前言：中文期刊网精心挑选了蛙莫言范文供你参考和学习，希望我们的参考范文能激发你的文章创作灵感，欢迎阅读。
蛙莫言范文1
蛙莫言范文2
太钢1549热连轧是引进日本二手设备并于1994年由天津二十冶机装安装完成投产的，主要产品是不锈钢热轧板。该厂投产14年以来经过多次设备改造，已成为太钢的主要效益厂之一，许多设备已经国产化。我们二十冶检修公司多次对F1、F2精轧机主减速机高、低速传动轴轴瓦进行检修更换，是精轧机组的关键设备之一，需要具有丰富施工经验，较高操作技能的高级技术工人来操作实施。
工法特点
本工法依据太钢热连轧厂1549生产线F1轧机施工方案进行修改，主要针对轴瓦更换及研磨施工工序进行编制，其内容包括：
1.施工程序2.操作要点3.质量保证4.环保措施
二、适用范围
减速机轴瓦（非轴承，为钨金瓦形式）
三、工艺原理
工法以施工程序为重点，对施工准备、具体的施工方法及步骤都进行了说明，整体施工工序一目了然，针对轴瓦拆装、轴瓦研磨、齿轮探伤等关键环节提出了相关技术、质量要求，从而对施工质量进行有效控制。
四、施工工艺流程及操作要点
1.施工准备
1.1技术人员现场核对施工项目。通过查看轴瓦装配图纸和现场环境的比对，了解施工环境并确认作业程序，做出具体施工安排；
1.2 根据工序安排，准备施工所需机材，配备好各工种劳动力，做到持证上岗。
2.施工方法：
2.1旧瓦原始数据测量
（1）拆除各介质管道、电气元件及线路，吊出上箱体、上瓦和高、低速传动轴，测量齿轮轴与电机轴头径向偏差，记录数据后吊出下瓦；
（2）清洗各轴瓦、传动轴、上箱体与下箱体的结合面、镗孔，检查减速机镗孔及传动轴轴径有无磨损和损坏等；
（3）用着色法检查上、下瓦与箱体镗孔的接触情况，测量轴径的磨损情况并记录；
（4）检查瓦与箱体在轴向方向的配合情况：检查是否产生了轴向窜动间隙。瓦在箱体上沿轴向不应有间隙，应有一定紧力；用铜棒轻轻敲打，应能将瓦敲入到箱体内；
（5）清洗轴瓦与镗孔，将下瓦装配到下箱体上并涂上红丹粉；将高、低速传动轴吊装就位。检查下瓦与轴的接触情况并记录。用0.02/1000水平仪测量高、低速轴的水平度。检查齿轮接触情况，用压铅法检查齿轮侧间隙和顶间隙数据。压铅时要根据齿轮模数大小选择铅丝直径，铅丝沿齿长方向摆放在距齿端面20~30处。铅丝压好后用千分尺进行测量，然后求出平均值作为侧间隙值。
（6）将上瓦清洗干净，在传动轴轴径两端放好铅丝，将上瓦吊装就位，合上上箱体，对轴瓦顶间隙进行压铅检查；
（7）顶间隙检查完成后将上瓦吊装就位，在下箱体剖分面上的轴瓦两侧和螺栓孔附近各垫放紫铜板，在上瓦瓦背上靠轴中心处两端放上铅丝，然后合上上箱体，对轴瓦和镗孔的配合情况进行测量。
2.2新瓦检查测量
（1）清洗新瓦并检查，用紫铜棒轻轻敲击瓦的巴氏合金表面，凭声音判断浇铸的巴氏合金层有无与钢瓦结合不严密、巴氏合金浇铸层有无气孔等；
（2）检查每对瓦剖分面的接触情况；
（3）测量瓦内径，沿瓦长度方向在距瓦端面20~30处测量两个位置，每个位置按90°方向测量两点；
（4）检查瓦与上、下箱体沿轴向的配合情况。
（5）将新瓦放在轴径上，用塞尺检查有无夹帮现象；
（6）将有轴向定位功能的瓦与轴肩配合，检查轴向窜动间隙与接触情况。
2.3主减速机新轴瓦装配及刮研
（1）研瓦背前，需检查沿轴向方向的配合紧力及接触情况。瓦与箱体沿轴向的配合不能有间隙，用铜棒轻轻敲击时瓦应能沿圆周方向运动。用塞尺检查具有轴向定位功能的瓦与轴肩的配合间隙。用着色法检查瓦与轴肩的接触情况；
（2）研磨下瓦：
①瓦背刮研合格后，将下瓦清洗干净后装配到下箱体镗孔内，测量同一轴上的两块瓦在跨距上的水平度和每一块瓦在轴向方向的水平度，检查测量下列数据：
