摘要：针对粗糙集模型中特征选择方法存在计算开销大、不能直接处理连续数据,以及海洋捕食者算法(MPA)处理优化问题仍存在收敛速度慢、易陷入局部最优等问题,提出了基于邻域粗糙集(NRS)和海洋捕食者算法的特征选择方法.首先,使用基于Tent混沌映射的反向学习和高斯扰动策略对原算法改进得到IMPA,再构建一种传输机制形成一种二进制算法;然后,基于邻域依赖度和特征子集长度构造适应度函数,使用IMPA不断迭代搜索出最优特征子集,设计一种元启发式特征选择算法.最后,在9个基准测试函数上评估IMPA的优化性能以及在UCI数据集上评估特征选择算法的分类能力.实验结果表明,在9个基准测试函数上IMPA的平均值、标准差明显优于粒子群优化算法(PSO)和樽海鞘算法(SSA);在UCI数据集上,同基于粗糙集的优化特征选择算法、基于邻域粗糙集的优化特征选择算法相比,所提的特征选择方法在KNN分类器下的分类精度平均值分别提高了10.28~14.13个百分点、2.71~12.11个百分点,在CART分类器下的分类精度平均值分别提高了9.41~13.24个百分点、2.90~12.31个百分点.

摘要：基于整数的有序拆分算法提出了一种设计二值自相关序列的新方法.通过将长度为n的-1/+1序列重新编码为正整数n的有序偶分拆,从而将二值自相关序列的求解问题归结为整数的有序拆分问题.从二值自相关序列的约束条件提取编码后的拆分序列组合信息,并通过PSD(功率谱密度)检测进一步压缩搜索空间,计算出符合要求的组合序列.

摘要：基于协同过滤(Collaborative Filtering,CF)的推荐算法可以有效地把用户与推荐内容联系起来,但却通常存在冷启动以及矩阵稀疏等问题,对用户的使用体验造成一定影响。知识图谱能够挖掘用户与推荐内容间的潜在联系,提升推荐的准确性。虽然,在推荐算法中引入知识图谱可以提升算法的推荐效果,但也意味着当推荐系统遭受攻击时用户也将遭受更为严重的隐私安全威胁。文章在知识图谱推荐算法的基础上引入差分隐私机制,提出了一种基于RippleNet模型的隐私保护推荐算法。实验结果表明,该算法能够在一定程度上提升推荐效果,提升推荐效果并降低数据泄露风险。

摘要：自动化测试可以解决人工测试引起的误差及低效问题。确定了Selenium作为本系统的辅助测试框架,实现对政府网站绩效测评在链接可用性、首页可用性以及浏览器兼容性的自动化测试,并实现测试结果的可视化。

摘要：针对如何实现艺考在线学习,我们建立流程,将系统划分为3个模块,进而对各个模块进行代码实现与测试。系统测试表明,该系统设计达到了使用方便、响应快速、结果准确的效果。