)設(shè)置 |
| 3.3.3 評(píng)估指標(biāo) |
| 3.4 結(jié)果與分析 |
| 3.4.1 模型實(shí)驗(yàn)結(jié)果 |
| 3.4.2 不同模型對(duì)比 |
| 3.5 本章總結(jié) |
| 第四章 融合詞性與注意力的答案選擇排序模型 |
| 4.1 引言 |
| 4.2 模型 |
| 4.2.1 排序模型架構(gòu) |
| 4.2.2 詞性特征融合 |
| 4.2.3 注意力矩陣構(gòu)造 |
| 4.3 實(shí)驗(yàn) |
| 4.3.1 實(shí)驗(yàn)數(shù)據(jù) |
| 4.3.2 實(shí)驗(yàn)設(shè)置 |
| 4.3.3 評(píng)估指標(biāo) |
| 4.4 結(jié)果與分析 |
| 4.4.1 詞性和注意力對(duì)模型的改進(jìn) |
| 4.4.2 相似任務(wù)模型對(duì)比 |
| 4.5 本章總結(jié) |
| 第五章 結(jié)論與展望 |
| 5.1 主要結(jié)論 |
| 5.2 研究展望 |
| 參考文獻(xiàn) |
| 在學(xué)期間的研究成果 |
| 致謝 |
（5）基于支持向量機(jī)的高維不平衡數(shù)據(jù)集分類算法及其應(yīng)用研究（論文提綱范文）
| 摘要 |
| abstract |
| 第一章 緒論 |
| 1.1 選題的來(lái)源、研究背景與意義 |
| 1.1.1 選題的來(lái)源 |
| 1.1.2 研究背景與意義 |
| 1.2 研究現(xiàn)狀 |
| 1.2.1 類不平衡數(shù)據(jù)集分類問(wèn)題 |
| 1.2.2 高維數(shù)據(jù)集分類問(wèn)題 |
| 1.2.3 高維不平衡數(shù)據(jù)集分類問(wèn)題 |
| 1.3 研究?jī)?nèi)容與結(jié)構(gòu)安排 |
| 第二章 預(yù)備知識(shí) |
| 2.1 支持向量機(jī)(SVM) |
| 2.1.1 線性可分的情況 |
| 2.1.2 線性不可分情況 |
| 2.2 支持向量機(jī)的遞歸特征消除算法(SVM-RFE) |
| 2.3 人工合成少數(shù)類樣本過(guò)采樣方法(SMOTE) |
| 2.4 分類評(píng)價(jià)指標(biāo) |
| 2.5 本章小結(jié) |
| 第三章 基于SMOTE和 SVM的不平衡數(shù)據(jù)集分類的改進(jìn)算法 |
| 3.1 算法描述 |
| 3.1.1 混合核函數(shù)支持向量機(jī)(MKSVM) |
| 3.1.2 L-SMOTE方法 |
| 3.2 改進(jìn)的FTL-SMOTE算法 |
| 3.2.1 采樣數(shù)量設(shè)置 |
| 3.2.2 F-SMOTE算法對(duì)集合FP_sam的采樣 |
| 3.2.3 T-SMOTE算法對(duì)集合TN_sam的采樣 |
| 3.2.4 FTL-SMOTE算法 |
| 3.2.5 FTL-SMOTE算法的復(fù)雜度分析 |
| 3.3 數(shù)據(jù)與實(shí)驗(yàn)設(shè)計(jì) |
| 3.3.1 UCI數(shù)據(jù)集 |
| 3.3.2 實(shí)驗(yàn)設(shè)計(jì) |
| 3.4 數(shù)值結(jié)果與分析 |
| 3.4.1 基于人工數(shù)據(jù)的數(shù)值結(jié)果與分析 |
| 3.4.2 基于UCI數(shù)據(jù)集的數(shù)值結(jié)果與分析 |
| 3.5 本章小結(jié) |
| 第四章 基于ISVM-RFE的 F統(tǒng)計(jì)量和m PDC嵌入式特征選擇算法 |
| 4.1 算法描述 |
| 4.1.1 SVM-T-RFE算法 |
| 4.1.2 RFE-FSVs算法 |
| 4.1.3 SVM-RFE(MRMR)算法 |
| 4.1.4 SVM-RFE(AC)算法 |
| 4.2 改進(jìn)的特征選擇算法ISVM-RFE(FPD) |
| 4.2.1 兩個(gè)新的特征選擇標(biāo)準(zhǔn) |
| 4.2.2 改進(jìn)的SVM-RFE算法(ISVM-RFE) |
| 4.3 數(shù)據(jù)與實(shí)驗(yàn)設(shè)計(jì) |
