姜静清
- 作品数：37 被引量：176H指数：7
- 供职机构：内蒙古民族大学计算机科学与技术学院更多>>
- 发文基金：国家自然科学基金内蒙古自治区自然科学基金内蒙古自治区高等学校科学研究项目更多>>
- 相关领域：自动化与计算机技术文化科学理学医药卫生更多>>
- 基于智能算法的B样条曲线拟合研究现状被引量：3
- 2013年
- 近些年来,随着计算机技术的发展和智能算法的普及,许多基础学科开始引进计算机智能算法,并应用于基础科学的研究,本文归纳了智能算法在B样条曲线拟合中的应用,列举了在该领域中,使用的智能算法.在原有论文研究成果的基础上,提出了用智能算法,改进B样条曲线拟合方法的设想.
- 赵灵会姜静清包兰英
- 关键词：B样条曲线
- 在新冠病毒疫情期间“程序设计基础(C/C++)”实验课线上教学的探索与思考被引量：1
- 2020年
- 对新冠病毒疫情期间“程序设计基础(C/C++)”实验课在线教学模式进行探索和思考.针对教学资源的建设、实验内容的设计、实验项目的执行、实验报告的撰写等方面,给出一些可供借鉴的方法.
- 宋初一姜静清明珠张妍刘那仁格日乐王秀清
- 关键词：线上教学C语言程序设计实验课
- 一种稀疏降噪自编码神经网络研究被引量：9
- 2016年
- 近年来,基于深度学习的自编码神经网络是数据降维问题研究的热点,数据降维能够有效地消除无关和冗余信息,提高学习数据内在特征的效率.研究了在原始数据预处理时加入噪声,可训练出对输入信息更加鲁棒的表达,从而提升自编码神经网络模型对输入数据的泛化能力.提出了一种稀疏降噪自编码神经网络(Sparse De-noising Auto-Encoder,SDAE),基于稀疏性的思想,对降噪自编码神经网络加以改进,使得抽象出的特征稀疏表示,更有效的用于数据分类.实验结果表明稀疏降噪自编码神经网络(SDAE)分类准确率要优于传统的自编码神经网络及降噪自编码神经网络.
- 张成刚姜静清
- 关键词：数据降维降噪
- 引入收益的RBF神经网络及其在股市预测中的应用
- 人工神经元网络是一门新兴的交叉学科.人工神经元网络系统是通过对生理学上的真实人脑神经网络的结构和功能,以及若干基本特征的某种理论抽象、简化和模拟而构成的一种非线性信息处理系统.它具有分布式存储和容错性、并行处理及自学习自...
- 姜静清
- 关键词：人工神经元网络模式识别图象处理
- 文献传递
- C++构造函数的剖析被引量：4
- 2003年
- 详细分析了C++中构造函数和拷贝构造函数的作用,并深入探讨了构造函数在组合类、派生类、虚基类及其派生类中的不同作用规则,对其中一些作用规则给出具体应用实例。
- 宋初一格日乐图姜静清姜明晨
- 关键词：构造函数派生类C++虚基类
- 信息与计算科学专业毕业论文(设计)选题探索被引量：2
- 2013年
- 毕业论文(设计)是本科生重要的实践教学环节,如何选取与专业相关的论文选题是每个学生首先面临的问题,因为信息与计算科学专业是比较新的专业,所以该专业学生论文选题上存在一些问题,本文分析了内蒙古民族大学信息与计算科学专业本科生毕业论文选题情况,提出了存在的问题及改进的方法.
- 宋初一姜静清
- 关键词：信息与计算科学UNDERGRADUATE
- 改进惯性权重的简化粒子群优化算法被引量：5
- 2016年
- 针对传统的粒子群优化算法收敛速度慢、易陷入局部空间极值的缺点,提出一种基于简化粒子群优化算法同时改进惯性权重的新算法.该算法首先去掉速度项,使算法更加简便,然后改进位移项,最后改进惯性权重.对6个经典函数分别采用传统的粒子群优化算法、简化的粒子群优化算法和该改进的算法进行比较,数值实验表明,该改进的粒子群优化算法比其他两个算法的性能好.
- 高苇平环张成刚姜静清
- 关键词：惯性权重
- 基于粒子群与模拟退火算法的板材优化下料被引量：7
- 2008年
- 提出一种用于处理板材下料问题的粒子群与模拟退火混合算法。同时,在把下料模式转化为实际设计时,提出了一种类似于Bottom Left(BL)算法的转换方法。模拟实验结果表明这种混合方法的性能明显优于粒子群算法。
- 包奇金宝姜静清宋初一梁艳春
- 关键词：粒子群算法模拟退火算法
- 自适应变异免疫算法在物流配送中心选址中的应用被引量：4
- 2017年
- 随着经济的发展,物流业成为新兴产业,物流配送中心选址变得尤为重要.本文采用改进的免疫算法对一个中等规模进行配送中心选址.主要从两方面对免疫算法进行改进,一方面抗体与抗原的亲和度采用有阈值限制的矢量距进行计算,另一方面对变异操作进行自适应化.实验表明,改进后的免疫算法不仅提高了精确度,而且提升了收敛速度.
- 平环宋初一姜静清
- 关键词：物流配送中心自适应变异矢量距人工免疫算法
- 基于深度强化学习的数据中心热感知能耗优化方法
- 2024年
- 随着数据中心规模的不断扩大,所引起的高能耗、高运营成本和环境污染等问题日益严重,严重影响了数据中心的可持续性。大多数数据中心能耗优化方法为了降低计算能耗,会将任务集中在尽可能少的服务器上,但这样做往往会导致数据中心热点的产生,并且提高了冷却能耗。为了解决这一问题,文中首先对数据中心进行建模,并将数据中心总能耗优化问题建模为一个任务调度问题,并且要求调度过程中不产生数据中心热点。为了解决该问题,文中提出了一种基于深度强化学习的数据中心任务调度方法,并使用奖励塑造对该方法进行优化,在不产生热点的前提下降低数据中心的总能耗。最后,通过仿真环境和真实数据中心负载跟踪数据进行了实验。仿真实验结果表明,所提方法相比其他现有的调度方法能够更好地降低数据中心总能耗,最多降低了25.5%。此外,提出的优化方法还不会产生热点,这进一步证明了其优越性。
- 李丹阳吴良基刘慧姜静清
- 关键词：数据中心能耗优化任务调度
