特征区分度（精选4篇）
特征区分度 篇1
0 引 言
目标跟踪是计算机视觉领域的关键问题之一,在诸多场合都有应用,例如视频监控、交通监管、人机交互等。近十几年来涌现了大量针对目标跟踪中特定问题的算法,并取得了相应成果。然而由于现实场景中存在各类干扰因素并会进行交叉影响,如突然的运动、光照改变、目标形变、遮挡等,这使得目标跟踪仍然是一项充满挑战的课题。
一个典型的跟踪算法一般包括三大组成部分:外观模型,运动模型以及搜索策略[1,2]。本文的重点在于通过构建一种有效的目标外观模型,使跟踪算法能够应对跟踪中出现的目标形变、遮挡问题,并具有一定的从跟踪异常状态中恢复的能力。根据跟踪算法的外观模型是否考虑目标的背景信息,可以将跟踪算法分为两类:生成式(Generative)算法[3,4,5]和区分式(Discriminative)算法[1,6,7,8,9]。区分式算法在跟踪时充分利用目标及目标附近背景的信息,能够更有效的将目标从背景中区分出来。多示例学习(MIL)算法[1]作为一种区分式算法,能够在线进行目标特征的选取,为目标跟踪算法提供了一类新的解决思路。文献[1]中选择了Haar-like特征来描述目标的外观,当目标形变或遮挡时容易失效;同时原算法对目标时间维度的信息没有进行合理利用,当算法由于遮挡、类似目标干扰等因素而发生跟踪异常后,自行恢复正确跟踪的概率很低。
本文在MIL跟踪框架的基础上,采用了一种改进的基于分布场(DFs)[2]的目标特征描述方法,该特征对目标的局部模糊、遮挡以及轻微形变具有良好的鲁棒性。算法还加入了目标时间维度信息的融合框架,大幅提高了算法在发生跟踪异常之后的恢复能力,同时也可以应对目标形态发生改变的情况。通过对比本文算法和其他先进跟踪算法在多组复杂情况下的视频跟踪结果,可以发现本文的算法具有更为优异的表现。
1 MIL 跟踪框架
作为本文算法的基础,本节简要介绍一下MIL跟踪框架,算法细节可参见文献[1]。当一次新的跟踪开始时,跟踪器在以选定的目标为中心,α为半径的区域内,密集地选取与目标等大的图像块作为目标的正面采样(Positive Samples);以选定目标为中心,半径ζ和β之间的区域,随机地选取若干与目标等大的图像块作为目标的负面采样(Negative Samples)。文献[1]中的算法通过构建基于Haar-like特征的弱分类器集合,并从中选取一定数量最能区分正面采样和负面采样的弱分类器构成目标的强分类器。文献[9]针对如何优化挑选弱分类器过程提出了一种新的方法称为ODFS算法,并在强分类器的更新过程中还加入了高斯分布参数的渐进式更新,使得ODFS算法相比原始的MIL算法更为稳定(文献[9]中第2.2节)。当新的一帧图像到来时,跟踪器以上一帧的跟踪结果为中心,在搜索半径γ范围内密集选取与目标等大的图像块作为候选,通过应用之前得到的强分类器逐一计算,获取当前帧目标的最优匹配结果,即当前帧的目标跟踪结果。之后再重复确立正面采样和负面采样,计算获得新的强分类器,以进行后续的跟踪。
2 基于 DFs 的改进型特征
文献[1]和文献[9]中选用的Haar-like特征集在跟踪算法开始的时候就已经确定,当目标发生形变或遮挡很容易丢失目标。文献[9]通过渐进式更新高斯分布参数一定程度上缓解了这一现象,但是固定的Haar-like特征集难以及时的对目标的外观进行有效描述。本文引入了基于DFs的改进型特征,大幅提高了跟踪器的性能。
文献[2]中介绍了将图像转换为DFs表示的方法,这里将重点介绍本文如何将其改进,并用来替换MIL算法中的Haar-like特征。一幅尺寸为m×n图像T,将灰度空间分为b个区间,可以得到该图像块的DFs表示矩阵d,其尺寸为m×n×b,计算过程可由下式表示
其中:i和j分别表示图像的行、列坐标,Vk 代表第k个灰度区间的取值范围。这里得到的图像DFs表示包含了与原始图像一致的信息,只是将各像素点的灰度值进行了区间划分。当k值确定时对应d中的二维矩阵,可称作DFs的一层(Layer 1)。原文中还需要对每层DFs和特征空间分别进行平滑处理(文献[2]第3节),在文献[2]中证明了由于引入了高斯平滑,DFs表示包含了目标一定程度的不确定性,这使得DFs表示对目标细微形变、遮挡有着良好的抑制能力。本文适当简化了这一过程,只对特征空间进行如下处理