| 4.3.1 癌癥基因數(shù)據(jù)集 |
| 4.3.2 實(shí)驗(yàn)設(shè)計(jì) |
| 4.4 數(shù)值結(jié)果與分析 |
| 4.4.1 無(wú)特征選擇的數(shù)值結(jié)果與分析 |
| 4.4.2 有特征選擇的數(shù)值結(jié)果與分析 |
| 4.5 本章小結(jié) |
| 第五章 基于ISVM-RFE(FPD)算法和代價(jià)敏感分類的財(cái)務(wù)預(yù)警研究 |
| 5.1 算法描述 |
| 5.1.1 MRMR算法 |
| 5.1.2 代價(jià)敏感的混合核SVM分類器 |
| 5.2 數(shù)據(jù)與實(shí)驗(yàn)設(shè)計(jì) |
| 5.2.1 實(shí)證數(shù)據(jù)來(lái)源與預(yù)處理 |
| 5.2.2 實(shí)驗(yàn)設(shè)計(jì) |
| 5.3 數(shù)值結(jié)果與分析 |
| 5.3.1 不同組合模型的數(shù)值結(jié)果與分析 |
| 5.3.2 特征選擇算法與重要財(cái)務(wù)指標(biāo)分析 |
| 5.4 本章小結(jié) |
| 第六章 總結(jié)與展望 |
| 參考文獻(xiàn) |
| 攻讀碩士學(xué)位期間發(fā)表的學(xué)術(shù)論文及取得的相關(guān)科研成果 |
| 致謝 |
（6）面向需求的回歸測(cè)試下測(cè)試用例優(yōu)先排序技術(shù)研究（論文提綱范文）
| 摘要 |
| abstract |
| 第1章 緒論 |
| 1.1 研究背景 |
| 1.2 國(guó)內(nèi)外研究現(xiàn)狀 |
| 1.2.1 白盒測(cè)試下的TCP技術(shù) |
| 1.2.2 黑盒測(cè)試下的TCP技術(shù) |
| 1.2.3 其他TCP技術(shù) |
| 1.3 現(xiàn)存問(wèn)題 |
| 1.4 研究?jī)?nèi)容 |
| 1.5 論文主要成果 |
| 1.6 論文結(jié)構(gòu) |
| 第2章 回歸測(cè)試相關(guān)研究 |
| 2.1 回歸測(cè)試 |
| 2.2 測(cè)試用例優(yōu)先排序 |
| 2.2.1 排序技術(shù)分類 |
| 2.2.2 貪心法策略 |
| 2.2.3 評(píng)價(jià)優(yōu)先級(jí)指標(biāo) |
| 2.3 回歸測(cè)試選擇 |
| 2.4 聚類分析 |
| 2.4.1 相似度 |
| 2.4.2 抽樣策略 |
| 2.5 本章小結(jié) |
| 第3章 面向需求的基于歷史信息的測(cè)試排序技術(shù) |
| 3.1 引言 |
| 3.2 基于歷史信息的回歸測(cè)試優(yōu)先排序 |
| 3.2.1 測(cè)試用例初始化排序 |
| 3.2.2 基于需求優(yōu)先級(jí)調(diào)整的測(cè)試排序 |
| 3.2.3 基于歷史信息的測(cè)試排序 |
| 3.3 實(shí)驗(yàn)研究 |
| 3.3.1 實(shí)驗(yàn)對(duì)象 |
| 3.3.2 實(shí)驗(yàn)變量和實(shí)驗(yàn)設(shè)計(jì) |
| 3.3.3 實(shí)驗(yàn)結(jié)果及分析 |
| 3.4 本章小結(jié) |
| 第4章 敏捷開(kāi)發(fā)環(huán)境中面向需求的回歸測(cè)試優(yōu)化技術(shù) |
| 4.1 引言 |
| 4.2 敏捷開(kāi)發(fā)下測(cè)試環(huán)境 |
| 4.3 敏捷開(kāi)發(fā)環(huán)境中的回歸測(cè)試優(yōu)化 |
| 4.3.1 敏捷測(cè)試用例優(yōu)先排序 |
| 4.3.2 敏捷回歸測(cè)試選擇 |
| 4.3.3 回歸測(cè)試優(yōu)化 |
| 4.4 實(shí)驗(yàn)驗(yàn)證 |
| 4.4.1 實(shí)驗(yàn)對(duì)象 |
| 4.4.2 實(shí)驗(yàn)變量 |
| 4.4.3 實(shí)驗(yàn)設(shè)計(jì) |
| 4.4.4 實(shí)驗(yàn)結(jié)果及分析 |
| 4.4.5 實(shí)驗(yàn)結(jié)果總結(jié)與有效性影響因素分析 |