a各轴径处的水平度;
b齿轮的接触情况;
c齿轮侧间隙和顶间隙;
d各轴径处的高低差；
②对以上测量结果进行分析，判断两根轴的平行度、轴心线的平面度，确定各轴瓦的刮削方向和刮削量；
③每刮削3~4次，都要按①的要求重新进行一次检查并对测量结果进行分析，重新确定各轴瓦的刮削量，直至合格；
下瓦刮研合格后，即可按要求开出下瓦的侧间隙。
每一遍刮削要交叉进行，刮削时用力要均匀适当；
⑦刮研要求：
a每25×252面积的接触点数:5~8点
b轴径与瓦的接触角: 80°~120°（该角度要对称于轴中心线）
c轴在瓦跨距上的水平度:0.05/1000
d齿轮啮合精度:沿长度方向70%，宽度方向60%
e下瓦侧间隙:等于顶间隙的1/2~2/3（侧间隙形状呈契形见图一）
研上瓦
①将上瓦放在轴径上检查有无夹帮；
②将上瓦放在下瓦上（此时下瓦与轴已装配在箱体内），用塞尺初步检查上瓦与轴径的顶间隙、侧间隙情况；
③在下箱体剖分面上轴瓦两侧和螺栓孔附近放上紫铜板，测量轴瓦与箱体镗孔的配合过盈量， 0.02~0.04；
④上瓦与箱体的过盈量调整好后，可对上瓦进行研点刮削，调整上瓦顶间隙和侧间隙到规定值。轴颈与轴瓦的顶间隙可用压铅法检查（见图二）。压铅用的铅丝直径不宜超过顶间隙的3倍。顶间隙应按下列公式计算：单位：
S1=b1―(a1+a2)/2S2=b2―(a3+a4)/2
式中：S1――一端顶间隙，S2――另一端顶间隙，
b1、b2――轴颈上各段铅丝压扁后的厚度，
a1、a2、a3、a4――轴瓦合缝处接合面上各垫片的厚度或铅丝压扁后的厚度，
轴颈与轴瓦的侧间隙可用塞尺检查。
⑤上瓦刮研要求：
a每25×252面积的接触点数:4~6点
b轴径与瓦的接触角: 110°（注意该角度要对称于轴中心线）
c顶间隙：轴径的1/1000~2/1000
（4）主减速机最终装配的技术要点
主减各轴瓦刮研调整完成，齿轮啮合符合要求后即可进行主减的最终装配。要点如下：
a.各间隙测量后做好记录
b.轴瓦修研要按标准：每平方英寸内8个花，轴瓦跨测水平度
c.轴瓦顶间隙头道轴瓦＜0.4mm、二道轴瓦＜0.6mm
d.装配前各稀油管路吹扫干净，箱体、瓦座及各配合表面清洗干净
e齿轴轴线平行度偏差
f.箱体结合面间隙0.1塞尺,深入小于15mm
2.4清洗
（1）将上、下箱体和轴、轴瓦清洗干净，同时对上、下箱体和轴瓦、轴上的各油孔和其它孔道进行清洗，并用干净的压缩空气吹扫；认真检查确认各孔道内无异物、无堵塞；
（2）机体上的油管路要认真检查并清洗、疏通各管道,确认无误后回装。
（3）装配上轴瓦前要在轴径处加适量的油，油品与设备工作时油相同；
（4）合拢上箱体前要做好隐蔽，确认无误后扣盖，封闭主减速机。
2.5试车
（1）试车前要确认主减上各部件、各管道、计器、仪表是否装配完毕，并确认各检测仪表能够正常可靠的工作；
（2）设备运转前先启动系统，并检查油压力、流量是否正常。检查各轴承部位的点的给油、回油情况是否正常，报警装置是否正常工作；
（3）盘车检查设备转动是否灵活，有无卡阻；
（4）点动主减运转，检查运转是否正常；
（5）启动主减运转，监查各轴承处的油温情况，并监听轴承有无异响；
（6）试运转6~8小时轴承温升正常，减速机运转正常，系统正常，各仪表工作正常，确认无误后停止试车。
五、质量标准
机械装置安装工程施工及验收规范
安装手册和外方设计图纸
YBJ201-83冶金机械设备安装工程施工及验收规范通用规定
GB50026-93 工程测量规范
GB50231-98 机械设备安装工程施工及验收通用规范
YB9523-95冶金建筑安装工人安全技术操作规程
六、环保措施
蛙莫言范文3
关键词：关联规则；兴趣度；规则显示