其中:d(i,j)表示原DFs中的一列特征维度量,hσf为一维高斯卷积核,其标准差为σ f。图1给出了将一幅图像转换为本节所述DFs表示的示例。原始DFs中,每个非零点代表原图像中相应位置的像素属于该层对应的特征区间。经过平滑处理之后,每个非零点表示原图像中相应位置附近存在一点属于该层对应的特征区间,这样每层DFs相比原始的DFs包含了不确定信息,使得DFs对图像细微变化更具有包容性。
同时,本文采用了一种有别于其他文献[10]的方法,认为目标正面采样集合中每个图像块的每个DFs层都可以作为一个目标特征,而不是将一个图像块的全部DFs层作为一个特征。根据需要可从正面采样集合中随机选取N个图像块,从而得到M=N·b个目标特征构成特征池。对于单个目标特征与目标正面采样、负面采样以及候选图像块之间的相似度度量,本文也采用了一种有别于文献[2]与文献[10]中类似绝对值差和(SAD)的比较方法,引入了MF函数度量RMF( )[11,12],如下式所示:
其中:d kf和d kS分别表示一个k层特征和一个图像块DFs表示dM对应的第k层,δk(i,j)为第k层DFs上点(i,j)处的梯度向量,计算方法如下:
从式(3)可以看出MF函数度量的取值范围为[-1,1],值越大表示相似度越高。文献[11]和文献[12]对比了多种度量函数,用实验证明了MF函数度量在模板匹配中的优越性能,实验中包括了模板发生形变、光照变化、噪声干扰、以及发生局部遮挡的情况。在本文第4节中,对原始的DFs法和本文改进的方法进行了类似的性能对比测试,实验结果表明通过在DFs法中引入MF函数度量,相比原始的DFs法更具鲁棒性,能够在目标发生形变、光照变化、局部遮挡、噪声干扰时具有更大的几率匹配到正确目标。
算法需要从M个特征中选择最能区分目标正面、负面采样集合的L个特征构建强分类器,具体实现方法可见文献[9]。本文的不同在于由于每次更新强分类器的时候,构建的目标特征池都不相同,所以文献[9]针对固定Haar-like特征池的高斯分布参数渐进式更新在本算法中是没有意义的,这里省略该步骤,将参数设为,并保持不变。
3 目标时间维度信息融合
实际跟踪中由于相似目标干扰、大范围遮挡等情况,不可避免地会发生跟踪到错误目标,即跟踪异常的情况。文献[9]针对MIL跟踪框架,提出了对固定Haar-like特征池的高斯分布参数进行渐进式更新,并通过实验证明了其相比原始MIL算法更具稳定性。本文中由于目标的特征池不是固定不变的,为了结合目标的时间维度信息,这里给出了一种新的时间信息融合方法。
为了融合目标的时间维度信息,本算法保留了Q组之前得到的强分类器,构成一个强分类器集合{h1,h2,...,hQ}。常见的算法依据时间顺序替换集合中的元素,并给予集合中元素时间相关的权重值,类似:
最后的计算结果由下式得到:
假设集合中强分类器的上标序号越大,对应的强分类器越新。这种融合方式在实际中容易遇到两大问题:1) 集合中元素寿命是一定的,由于集合大小限制无法包含目标足够久的时间维度信息;2) 当发生跟踪异常时,新加入集合的错误分类器反而占有更高的权重,导致跟踪器难以从跟踪异常中恢复。
相应的本算法通过两种途径,改善了融合效果。首先认为集合中各元素的权值相等,即新加入的分类器不再具有更高的权值,提高了系统的容错能力。然后在更新集合元素时,替换旧元素采用随机选取的方式,每个元素具有相同的概率被替换。从数学上来说,集合中某一元素在N次更新后,仍然存在的概率为
式(7)表明集合中每个元素的存在概率是随时间指数下降的。这样使得集合能够包含更多的目标历史信息,提高了跟踪器从跟踪异常中恢复的能力。为了进一步使集合中包含目标更久的时间维度信息,同时减少跟踪器在更新强分类器时的运算量,本算法设定每隔W帧进行一次集合的更新。通过调节参数Q和W能够获得不一样的跟踪效果,以应对不同类型的目标。同时对于目标外形几乎不发生改变的情况,可以考虑在Q组分类器中保留一组最初的强分类器,这样能增强特定情况下跟踪算法的稳定性。
