最新資訊

全過程學業(yè)預警跟蹤評價系統(tǒng)的研究與實現(xiàn)

傳統(tǒng)的學業(yè)預警系統(tǒng)通常更多關(guān)注學生的成績、考勤等終結(jié)性指標，并在這些指標達到特定條件時觸發(fā)預警。所研究的學業(yè)預警系統(tǒng)采用了全過程化監(jiān)測預警方法，不僅對學生的期末成績、年度考核、出勤等常規(guī)指標進行監(jiān)測，還對學生的課堂表現(xiàn)、課后作業(yè)、團隊考核、思想政治考核、經(jīng)濟壓力等進行全面跟蹤、分析與評價。同時根據(jù)本科生導師制實施細則，發(fā)動各導師積極參與到學業(yè)預警活動中，作為學生學習過程中的重要指導者，跟蹤和評估學生的學業(yè)表現(xiàn)，并提供及時、有效、精準的學業(yè)指導，實現(xiàn)了從發(fā)出預警到指導效果的全程、閉環(huán)監(jiān)控。采用粒子群算法（PSO）優(yōu)化支持向量機（SVM），并結(jié)合Web與小程序技術(shù)，實現(xiàn)了全過程學業(yè)預警跟蹤評價系統(tǒng)，有效提升了預警的精準度和時效性，填補了傳統(tǒng)學業(yè)預警系統(tǒng)的不足。該系統(tǒng)對于提高學生學業(yè)質(zhì)量具有重要意義，同時也為其他高校的學業(yè)預警幫扶系統(tǒng)提供參考。

發(fā)表于：2/20/2025

一種基于指令流水線的數(shù)據(jù)匹配算法

基于正則表達式的數(shù)據(jù)匹配技術(shù)在基礎(chǔ)數(shù)據(jù)治理和清洗方面有著重要的應(yīng)用價值。然而，在高性能計算領(lǐng)域的數(shù)據(jù)處理過程中因算法匹配吞吐率低，無法滿足大數(shù)據(jù)處理環(huán)境下對算法的高性能要求，造成其應(yīng)用范圍受限。針對此現(xiàn)象，提出一種基于指令流水線的數(shù)據(jù)匹配算法，稱之為γFA：利用Intel架構(gòu)內(nèi)置的向量指令流水式讀入若干字符段，通過大寬度向量比較函數(shù)進行字符段與非信任字符集的流水比值處理并轉(zhuǎn)換成整型向量，通過位置定位函數(shù)累加定位出所有整型向量的首個非信任字符位置，計算出可略過的總字符數(shù)，減少正則表達式匹配引擎因處理非信任字符集導致訪問低速內(nèi)存而帶來巨大的時間開銷，實現(xiàn)正則表達式匹配算法的性能提升。實驗結(jié)果表明，γFA算法的吞吐率是原始DFA算法的15.88~53.06倍，相比于ßFA算法，吞吐率提升了35.12%~63.26%，取得較好的性能加速效果。此外，通過對γFA算法進行優(yōu)化后，性能可接近100 Gb/s，為原始DFA匹配算法性能的15.88~64.94倍，相比于γFA算法性能提升了2.15%~43.09%。

發(fā)表于：2/20/2025