中图分类号：TP391 文献标识码：A 文章编号：1009-3044（2014）06-1223-04
On Interest Measure Models of Mining Association Rules
LI Zuo-jun
（Department of Information Science &Technology，Lincang Teachers’Colleges， Lincang 677000，China）
Abstract： By reviewing the relevant literature， the author collected some computing formulas based on interest measure models of probability， diversity thought， correlation， information amount andinfluence and implemented the algorithm of mining association rules of those models by using programming language of Visual FoxPro. In the paper， the author also analyzed the relationships between value and rules-show of the models and gave a brief conclusion of the general features of the models through experimental analysis.
Key words： association rules； interest measure； rules show
判断关联规则挖掘结果是否有趣的标准分为客观兴趣度和主观兴趣度，其中客观感兴趣度主要根据模式或规则的形式和数据库中的数据进行定义，属于数据驱动；而主观兴趣度还要考虑用户的参与等人为因索的影响属于用户驱动[1]。目前所研究的兴趣度主要是指客观兴趣度，通过查阅相关文献资料，介绍几种经典的客观兴趣度模型，并作简要的解释和剖析。
在介绍兴趣度模型之前，先对关联规则的两个传统阈值作一个简单介绍：假设关联规则描述为（X?Y），X为规则前件，Y为规则后件，规则支持度S（X?Y）表示为（1）式，置信度C（X?Y）表示为（2）式，而兴趣度I（X?Y）正是本文讨论的内容。
[S（X?Y）=P（X?Y）=Count（X）N×100%] （1）
[C（X?Y）=P（X|Y）=S（X?Y）S（X）=Count（X?Y）Count（X）×100%] （2）
其中D表示事务数据库，N表示事务数据库D中各项事务数的总和，Count（X）表示事务X在事务数据库D中的出现次数，Count（X∪Y）表示事务X、Y在事务数据库D中同时出现的次数。
1 概率兴趣度
1.1 概率兴趣度模型
文献[2]提出了基于概率的关联规则兴趣度模型，其值表示为（3）式。
[IX?Y=1-PY1-PX1-PY|X] （3）
其中P（X）表示事务X在事务库中出现概率Count（X）/N，P（Y）表示事务Y在事务库中出现概率Count（Y）/N，P（Y|X）表示事务X出现条件下事务X和Y同时出现概率Count（X∪Y）/Count（X）。
1.2 概率兴趣度模型的特点分析
使用Visual FoxPro编程实现基于概率兴趣度模型的关联规则挖掘算法，并且在取不同兴趣度值情况下记录显示关联规则数，具体见表1所示。概率兴趣度与规则数关系如图1所示。
表1 概率兴趣度取值与规则显示数目表