4 实验结果与分析
在测试本文提出的跟踪算法之前,先对本文提出的基于DFs的改进型特征在模板匹配方面的性能进行分析。原始的DFs法进行模板匹配时参数按照文献[2]设置,而本文提出的基于DFs的改进型特征则将参数设为σf=1, b=4。实验选用了模板匹配领域的常见数据库(http://www.vision.deis.unibo.it/research/78-cvlab/93-pm-eval)作为测试数据,该数据库包含了目标模板在遮挡、噪声干扰、不同光照条件、图像拍摄角度变化等情形下的待匹配图像,能够全面的评价各匹配算法的性能。本文算法将模板图像DFs表示的每一层作为单独的模板分别进行匹配,结果如表1所示。可见由于改进了相似度度量的方法,并且由于目标图像的灰度分布不同,单独选用某一层最能区分目标和干扰的DFs作为特征相对于原始的DFs表示反而可以取得更好的效果。
实验中测试跟踪算法的视频,部分来自文献[1],这部分视频在文献[2,8–10]中也被作为测试视频使用,其中包括了大多数的复杂情形,如目标遮挡、运动模糊、形变、光照变化等。同时本文还从PETS2001公共数据库中挑选了一段包含目标遮挡、形变以及相似目标干扰的视频,并由作者拍摄了一段存在目标形变、尺寸变化、抖动模糊、遮挡的测试视频。用来对比的算法包括:MIL跟踪器[1],ODFS跟踪器[9],原始的DFs跟踪器[2]以及DFs MIL跟踪器[10](简单的将原始DFs替换MIL算法中的特征)。实验中的算法代码尽量采用原作者主页上提供的源代码,并参考了相应文献中的结果,进行多次实验取平均值以获取公平的测试结果(因为部分算法存在取随机数的过程)。本文算法采用MATLAB R2013a编程实现,其中关键参数设定为b=4 ,Q=5,W=3,构建一个强分类器所需的特征数L≤15 ,其余MIL跟踪框架相关的参数设定可以参照文献[9]。
表2给出了各算法在不同视频上的跟踪结果(正确跟踪帧数的百分比)。从表中可以明显看出本文的算法具有最为优异的表现。在大多数算法都失效的最后两个视频中,本文算法仍然保持了突出的性能。图2和图3给出了这两段视频中的部分跟踪结果,从图中可以明显地看出本文算法对目标的模糊、形变、遮挡等具有良好的鲁棒性,同时在存在相似目标干扰时或大面积遮挡后,仍然能够保持对目标的稳定跟踪。
—Our tracker ----MIL ---ODFS ----DF ---DF MIL
—Our tracker ----MIL ---ODFS ----DF ---DF MIL
5 结 论
本文在MIL跟踪框架的基础上进行优化改进,提出了一种新的性能更为优异的跟踪算法。通过引入基于DFs的改进型特征与目标时间维度信息融合策略,增强了算法应对复杂情况的稳定性。实验结果表明该算法相比其他先进的跟踪算法能够在各种复杂的条件下取得更好的跟踪效果。
参考文献
[1]Babenko B,YANG Ming-Hsuan,Belongie S.Robust object tracking with online multiple instance learning[J].IEEE Transactions on Pattern Analysis and Machine Intelligence(S0162-8828),2011,33(8):1619-1632.
[2]Sevilla-Lara L,Learned-Miller E.Distribution fields for tracking[C]//IEEE Conference on Computer Vision and Pattern Recognition(CVPR),Providence,RI,June 16-21,2012:1910-1917.
[3]Ross D A,Lim J,LIN Ruei-Sung,et al.Incremental learning for robust visual tracking[J].International Journal of Computer Vision(S0920-5691),2008,77(1/3):125-141.