| 4.5 本章小結(jié) |
| 第5章 基于聚類的自適應(yīng)回歸測(cè)試用例排序調(diào)整技術(shù) |
| 5.1 引言 |
| 5.2 自適應(yīng)測(cè)試用例優(yōu)先排序 |
| 5.3 基于聚類的自適應(yīng)排序調(diào)整 |
| 5.3.1 預(yù)備條件 |
| 5.3.2 聚類算法 |
| 5.3.3 排序調(diào)整算法 |
| 5.4 實(shí)驗(yàn)研究 |
| 5.4.1 實(shí)驗(yàn)對(duì)象 |
| 5.4.2 實(shí)驗(yàn)變量和實(shí)驗(yàn)設(shè)計(jì) |
| 5.4.3 實(shí)驗(yàn)結(jié)果及分析 |
| 5.4.4 實(shí)驗(yàn)結(jié)果討論 |
| 5.4.5 自適應(yīng)排序調(diào)整技術(shù)的有限性討論 |
| 5.4.6 有效性影響因素分析 |
| 5.5 本章小結(jié) |
| 第6章 基于多目標(biāo)的測(cè)試用例優(yōu)先排序技術(shù) |
| 6.1 引言 |
| 6.2 多目標(biāo)優(yōu)化 |
| 6.3 基于多目標(biāo)排序算法 |
| 6.3.1 基本思想 |
| 6.3.2 形式化描述 |
| 6.3.3 基于多目標(biāo)排序算法 |
| 6.4 實(shí)驗(yàn)個(gè)例研究 |
| 6.4.1 實(shí)驗(yàn)設(shè)計(jì) |
| 6.4.2 實(shí)驗(yàn)結(jié)果及分析 |
| 6.5 本章小結(jié) |
| 第7章 總結(jié)與展望 |
| 7.1 論文總結(jié) |
| 7.2 未來(lái)工作展望 |
| 參考文獻(xiàn) |
| 作者在攻讀博士學(xué)位期間發(fā)表的論文及科研成果 |
| 作者在攻讀博士學(xué)位期間參與的科研項(xiàng)目 |
| 致謝 |
（7）基于增強(qiáng)現(xiàn)實(shí)的中學(xué)信息技術(shù)教學(xué)資源的開(kāi)發(fā) ——以查找排序算法為例（論文提綱范文）
| abstract of thesis |
| 論文摘要 |
| 1 緒論 |
| 1.1 研究背景 |
| 1.2 研究意義 |
| 1.3 研究?jī)?nèi)容 |
| 2 相關(guān)研究綜述與理論基礎(chǔ) |
| 2.1 相關(guān)研究綜述 |
| 2.1.1 增強(qiáng)現(xiàn)實(shí)技術(shù) |
| 2.1.2 增強(qiáng)現(xiàn)實(shí)教學(xué)資源 |
| 2.1.3 增強(qiáng)現(xiàn)實(shí)教學(xué)資源現(xiàn)狀分析 |
| 2.2 理論基礎(chǔ) |
| 2.2.1 沉浸理論 |
| 2.2.2 認(rèn)知負(fù)荷理論 |
| 2.2.3 建構(gòu)主義學(xué)習(xí)理論 |
| 2.3 資源設(shè)計(jì)原則 |
| 3 前端分析與資源設(shè)計(jì) |
| 3.1 前端分析 |
| 3.2 情境創(chuàng)設(shè) |
| 3.3 三維動(dòng)畫(huà)設(shè)計(jì) |
| 3.3.1 總體設(shè)計(jì) |
| 3.3.2 具體設(shè)計(jì) |
| 3.4 識(shí)別圖設(shè)計(jì) |
| 3.4.1 總體設(shè)計(jì) |
| 3.4.2 具體設(shè)計(jì) |
| 4 教學(xué)資源開(kāi)發(fā) |
| 4.1 開(kāi)發(fā)工具簡(jiǎn)介 |
| 4.1.1 Cinema4D |
| 4.1.2 Unity3D |
| 4.1.3 Vuforia |
| 4.2 靜態(tài)模型的開(kāi)發(fā) |
| 4.2.1 冒泡排序 |
| 4.2.2 選擇排序 |
| 4.2.3 順序查找 |
| 4.2.4 對(duì)分查找-成功 |
| 4.2.5 對(duì)分查找-失敗 |
| 4.3 三維動(dòng)畫(huà)的構(gòu)建 |
| 4.4 材質(zhì)的確立 |
| 4.5 識(shí)別圖片的構(gòu)建 |
| 4.6 合成及導(dǎo)出 |