图1 概率兴趣度与规则数关系图
从图1可看出，兴趣度I（X?Y）函数值越大，规则越有价值。在兴趣度I（X?Y）的定义中，考虑到了规则（X?Y）的前项X和后项Y的耦合，同时考虑到如果对大概率事件产生的原因知道得较多，而可能对大概率事件导致的结果更加感兴趣的特点；但是兴趣度与信任度C（X?Y）不同，兴趣度I（X?Y）重点对S（Y）小的规则赋予大的兴趣度[3]。基于概率兴趣度模型主要考虑规则的简洁性、支持度以及后项的影响，却没有考虑规则前项对规则的影响。
2 差异思想兴趣度
2.1差异思想兴趣度模型
文献【4】提出了一种基于差异思想的兴趣度模型，用以指导关联规则的发现，将关联规则（X?Y）的兴趣度表示为：
[IX?Y=CX?Y-SYmaxCX?Y，SY] （4）
其中，C（X?Y）为关联规则（X?Y）的置信度，其值为（2）式所示；S（Y）为关联规则（X?Y）中Y的支持度，其值为Count（X）/N。
2.2差异思想兴趣度模型特点分析
使用Visual FoxPro编程实现基于差异思想兴趣度模型的关联规则挖掘算法，并且在取不同兴趣度值情况下记录显示关联规则数，具体见表2所示。差异思想兴趣度与规则数关系如图2所示。
表2 差异思想兴趣度取值与规则显示数目表
图2 差异思想兴趣度与规则数关系图
max{C（X?Y），S（Y ）}是一个标准，保证|I（X?Y）|
3 相关性兴趣度
3.1 相关性兴趣度模型
根据文献[5]描述，将基于相关性的兴趣度模型定义为：
[IX?Y=SX?YSXSY] （5）
其中，S（X∪Y）=Count（X∪Y）/N，S（X）=Count（X）/N，S（Y）=Count（Y）/N。
3.2 相关性兴趣度模型特点分析
使用Visual FoxPro编程实现基于相关性兴趣度模型的关联规则挖掘算法，并且在取不同兴趣度值情况下记录显示关联规则数，具体见表3所示。将相关性兴趣度与规则数如图3所示。
表3 相关性兴趣度取值与规则显示数目表
图3 相关性兴趣度与规则数关系图
兴趣度I（X?Y）反映了关联规则中X与Y间的关系，是X和Y密切程度的体现；而可信度和支持度分别体现了规则依赖方向和规则在事务集中出现的频率。基于相关性的兴趣度模型是从规则前项与后项相关性来定义的，从概率的角度分析规则前项和后项相关性，若前项与后项在概率上不相关，或者相关性小，则用户对规则没有兴趣或兴趣较小，反之则用户对规则有很大的兴趣。
4 信息量兴趣度
4.1 信息量兴趣度模型
早在1992年美国学者Padhaic Symth等人在论文《An Information Theoretie Approach to Rule Induction from Database》中将关联规则（X?Y）的兴趣度定义为：
[IX?Y=PXPY|XlogPY|XPY+1-PY|Xlog1-PY|X1-PY] （6）
其中，P（X）=Count（X）/N，P（Y）=Count（Y）/N，P（Y|X）=Count（X∪Y）/N。
4.2信息量兴趣度模型特点分析
使用Visual FoxPro编程实现基于信息量兴趣度模型的关联规则挖掘算法，并且在取不同兴趣度值情况下记录显示关联规则数，具体见表4所示。将信息量兴趣度与规则数关系如图4所示。
表4 信息量兴趣度取值与规则显示数目表
基于信息量兴趣度模型主要对规则的简洁性和信息量进行综合度量的，综合考虑了前件X和后件Y概率分布的相似程度，X出现的概率P（X）作为规则前项简洁程度的衡量。规则越简洁，则X数量越少，兴趣度也越高。这种兴趣度模型考虑了前项和后项的藕合度，藕合度越高，兴趣度也越高。
5 影响兴趣度
5.1 影响兴趣度模型