[4]Adam A,Rivlin E,Shimshoni I.Robust fragments-based tracking using the integral histogram[C]//IEEE Computer Society Conference on Computer Vision and Pattern Recognition,New York,June 17-22,2006,1:798-805.
[5]MEI Xue,LING Haibin.Robust visual tracking using1 minimization[C]//IEEE 12th International Conference on Computer Vision,Kyoto,Sept 29-Oct 2,2009:1436-1443.
[6]Grabner H,Grabner M,Bischof H.Real-Time Tracking via On-line Boosting[C]//BMVC,Edinburgh,September 4-7,2006,1(5):6.
[7]Grabner H,Leistner C,Bischof H.Semi-supervised on-line boosting for robust tracking[C]//Computer Vision–ECCV 2008,Marseille,France,October 12-18,2008:234-247.
[8]ZHOU Qiuhong,LU Huchuan,YANG Ming-Hsuan.Online multiple support instance tracking[C]//IEEE International Conference on Automatic Face&Gesture Recognition and Workshops,Santa Barbara,CA,March 21-25,2011:545-552.
[9]ZHANG Kaihua,ZHANG Lei,YANG Ming-Hsuan.Real-time Object Tracking via Online Discriminative Feature Selection[J].IEEE Transactions on Image Processing(S1057-7149),2013,22(12):4664-4677.
[10]NING Jifeng,SHI Wuzhen,YANG Shuqin,et al.Visual tracking based on Distribution Fields and online weighted multiple instance learning[J].Image and Vision Computing(S0262-8856),2013,31(11):853-863.
[11]Tombari F,Di Stefano L,Mattoccia S.A robust measure for visual correspondence[C]//14th International Conference on Image Analysis and Processing,Modena,Sept 10-14,2007:376-381.
[12]Tombari F,Di Stefano L,Mattoccia S,et al.Performance Evaluation of Robust Matching Measures[C]//VISAPP 2008:Proceedings of the Third International Conference on Computer Vision Theory and Applications,Funchal,Madeira,Portugal,January 22-25,2008:473-478.
特征区分度 篇2
关于集中开展重点行业和领域安全隐患
排查整治活动的通知
区安委会各成员单位：
4月9日，西宁市纺织品大楼发生重大火灾事故，再一次给安全工作敲响警钟。为此，城北区召开安全工作紧急会议，安排部署开展全区安全隐患排查整治活动，各单位、各部门各负其责，彻查重点行业和领域存在的安全隐患，有效防范和遏制各类安全事故的发生。现将开展安全隐患排查整治活动通知如下：