| 5 結(jié)語(yǔ) |
| 參考文獻(xiàn) |
| 致謝 |
（8）基于Spark的無(wú)線城市社團(tuán)發(fā)現(xiàn)算法研究（論文提綱范文）
| 致謝 |
| 摘要 |
| abstract |
| 變量注釋表 |
| 1 緒論 |
| 1.1 研究背景 |
| 1.2 國(guó)內(nèi)外研究現(xiàn)狀 |
| 1.3 本文組織結(jié)構(gòu) |
| 2 相關(guān)理論基礎(chǔ) |
| 2.1 社團(tuán)發(fā)現(xiàn) |
| 2.2 關(guān)聯(lián)規(guī)則 |
| 2.3 Spark集群 |
| 2.4 本章小結(jié) |
| 3 SIACD算法 |
| 3.1 核心理論與思想 |
| 3.2 數(shù)據(jù)預(yù)處理 |
| 3.3 基于改進(jìn)Apriori算法的社團(tuán)發(fā)現(xiàn) |
| 3.4 基于Spark的并行化處理 |
| 3.5 本章小結(jié) |
| 4 實(shí)驗(yàn)測(cè)試與分析 |
| 4.1 實(shí)驗(yàn)環(huán)境 |
| 4.2 實(shí)驗(yàn)結(jié)果與分析 |
| 4.3 本章小結(jié) |
| 5 結(jié)論與展望 |
| 5.1 結(jié)論 |
| 5.2 展望 |
| 參考文獻(xiàn) |
| 作者簡(jiǎn)歷 |
| 學(xué)位論文數(shù)據(jù)集 |
（9）抽象測(cè)試用例集優(yōu)化排序的改進(jìn)算法研究（論文提綱范文）
| 摘要 |
| abstract |
| 第一章 緒論 |
| 1.1 研究背景及意義 |
| 1.2 國(guó)內(nèi)外研究現(xiàn)狀 |
| 1.2.1 基于隨機(jī)測(cè)試的抽象測(cè)試用例集優(yōu)化排序方法(NIGP) |
| 1.2.2 基于組合覆蓋的抽象測(cè)試用例集優(yōu)化排序方法(ICBP) |
| 1.2.3 基于輸入模型變體的抽象測(cè)試用例集優(yōu)化排序方法(IMBP) |
| 1.2.4 基于相似性的抽象測(cè)試用例集優(yōu)化排序方法(SBP) |
| 1.3 論文的主要工作 |
| 1.4 論文的組織結(jié)構(gòu) |
| 1.5 本章小結(jié) |
| 第二章 背景知識(shí) |
| 2.1 軟件缺陷 |
| 2.2 軟件測(cè)試 |
| 2.2.1 軟件測(cè)試 |
| 2.2.2 黑盒測(cè)試和白盒測(cè)試 |
| 2.2.3 回歸測(cè)試 |
| 2.3 組合測(cè)試 |
| 2.4 測(cè)試用例集的生成 |
| 2.4.1 一維擴(kuò)方法(One-test-at-a-time) |
| 2.4.2 二維擴(kuò)展方法(In Parameter Order) |
| 2.5 測(cè)試用例集的優(yōu)先級(jí) |
| 2.6 本章小結(jié) |
| 第三章 基于重復(fù)一維組合覆蓋的抽象測(cè)試用例集優(yōu)化排序算法 |
| 3.1 FICBP算法研究 |
| 3.1.1 FICBP算法執(zhí)行過(guò)程 |
| 3.1.2 FICBP算法流程圖 |
| 3.1.3 FICBP算法不足及改進(jìn) |
| 3.2 FICBPR算法研究 |
| 3.2.1 FICBPR算法 |
| 3.2.2 FICBPR算法流程圖 |
| 3.2.3 FICBPR算法示例 |
| 3.3 算法的時(shí)間復(fù)雜度分析 |
| 3.4 算法的實(shí)證研究 |
| 3.4.1 實(shí)驗(yàn)設(shè)置 |
| 3.4.2 算法的測(cè)試流程 |
| 3.4.3 算法的有效性度量 |
| 3.5 實(shí)驗(yàn)結(jié)果和分析 |
| 3.5.1 錯(cuò)誤檢測(cè)率NAPFD結(jié)果分析 |
| 3.5.2 時(shí)間開(kāi)銷結(jié)果分析 |
| 3.6 本章小結(jié) |
| 第四章 基于一維權(quán)重的抽象測(cè)試用例集優(yōu)化排序算法 |
| 4.1 FICBPR算法研究 |
| 4.1.1 FICBPR算法的不足及改進(jìn) |