西南交通大学陈安龙的硕士论文《基于兴趣度的关联规则挖掘算法的研究》中将兴趣度描述为（7）式。
[IX?Y=logCX?Y/CX?YSY/SY=logN-CountXCount（X）-Count（X?Y）×CountX?YCountY] （7）
其中，C（X?Y）为关联规则（X?Y）的置信度，[CX?Y]=（N-Count（X∪Y））/Count（X），S（Y）=Count（Y）/N，[SY]=（N-Count（Y））/N。
5.2 影响兴趣度模型特点分析
使用Visual FoxPro编程实现基于影响兴趣度模型的关联规则挖掘算法，并且在取不同兴趣度值情况下记录显示关联规则数，具体见表5所示。将影响兴趣度与规则数关系如图5所示。
表5 影响兴趣度取值与规则显示数目表
图5 影响兴趣度与规则数关系图
在总事务数N和其它不变情况下，当Count（Y）增大时兴趣度将降低，反之则上升；当Count（X∪Y）增大时兴趣度将上升，反之则降低；当Count（X）增大时兴趣度将降低，反之则上升。这种兴趣度模型使用前项对规则的影响来确定规则兴趣度，考虑了接近于阀值的强关联规则和弱关联规则的选择。
除了以上介绍的5种兴趣度模型外，还有目标兴趣度、正负项目兴趣度、卡方独立性兴趣度、Symth函数兴趣度、Gimi指标兴趣度、Piantesky-Shapiro兴趣度模型等，在此就不一一介绍了。
本文通过查阅相关文献资料，收集整理了基于概率兴趣度、差异思想兴趣度、相关性兴趣度、信息量兴趣度、影响兴趣度模型的相关知识，并利用Visual FoxPro编程语言实现这些兴趣度的关联规则算法。通过实验分析了各种兴趣度模型的取值与规则显示的关系，并简要分析总结了各种兴趣度模型的基本特点。
参考文献：
[1] 吴杰.基于兴趣度的关联规则挖掘[D].哈尔滨：哈尔滨工业大学，2009：31.
[2] 周欣，沙朝锋，朱扬勇，等.兴趣度——关联规则的又一个阈值[J].计算机研究与发展，2000，5（2）：627-633.
[3] 陈安龙.基于兴趣度的关联规则挖掘算法的研究[D].成都：西南交通大学，2003：26，24-33.
蛙莫言范文4
关键词：软岩隧道；ADINA分析；隧道支护；数值模拟
中图分类号：TU470文献标识码：A文章编号：1009-2374（2009）08-0171-02
一、工程概况
遵小铁路张杖子隧道段位于承德市宽城县内，全长2571m。该地区处于低山丘陵区，绝对标高430～547m，自然横坡20°～30°。隧道最大埋深约为100m，隧道进口里程为DK41+336；出口里程为DK43+907。出口山坡植被发育。隧道洞身围岩Ⅳ～Ⅴ级，详见表1：
张杖子隧道位于片麻岩地层中，片麻岩节理裂隙发育，部分地段岩体中裂隙水较发育，工程地质条件一般。在隧道出口处DK43+883左侧约46m处有一正开采的矿井，矿道弯曲大致向隧道方向，现矿底标高与隧道标高大约相当。
二、软岩条件开挖建模
隧道模型几何尺寸为隧道净高6.25m，净宽为5.7m。在模型中其岩体的尺寸为长80m，宽50m。模型采用双层支护加锚杆，第一层支护的厚度为0.45m，第二层支护的厚度为0.20m，锚杆的长度为3.5m。
在ADINA界面中首先建立各个节点，并把四个相邻的节点建立成为面，从而建立了主断面上的平面应变模型。这里模型的建立要以隧道实际情况为根据，将各岩层及其支护、锚杆基本准确地描绘出来，如图1所示。
图1 断面几何模型图
在原有数据基础上，利用试验测试结果和从工程项目中获得的地质资料，进行了一定程度的简化，具体结果见表2：
根据所建立的计算模型的特点，采用标准的四节点矩形单元对计算区域离散化。根据以上分析，在隧道开挖区域内，单元应划分的细一些，而对于受采动影响较小的其它区域，网格可划分的大一点，网格划分后的几何模型图如图2所示：