一、活动时间
2011年4月11日至2011年4月18日。
二、活动要求 安委会各成员单位要高度重视，加强领导，各负其责，及时制定活动计划，充分利用活动时间集中对各自职责范围内的安全隐患进行一次大排查大整治，将排查整治情况于4月19日上报区安委会办公室。同时要大力宣传安全事故防范知识，不断增强广大群众的安全意识。形成人人参与，人人预防的“大安全”格局。
三、职责分工
（一）生产企业、危险化学品行业
区安监局牵头，治安大队、交警大队和各镇、街道办事处配合，重点检查危化行业有无安全生产条件评估资料、高危作业人员是否有从业资质；危险化学品生产经营单位的生产、包装、储存、运输、经营、使用以及原材料、成品、半成品库存管理等各个环节是否符合安全生产的规范和要求，重大危险源的底数摸排、监管监控和事故隐患排查情况，以及事故应急救援预案建立与演练情况。
（二）建筑施工工地
区建设局牵头，重点检查辖区各建筑工地防火措施落实情况、排查安全隐患。检查落实工地宿舍和临时办公房的防火措施，要求施工单位派出工程技术人员共同参与工地的防火工作。发现一般火险隐患，应当及时通知施工单位进行整改；发现重大火险隐患，应当责令其停止施工作业，同时向公安消防监督部门报告。建筑工地必须按照使用明火的范 围、时间和危险程序建立相应的审批制度，并严格履行有关审批手续。作业人员使用明火，应当清除周围可燃物，落实监护人员和监护措施，并配备充足的灭火器材。
承接高层建筑工程的施工单位，在主体结构内使用明火焊割作业前，必须将水源接至明火作业层，并确保正常取水。同时在焊接操作时必须采取作业面内严格隔离易燃物、裸露保温层。建筑和内装修施工中需要明火作业的，工地负责人必须指派经专业培训合格的作业人员持证操作。
禁止在工地建筑物、构筑物内熬炼沥青。严禁乱接乱拉电气线路。施工工地动力线与照明线必须分开设置，并分别选择相应功率的保险装置。有可燃性气体、易燃液体蒸气与空气混合形成爆炸性混合物的场所照明，必须使用防爆型照明电器。组织工程技术人员和工人开展防火知识培训和宣传，按工程进度落实相应的消防措施。
同时继续检查施工工地深基坑、边坡、管沟、临边路口防护、用电、塔吊和施工电梯、防范脚手架、起重机械倒塌、施工坍塌和触电、高处坠落、高空坠物，严把施工队伍资质关，杜绝施工单位无施工资质、无安全许可进入建筑市场。
（三）道路交通运输行业
区交警大队牵头，采取有力措施继续加大对超载、超限、超速、疲劳驾驶、酒后驾驶等违法行为的查处力度，严厉打击非法营运行为，确保道路交通运输安全。特别要高度重视 公交车消防安全，要将公交车消防安全工作放在突出位置重点部署和安排，开展公交运营车辆的消防安全大检查，彻查隐患，堵塞漏洞。公交车起火绝大部分原因在于车辆本身存在安全隐患，电气故障、供油系统故障、机械设备故障等等。强化运营前的安全检查，彻查隐患，堵塞漏洞，确保每辆公交车运行安全。
司乘人员熟练掌握突发火灾的应急处理方法，严格按照规定对营运车辆定期进行维护保养。在每次出车前对运营车辆进行仔细检查，确保每一辆公交车运行前应急装置、机械设备、电路、油路、气路及燃料储存系统完好，禁止公交车“带病”上路。营运单位要严格按照相关规定淘汰老旧车辆，避免运营车辆因为负荷太大而突然发生故障。
加强培训教育，实行经常性的检查监督，切实加大对城市营运车辆消防工作的监管力度；落实消防安全责任人、安全管理员，明确每个司乘人员的消防安全职责，健全各项消防安全规章制度、消防预案，组织开展消防安全检查、灭火演练，配齐各类消防设施器材。
（四）学校、幼儿园
由区教育局牵头，消防大队和各镇、街道办事处配合，切实加强学校、幼儿园消防安全工作，不断增强安全宣传教育力度，有效预防和遏制各类火灾事故的发生。各学校、单位要充分认识做好学校幼儿园消防安全工作的重要性和紧 迫性，建立并落实消防安全自我管理、自我检查、自我整改的良性运行机制。在检查过程中，要进一步突出重点，各级各类学校及托幼机构，要以学生宿舍、教职工宿舍、食堂、实验室、教室、图书馆、会议室等人员密集场所和容易发生消防安全事故的部位为重点开展消防安全检查，及时发现整改火灾隐患。要重点检查消火栓、灭火器、应急灯等消防设施是否按规定配备并能正常使用，消防设施放置是否符合要求，安全疏散通道是否畅通，消防安全管理制度是否落实。尽快规范未办证的托幼机构，坚决取缔不符合安全条件要求的托儿场所和机构。
