郭威
- 作品数：15 被引量：47H指数：5
- 供职机构：盐城师范学院更多>>
- 发文基金：国家科技支撑计划国家自然科学基金中央高校基本科研业务费专项资金更多>>
- 相关领域：自动化与计算机技术文化科学更多>>
- 基于RBAC的学习流系统权限控制研究
- 2010年
- 针对学习流系统组织结构和权限管理的复杂性,利用RBAC技术,提出了以层次组别为中心组织用户,以角色为中介对用户进行授权管理的权限控制模型。实践表明,该模型能较好地满足学习流系统对教学组织及用户管理灵活多变的要求,减少了权限管理的复杂性,增强了权限配置的灵活性和安全性。
- 郭威
- 关键词：权限控制
- 基于MathML的在线公式编辑器的实现与应用被引量：8
- 2008年
- 在阐述了数学标记语言MathML和公式插件WebEQ的基础上,提出了一种基于MathML的在线公式编辑器的设计,并以文本编辑器FCKeditor为平台进行了实现,最后给出了具体应用与进一步的改进,较好地解决了上述问题。
- 郭威刘三杨宗凯孙建文刘林
- 关键词：数学标记语言
- 软件工程专业课程体系的重构与度量被引量：5
- 2015年
- 针对盐城师范学院软件工程专业应用型、工程型软件人才培养的目标定位,引入CDIO工程教育理念,结合GQM度量方法,提出了一种面向目标、逐步求精、量化分析的软件工程专业培养方案G-C模型,对专业课程体系进行了重新构建与度量。实践表明,该模型能为优化专业课程体系、量化培养目标、改进培养过程、全面达成专业培养目标提供具体指导和有力支撑。
- 郭威
- 关键词：工程教育理念软件工程
- 二维分割贯序正则化超限学习机被引量：1
- 2017年
- 针对大规模在线学习问题,提出一种二维分割贯序正则化超限学习机(BP-SRELM).BP-SRELM以在线贯序超限学习机为基础,结合分治策略的思想,从实例和特征两个维度对高维隐层输出矩阵进行分割,以降低问题求解的规模和计算复杂性,从而极大地提高对大规模学习问题的执行效率.同时,BP-SRELM通过融合使用Tikhonov正则化技术进一步增强其在实际应用中的稳定性和泛化能力.实验结果表明,所提出的BP-SRELM不仅具有更高的稳定性和预测精度,而且在学习速度上优势明显,适用于大规模数据流的在线学习与实时建模.
- 郭威徐涛于建江汤克明
- 关键词：TIKHONOV正则化
- 面向机器人电子元器件装配的自学习模型预测控制方法
- 本发明公开了一种面向机器人电子元器件装配的自学习模型预测控制方法，包括实时输入末端执行器及关节的位置、速度、加速度输出与期望值的差值；通过自学习训练得到模型预测控制器，输出控制力矩时延差值；其同时用作反馈，作为电子元器件...
- 唐仕喜汤克明郭威王超王远
- 文献传递
- 学习流引擎的设计与实现被引量：1
- 2010年
- 为解决目前E-Learning平台对学习过程支持不足的问题,将工作流的理念引入E-Learning环境,对系统核心——学习流引擎作重点研究:设计学习流引擎的内部结构,分析和实现了学习流引擎的核心功能,以学习流引擎为内核实现一个学习流原型系统,较好地解决上述问题。
- 郭威
- 关键词：E-LEARNING
- 基于J2EE的学习流系统设计与实现
- 2010年
- 学习流系统是运用工作流理论与技术而提出的一种面向学习过程的新型e-Learning学习平台。在介绍了学习流系统相关概念的基础上,提出了一种基于J2EE的学习流系统架构,并对各层进行了详细的设计,最后实现了一个学习流原型系统,较好地解决了目前e-Learning平台对学习过程支持不足的问题。
- 郭威
- 关键词：J2EE
- 一种基于深度学习的图像分类装置
- 本发明公开了一种基于深度学习的图像分类装置，包括拱形架，所述拱形架右侧内部固定连接有分布均匀的支撑柱，所述支撑柱一端固定连接有凹槽板。本发明中通过第二电机、丝杆、螺母副、导向柱、移动座、连接柱、电动滑轨和滑动块的协同工作...
- 陈霜霜郭威
- 基于M-estimator与可变遗忘因子的在线贯序超限学习机被引量：5
- 2018年
- 该文针对时变离群值环境下的在线学习问题,提出一种基于M-estimator与可变遗忘因子的在线贯序超限学习机算法(VFF-M-OSELM)。VFF-M-OSELM以在线贯序超限学习机模型为基础,通过引入一种更加鲁棒的M-estimator代价函数来替代传统的最小二乘代价函数,以提高模型对于离群值的在线处理能力和鲁棒性。同时VFF-M-OSELM通过融合使用一种新的可变遗忘因子方法进一步增强了其在时变环境下的动态跟踪能力和自适应性。仿真实例验证了所提算法的有效性。
- 郭威郭威徐涛汤克明
- 关键词：M-估计鲁棒性自适应性
- 具有广义正则化与遗忘机制的在线贯序超限学习机被引量：6
- 2017年
- 针对非平稳时间序列预测问题,提出一种具有广义正则化与遗忘机制的在线贯序超限学习机算法.该算法以增量学习新样本的方式实现在线学习,以遗忘旧的失效样本的方式增强对非平稳系统的动态跟踪能力,并通过引入一种广义的l2正则化使其具有持续的正则化功能,从而保证算法的持续稳定性.仿真实例表明,所提出算法具有较同类算法更好的稳定性和更小的预测误差,适用于具有动态变化特性的非平稳时间序列在线建模与预测.
- 郭威徐涛汤克明于建江
- 关键词：遗忘因子时间序列预测