图2 网格划分后的几何模型图
三、模型数据处理分析
求解之后，通过后处理，可以获得岩层稳定后的隧道周边变形位移和拱顶下沉位移云图及应力云图如下所示：
图3 围岩稳定后下沉云图
图4 围岩稳定后变形云图
图5 围岩稳定后第一主应力云图
图6 围岩稳定后第二主应力云图
四、结语
经过对张杖子山隧道软弱围岩的ADINA分析，得出其拱顶下沉曲线的实际值与模拟值对比图，如图7所示，可见模拟可以体现其总体变形趋势。对于洞口浅埋段Ⅴ类软岩，围岩收敛变形达到基本稳定时间较长，初始围岩净空变形速率较大，因此应把初期的重点放在前期阶段。在Ⅳ类围岩则应在开挖初期施作一薄层柔性支护，并视围岩变形的增长情况给予适时支护。
图7 拱顶下沉时间―位移曲线对比图
参考文献
[1]张庆贺，等．地下工程[M]．同济大学出版社，2005，（2）．
[2]张彬，郝凤山．地下建筑施工[M]．人民教育出版社，2003．
[3]张新培．建筑结构可靠度分析与设计[M]．北京科学出版社，2001．
[4]谷兆棋，等．地下洞室工程[M]．清华大学出版社，1994．
[5]张向东，张树光．隧道力学[M]．香港天马图书有限公司，2000．
蛙莫言范文5
关键词：信用评估；数据挖掘；组合算法
中图分类：TP311.13
文献标识码：A
文章编号：1673-291X（2012）23-0129-02
一、信用评估的定义
信用评估是统计学和运筹学在金融和银行业中最成功的应用之一，也是最早开发的金融风险管理工具之一。信用评估通常定义为一种用于预测贷款申请者或现存借款人将发生违约或拖欠概率的统计或定量方法，广泛应用于消费信贷到商业贷款的各类信用分析中。信用评估的本质是模式识别——将企业或个体消费者按照其历史资料和相应的数据划分为履约（即“好”客户）和违约（即“坏”客户）两类。各种信用评估方法的思路在本质上是相同的，即运用数据挖掘技术、统计学和运筹学等方法，通过对消费者基本特征、信用记录、行为记录等大量数据进行系统的分析，挖掘数据中蕴含的行为模式、信用特征，获取历史信息和未来信用表现之间的关系，发展出预测性的模型，来综合评估消费者未来的某种信用表现即事先确认某些决定违约（与偿还款项相反的行为）概率的关键因素，然后将它们加以联合考虑或加权计算出一个数量化的分数。根据分数或一个关键点把潜在的客户分成“好”客户与“坏”客户两组，用于是否贷款的决策审批。信用评估成为是否发放贷款、贷款额度、产品定价、以及提高放贷机构赢利性和操作战略的决策支持工具。
二、信用评估指标体系建立的原则
评估指标体系的选择己经成为信用评级工作的首要问题，它关系着评估工作的成败。寻找一种较为科学的指标选取的方法是信用评估研究和探索的重点之一。为使指标的选取更为客观、可信，待选指标体系的确定必须在正确的指导原则下进行，本文归纳如下。
1.准确性原则。指标的选择、数据的选取、计算必须以公认的科学理论为依据。
2.全面性原则.。指标体系要全面反映贷款申请人的各方面特征，在考核过去表现的同时，更要预测未来的发展趋势，既要考虑评估对象的情况，还要研究社会经济环境及其发展的影响。信用风险的评估要覆盖贷款业务的每个行业及行业内的每一笔贷款业务。
3.可操作性原则。要求指标体系的设置避免过于繁琐，同时还要考虑指标体系所涉及指标的量化及数据获取的难易程度和可靠性。
4.独立性原则。确定评估指标在考虑全面性的基础上，要使采用的指标尽可能相互独立，指标间的独立性越好，评估的准确性越高。
5.可量化原则。为了克服主观评价所带来的不确定性和盲目性，评价要尽量做到以量化研究为主，同时定性评价与定量评估相结合。