（五）森林防火
由区农牧局牵头，抓好森林防火宣传教育工作，提高全民防火意识；积极配合火案查处；积极开展林区可燃物的计划烧除，开设防火隔离带；加强野外火源管理，消除火灾隐患；加强老人和小孩等特殊人群的监护；加强扑火队伍建设，强化防火后勤保障。根据我区防火期森林植被和气候特点以及火灾发生规律，按森林火险等级标准，当气象部门连续发布四、五级高森林火险等级预报时，区、乡镇森林防火指挥机构立即进入应急准备状态，保持高度戒备，加强值班调度，充分做好人员和物资准备。各乡镇也要发动巡山护林员和林区群众加强林区火情监测，保证林火监测范围全覆盖，实现森林火灾的早发现、早处置。
（六）市场、网吧等人员密集场所
由区工商分局、区科技文体旅游局分别牵头，公安分局配合，对全区所有集贸市场、网吧的消防安全情况进行一次拉网式集中检查，落实隐患整改和盯防措施。室外搭建的集贸市场，其顶棚应当采用非燃或难燃材料，市场内不得堵塞消防车通道和影响公共消防设施的使用。集贸市场要保持相应的安全疏散通道畅通，市场内的电气线路和用电设备，必须符合国家有关电气设计、安装规范的要求，严禁个人拉设临时线路。市场内各摊位应当在市场主办或合办单位的组织下，严格按照规定配备消防器材，不足的及时补充，过期的及时更换，同时要进行好消防设施的维护，公共消防设施、器材，应当布置在明显和便于取用的地点，明确专人管理。任何人不得将公共消火栓圈入摊位内。按照属地化管理的原则，朝阳办事处要协调有关部门重点加大对北山市场、湟水河市场的消防安全检查力度；马坊办事处要加强对火车西站及周边地区的安全隐患排查、整治。
要求辖区内所有网吧建立防火档案，确立网吧的防火重点部位网吧内要粘贴各种防火标志，设置消防门，消防通道和警报系统，组建义务消防队，配备完善的消防器材与应急照明装置等设施做到有能力迅速扑灭初期火灾和有效地进行人员财产的疏散转移。对新老员工进行消防知识的普及，对消防器材使用的培训，特别是消防的重点部位，要进行专 门的消防训练和考核，做到经常化、制度化。网吧内消防器材，消防栓必须按消防部门指定的明显位置放置。禁止私接电源插座，乱拉临时电线，私自拆修开关和更换灯管，灯泡，保险丝等。营业及工作结束后，要进行电源关闭检查，保证各种电器不带电过夜，各种该关闭的开关处于关闭状态。使用的电器设备的质量，必须符合消防安全要求，电器设备的安装和电器线路的设计，铺设，必须符合安全技术规定并定期检修。
（七）宾馆、旅游景点
由公安、消防牵头，负责对所管辖范围内的各大宾馆、招待所、出租屋、旅游景点的安全设施、存在隐患进行排查整治，公安机关对上述场所治安状况进行长期的监管。做到不留死角，全方位覆盖。
（八）食品卫生行业
由区卫生监督局牵头，制定并组织实施食品质量监督检查和食品卫生检验计划，依法查处生产加工不符合标准的食品和有毒有害食品的违法行为，对白酒等产品实行工业生产许可证管理。组织有关部门对食品安全管理进行综合监督检查，组织有关部门开展食品安全的专项监督检查，并对食品重大安全事故的查处。
各镇、街道办事处，要加大对辖区内重点行业和领域安全隐患的排查整治和宣传力度，并积极协助相关单位做好各 项排查工作。
抄报：市安委会办公室，市安监局，区委，区政府，区综治抄送：区人大办公室，区政协办公室，区委宣传部，存档。
二Ｏ一一年四月十一日
基于难度和区分度的试卷分析 篇3
1. 对象及方法
1.1 资料来源
选取四门主干课程，分别是中医诊断学、方剂学、生理学及生物化学某一学期的学生试卷(不包括重修生)。
1.2 数据处理及分析方法
四门课程都采用机读形式判卷，试卷数据由判卷系统统一导入基于foxpro研发的试卷分析系统。
1.2.1 难度分析
试题的难度是衡量试题难易程度的指标。对于客观性试题，难度P=选中某题正确答案的人数/参加考试的总人数;对于非客观性试题，是考生总体在该题的平均得分与题满分之比。一般认为P值为0.3—0.9较为适中，P<0.3的为难题，P≥0.9的为容易题。试卷整体的难度指数可由各题的难度指数加权平均求出，整套试题的难度以0.65—0.70为好，试题难、中、易的比例大致为20%、60%、20%。不过，对于目标教学的学业合格性考试，不应完全以难度指数作为选择试题和判断试题质量的主要依据，主要应看其是否符合教学大纲的要求。
1.2.2 区分度分析