| 4.2 FICBPW算法研究 |
| 4.2.1 權(quán)重 |
| 4.2.2 FICBPW算法 |
| 4.2.3 FICBPW算法流程圖 |
| 4.2.4 FICBPW算法關(guān)鍵步驟說(shuō)明 |
| 4.2.5 FICBPW算法示例 |
| 4.3 算法的時(shí)間復(fù)雜度分析 |
| 4.4 算法的實(shí)證研究 |
| 4.4.1 實(shí)驗(yàn)設(shè)置 |
| 4.4.2 算法的測(cè)試流程 |
| 4.4.3 算法的有效性度量 |
| 4.5 實(shí)驗(yàn)結(jié)果和分析 |
| 4.5.1 錯(cuò)誤檢測(cè)率NAPFD結(jié)果分析 |
| 4.5.2 時(shí)間開(kāi)銷結(jié)果分析 |
| 4.6 本章小節(jié) |
| 第五章 測(cè)試原型系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn) |
| 5.1 ATC_SY系統(tǒng)架構(gòu)及流程 |
| 5.1.1 ATC_SY系統(tǒng)架構(gòu) |
| 5.1.2 ATC_SY系統(tǒng)流程 |
| 5.2 界面設(shè)計(jì) |
| 5.3 系統(tǒng)模塊分析 |
| 5.3.1 算法設(shè)置模塊 |
| 5.3.2 被測(cè)程序設(shè)置模塊 |
| 5.3.3 結(jié)果分析設(shè)置模塊 |
| 5.4 系統(tǒng)總結(jié) |
| 第六章 總結(jié)與展望 |
| 6.1 工作總結(jié) |
| 6.2 研究展望 |
| 參考文獻(xiàn) |
| 致謝 |
| 攻讀碩士期間發(fā)表的學(xué)術(shù)論文及科研成果 |
（10）淺析基于C語(yǔ)言的常用排序算法比較（論文提綱范文）
| 1 基于C語(yǔ)言的常用排序算法比較 |
| 1.1 選擇排序算法 |
| 1.2 插入排序算法 |
| 1.3 起泡排序算法 |
| 2 實(shí)例應(yīng)用分析 |
| 2.1 樹(shù)形選擇排序算法 |
| 2.2 折半排序算法 |
| 2.3 列隊(duì)起泡排序算法 |
| 3 結(jié)語(yǔ) |
四、一種基于直接選擇排序算法的改進(jìn)（論文參考文獻(xiàn)）
- [1]基于空氣質(zhì)量數(shù)據(jù)的多模式可視化系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 王丹陽(yáng). 北京郵電大學(xué), 2020(04)
- [2]多特征與注意力機(jī)制相結(jié)合的答案選擇排序研究[D]. 王龍. 太原理工大學(xué), 2020(07)
- [3]基于多索引的實(shí)時(shí)實(shí)體解析與關(guān)鍵詞查詢處理[D]. 崔潤(rùn)東. 河北大學(xué), 2020(08)
- [4]基于注意力機(jī)制的答案選擇排序研究[D]. 崔家源. 北方工業(yè)大學(xué), 2020(02)
- [5]基于支持向量機(jī)的高維不平衡數(shù)據(jù)集分類算法及其應(yīng)用研究[D]. 羅康洋. 上海工程技術(shù)大學(xué), 2020(05)
- [6]面向需求的回歸測(cè)試下測(cè)試用例優(yōu)先排序技術(shù)研究[D]. 王曉琳. 上海大學(xué), 2020(02)
- [7]基于增強(qiáng)現(xiàn)實(shí)的中學(xué)信息技術(shù)教學(xué)資源的開(kāi)發(fā) ——以查找排序算法為例[D]. 梁旭. 寧波大學(xué), 2019(06)
- [8]基于Spark的無(wú)線城市社團(tuán)發(fā)現(xiàn)算法研究[D]. 徐山珊. 遼寧工程技術(shù)大學(xué), 2019(07)
- [9]抽象測(cè)試用例集優(yōu)化排序的改進(jìn)算法研究[D]. 宗煒雯. 江蘇大學(xué), 2019(02)
- [10]淺析基于C語(yǔ)言的常用排序算法比較[J]. 王錦坤. 信息通信, 2019(03)
標(biāo)簽：直接選擇排序論文; 排序算法論文; 數(shù)據(jù)可視化論文; 測(cè)試用例設(shè)計(jì)論文; 特征選擇論文;