6.灵活性原则。评价指标体系应具有足够的灵活性，以便各银行可根据自己的放贷方式和用途以及本地区的实际情况，对指标灵活进行运用。
7.公正性原则。信用评估指标体系的建立，要符合客观事实，能正确反映评估对象信用等级的真实面貌，指标体系和计算方法不能偏向评估对象或授信方的任何一方，评估机构和评估人员不能根据个人爱好，任意改变指标项目，计算方法和评估标准。
8.动态性原则。信用风险的评估不是简单静态的一次度量，而是连续动态的调整过程，因为随着贷款企业在生产环节中的每个过程都在动态发生变化，企业的经营成果也随着发生改变，变化中的财务和非财务数据就直接地影响到信用风险评估结果。因此，信用风险的评估是要不断地进行调整的，基于国内银行和企业的财务制度，建议一个季度进行动态调整一次。
三、基于数据挖掘技术的信用评估算法
David Durand（1941）从Fisher的一项试验中获得启示，意识到可以采用把整个客户群分为好与坏两种不同类别的方式来处理放贷问题。在随后的发展和演变过程中，个人信用评始终被看做是一个分类问题。到目前为止，主要的评估方法大致可以分为以下几类：经验式评判法、统计学方法、运筹学方法以及人工智能方法中的数据挖掘技术。
信用评估的本质是分类，因此，信用评估是数据挖掘技术非常重要的一个应用领域。数据挖掘从大量数据中提取或“挖掘”知识，用于信用评估，可对客户进行分类、聚类、关联规则发现、预测、偏差检测等；其中，多数用分类、关联规则发现和预测方法进行个人信用评估。目前，用于信用评估的分类算法主要包括判别分析、Logisitic回归、决策树、线性规划、神经网络、遗传算法、支持向量机等算法。
1.判别分析。是一种信用评估中使用最早的算法，其本质是一种线性回归，它通过对己知客户进行分类形成若干母体，然后根据这些母体的特征得出判别函数来判断对象属于哪个母体。由于判别分析的假定条件过于严格如要求解释变量呈多元正态分布，如果客户样本存在一定偏差性，则不是很适合使用该算法进行信用评估。
2.Logisitic回归。是线性回归的变形，通过采用极大似然估计的迭代方法，找到“最可能”系数的估计，适用于解释变量为定性指标的问题。该算法不受解释变量分布假设的严格限制是其优于判别分析之处，但评分的结果和判别分析的差别并不大。
3.线性规划。线性规划是一种运筹学的方法，采用最小绝对误差或最小化最大误差作为目标对客户进行分类。但许多学者通过研究比较之后认为该方法在信用评分领域的效果并不比统计方法优越，所以线性规划的实际应用并不多。
蛙莫言范文6
[关键词] 学习行为模式；学习风格模型；贝叶斯网络
[中图分类号] G434 [文献标志码] A
[作者简介] 姜强（1978—），男，辽宁丹东人。讲师，博士，主要从事网络个性化、自适应学习研究。E-mail：。
一、引 言
学习者在知识水平、学习风格、动机、目标等方面是存在个性差异的，在教学中应该充分尊重学习者的个性差异，实现“因材施教”、“个性化学习”。根据多数教育研究者所言，[1]学习风格是影响个性差异最主要的一个因素，深深地影响着学习过程，如果在教学中考虑了学习者的学习风格，将会有效激发和维持学习者的学习动机，会使学习变得很容易，可以付出很少时间和努力却能获得很好的学习成绩。学习风格是指学习者在完成学习任务过程中所表现的不同学习方式、学习策略，比如，有的学习者喜欢从图片、视频等媒体类型上获取知识，而有的学习者喜欢从言语交谈或文本媒体类型中获取知识；有的学习者愿意先从具体实例资源学起，而有的学习者愿意从比较抽象的定义中开始学习；有的学习者愿意合作学习，而有的学习者比较愿意自学等等。