6.1知识的求原、求真法 (1)求原方法——版本鉴别法 (2)求真方法——文本校勘法 6.2知识的组织、检索法 (1)组织方法——文献分类法 (2)检索方法——目录查检法 6.3知识的计量、分析法 (1)计量方法——文献计量法 (2)分析方法——引文分析法 6.4知识的导读、咨询法 (1)导读方法——提要揭示法 (2)咨询方法——参考咨询法

第一节 概述 第二节 网络信息分类法的编制 第三节 网络信息分类组织和著录

将支持向量机应用于岩体质量等级分类中,采用工程中适用性强的指标如岩石质量指标、完整性系数、单轴饱和抗压强度及结构面摩擦因数,作为判别因素.选用径向基核函数进行训练,通过交叉验证确定最佳模型参数,建立了岩体质量分级模型.该模型采用成对分类方法构建多类分类模型,与已有文献采用一对多分类法构建支持向量机多类分类模型相比,不可分区域减少很多,即模型分类精度提高显著.将该模型应用于工程实例,结果表明预测结果与工程勘测结果完全吻合,证明了支持向量机岩体质量分级方法的有效性

注意力缺陷多动障碍（ADHD）是儿童期最常见的精神疾病之一，在大多数情况下持续到成年期。近年来，基于功能磁共振数据的ADHD分类成为了研究热点。文献中已有的大多数分类算法均假设样本是均衡的，然而事实上，ADHD数据集通常是不平衡的。传统的学习算法会使得分类器倾向于多数类样本，从而导致性能下降。本文研究了基于不平衡神经影像数据的ADHD分类问题，即基于静息状态功能磁共振数据对ADHD进行分类。采用功能连接矩阵作为分类特征，提出了一种基于多目标支持向量机的ADHD数据分类方案。该方案将不均衡数据分类问题建模为具有三个目标的支持向量机模型，其中三个目标分别为最大化分类间隔、最小化正样本误差和最小化负样本误差，进而正负样本经验误差可以被分开处理。然后采用多目标优化的法向量边界交叉法对模型进行求解，并给出一组代表性的分类器供决策者进行选择。该方案在ADHD-200竞赛的五个数据集上进行测试评估，并与传统分类方法进行对比。实验结果表明本文提出的三个目标支持向量机分类方案比传统的分类方法效果好，可以有效的从算法层面解决数据不平衡问题。该方案不仅可用于辅助ADHD诊断，还可用于阿尔茨海默病和自闭症等疾病的辅助诊断

实验一 节肢动物与昆虫外形及头部 实验二 昆虫口器 实验三 昆虫胸部的基本构造及胸足和翅 实验四 昆虫腹部基本构造 实验五 昆虫生物学 实验六 六足总纲及昆虫纲的分类鉴定 实验七 直翅目昆虫分类 实验八 半翅目昆虫分类 实验九 同翅目昆虫分类 实验十 鞘翅目成虫分类 实验十一 鞘翅目幼虫分类 实验十二 鳞翅目成虫分类 实验十三 鳞翅目幼虫分类 实验十四 膜翅目成虫分类 实验十五 双翅目成虫分类 实验十六 昆虫内部器官的位置及消化和排泄器官 实验十七 昆虫的循环系统和血细胞、呼吸系统、生殖系统 实验十八 昆虫的神经系统 实验十九 昆虫种群的空间格局 实验二十 昆虫种群生命表的组建和应用 实验二十一 群落组成及优势种群数量调查

重点掌握并学会应用Angle错合分类法，掌握其优缺点。 熟悉毛燮均错合分类法。 了解其他分类法。 （一）牙颌特征分类 Angle错合分类法 毛燮均错合分类法 （二）病因学分类 （三）面部软组织侧貌分类 （四）上下颌骨和牙列前后不协调特征分类

国外公务员分类制度 Classification system of civil servants abroad 公务员的类别 公务员分类制度的意义 品位分类与职位分类的含义 公务员分类制度的发展趋势 我国公务员分类制度 Classification system of civil servants in China 公务员分类制度在我国的发展 我国公务员分类制度的基本内容 对我国公务员分类制度的评价

一.植物学分类方法 1.分类等级：种、亚种、变种、变型 2.植物命名法 3.分类检索表 4.被子植物分类系统 二.园林应用分类法 1.生长习性分类：乔木、灌木、铺地类、藤蔓类。 2.观赏特性分类：观形、观花、观叶、观果、观枝、观根。 3.园林用途分类：行道树、庭荫树、孤赏树、防护树、花灌木、藤本、植篱类、地被类、盆栽及造型类、室内装饰类

实验一 蓝藻门的分类和形态观察 实验二 硅藻的分类和形态观察 实验三 金藻门、隐藻门、甲藻门的分类和形态观察 实验四 绿藻门的分类和形态观察（一） 实验五 绿藻门的分类和形态观察（二） 实验六 绿藻门的分类和形态观察（三） 实验七 轮虫的分类与形态观察 实验八 枝角类的分类与形态观察 实验九 桡足类及原生动物的分类与形态观察 实验十 软体动物的形态观察及常见种类的鉴定 实验十一 虾蟹类形态观察及常见种类鉴定 实验十二 水生维管束植物形态观察与鉴定

传统的分类算法大多假设数据集是均衡的,追求整体的分类精度.而实际数据集经常是不均衡的,因此传统的分类算法在处理实际数据集时容易导致少数类样本有较高的分类错误率.现有针对不均衡数据集改进的分类方法主要有两类:一类是进行数据层面的改进,用过采样或欠采样的方法增加少数类数据或减少多数类数据;另一个是进行算法层面的改进.本文在原有的基于聚类的欠采样方法和集成学习方法的基础上,采用两种方法相结合的思想,对不均衡数据进行分类.即先在数据处理阶段采用基于聚类的欠采样方法形成均衡数据集,然后用AdaBoost集成算法对新的数据集进行分类训练,并在算法集成过程中引用权重来区分少数类数据和多数类数据对计算集成学习错误率的贡献,进而使算法更关注少数数据类,提高少数类数据的分类精度