然而，在传统的面对面教学中，教师若想根据学习者的学习风格采用相应的教学方式是行不通的，很难想像在一个班级里，一位教师能够针对班级50名或更多的学习者分别采用不同的教学方式传授不同的课本知识，但是网络学习却很好地解决了因材施教问题，利用网络学习服务支持系统能根据学习者的学习风格提供个性化学习服务。常见确定学习者学习风格的方法有两种：一种是显性方法。通过学习者填写学习风格量表获得，代表性学习支持服务系统有AES-CS、[2]INSPIRE [3]及The SACS（Style-Based Ant Colony System）等。[4]然而，这种显性方法推测学习风格存在不足之处，比如，静态推测，不能伴随着学习者的学习动态及时更新；风格量表题较多，给学习者带来一定的负担；会因学习者填写的随意性而产生错误的答案，导致推测结果不准确等等。后期也有研究者对显性方法进行了改进，让学习者进入系统后自选学习风格，这样做虽然提高了学习者自控能力，但是主观判断依然强烈，有些学习者甚至还不清楚自己的学习风格就去选择，导致推送个性化学习资源的准确性不高。第二种是隐性方法。通过分析学习者与系统之间的交互行为确定学习风格，代表性学习支持服务系统有AHA！（version 3.0），[5]这种方法确定的学习风格具有动态性，会根据学习行为及时修正学习风格模型，满足学习者的学习需求。然而，不难发现利用隐性方法确定学习风格同样存在不足之处，存在“冷开始”问题，原因在于根据学习行为确定学习风格是建立在大量的学习行为模式基础上，对于初学者而言是无法做到的。鉴于此，本文将采用显性法为辅和隐性法为主的混合方法确定学习风格，即，基于Felder-Silverman学习风格理论模型，首先依据所罗门学习风格量表[6]初始化学习者的学习风格模型，然后再主要利用贝叶斯网络方法挖掘网络学习行为模式建构学习风格模型，实现网络个性化学习对象准确的推送。
二、学习风格理论模型及建构模型
（一）学习风格理论模型
自教育研究有从“教”向“学”的转移倾向，研究者逐渐重视学习者个别差异学习研究和学习者个体在学习过程中的主观能动性和创造性，由此关于学习风格研究便成为热点。目前已提出多种与学习风格相关的理论模型，比较有名的有Kolb学习风格模型（Kolb， 1999）、Honey and Mumford 学习风格模型（Honey and Mumford，2000）、Dunn学习风格模型（Dunn and Griggs，2003）及Felder-Silverman学习风格模型（Felder and Silverman，1988）等，[7]每种模型对学习风格提出了不同的描述和分类。本研究主要采用Felder-Silverman学习风格模型，有如下理由：
（1）相比其他学习风格模型，Felder-Silverman学习风格模型描述更为详细；
（2）Felder-Silverman学习风格模型已经被成功应用，如据Kuljis and Liu （2005）[8]所说，Felder-Silverman学习风格模型最适合做自适应、个性化课件。CS383、MASPLANG、LSAS、TANGOW等国外著名的自适应学习系统都采纳此学习风格模型；
（3）Felder-Silverman学习风格模型将每位学习者设定为四个维度：信息加工（活跃型/沉思型）、感知（感觉型/直觉型）、输入（视觉型/言语型）、理解（序列型/综合型）。其中活跃型学习者喜欢尝试做事、合作学习；而沉思型学习者喜欢思考问题，自主学习；感觉型学习者喜欢学习具体事物，比如实例，而直觉型学习者喜欢抽象的学习资料，喜欢具有挑战性、创新性的知识；视觉型学习者擅长从图片、视频等中获取知识，言语型学习者则擅长从文本、交谈中获取信息；序列型学习者属于线性学习，小步子学习；综合型学习者属于非线性学习，大步子学习。