试题的区分度，反映试题对考生水平差异的鉴别能力。区分度高的试题能够将不同水平的考生成绩区别开来。D值范围在-1—1之间。
D=2(∑Hi-∑Li)/nWi
∑Hi为高分组i题得分总和，∑Li为低分组i题得分总和，n为高分组和低分组学生人数总和，Wi为i题的满分值。D值在0.15—0.3之间区别良好，D>0.30时属于区别极好的试题;D<0.15表示试题区分度差。试卷整体区别指数可由各题区分度加权平均求出。D>0.4时，为优秀试题，一般可作为选拔性考试;0.3
2. 结果与分析
2.1 课程成绩分布情况
通过绘制直方图可见四门课程皆呈负偏态分布，多数学生成绩分布在低分段。方剂学成绩分布较均匀，区分度好，而中医诊断学、生理学和生物化学这三门课程呈尖峭峰，成绩集中分布在平均数周围，差异较小，说明中等难度题目所占比例较大，离散性不如方剂学好。
2.2 难度、区分度分析
2.2.1 总体情况见表2
四门课程整套试题的难度良好，区分度中医诊断学良好，生理学及生物化学较好，方剂学极好。
2.3.2 难度分析
试题难度分布情况见表3，中医诊断学难、中、易试题分布良好，其他三门课程难题较少，中等难度题目所占比例较大，此结果与成绩分布分析结果一致。方剂学容易试题超过20%。
对各题型试题难度的分析(见表5)可看出，多选题，简答及论述题普遍是难题。
2.3.3 区分度分析结果见表4
从四门课程试题区分度低于0.15的试题占一定比例，这部分试题需重新审核，但绝大部分试题的区分度大于0.15，区分度良好。方剂学有1道试题区分度小于0，应删除。
对各题型试题区分度的分析(见表5)可看出各课程各题型区分度良好，多选题、简答题和论述题区分度普遍较好甚至极好。
2.3.4 难度区分度综合分析见表5、表6。
2.3.4.1题型分析
难度和区分度综合分析时，有认为课程考试的试题难度在0.4—0.9之间，同时区分度在0.2以上的试题可视为品质优良的试题[1]。根据表5可知，除中医诊断学判断题区分度小于0.2外，其他课程各题型皆属于品质优良的试题。
还有认为，P>0.5, D>0.15，表示难易度适中，区别度良好，属好题。P<0.5, D>0.15，则表示试题虽然偏难，但仍有较好的区别度，属适用题。P>0.5, D<0.15，表示试题难易度适中，但区别度差，属淘汰题。从表5分析看除中医诊断学和生物化学的多选题(P<0.5, D>0.15)属于试题偏难的适用题，其他各课程各题型(P>0.5, D>0.15)属于难易度适中，区别度良好的好题。
2.3.4.2难题和容易题的分析
2.3.4.2.1中医诊断学
从表6可以看出，试卷中，P<0.3的7道试题中有6道D<0.15，区分度较差，核对原考题发现，其中3题答案错误，25题心脉痹阻的临床表现及31题缓脉主病均属于大纲要求掌握内容，但学生掌握较差，说明学生对部分重点内容记忆不扎实，建议教师在教学中对此部分内容予以加强。还有1题，题目选项干扰大，应酌情予以修改。
对于P≥0.9的容易试题统计表明，有5道题目D<0.15，核对原考题发现5道题全部为教学大纲要求掌握内容。这一结果说明对于重点问题学生掌握得较好，从一个侧面反映出良好的教学效果。
2.3.4.2.2生理学
试卷中，P<0.3的2道试题中有1道试题(42题)D<0.15，区分度较差，核对原考题发现，该题系影响肺泡气体交换的因素，属于大纲要求掌握内容，但学生掌握较差，说明学生对该部分内容记忆不扎实，建议教师在教学中对此部分内容予以加强。对于P≥0.9的容易试题统计表明，有5道题目D<0.15，核对原考题发现其中2道题(43、46题)，因该试卷是引用外校试卷，题目有问题，在阅卷时全部计满分处理。第4、23、32题全部为教学大纲要求掌握内容。第7题为教学大纲要求熟悉内容。这一结果说明对于重点问题学生掌握程度高，反映出良好的教学效果。当然，也不排除个别试题内容过于简单，应予以修正。
2.3.4.2.3生物化学
P<0.3的2道试题d≥0.15，区分度较好，为合格试题。对于P≥0.9的容易试题统计表明，有5道题目r<0.15，核对原考题发现这5题全部为教学大纲要求掌握内容。这一结果说明对于重点问题学生掌握程度高，从一个侧面反映出良好的教学效果。
2.3.4.2.4方剂学
从表7可以看出，试卷中，P<0.3的1道试题(33题)D<0.15，区分度较差，核对原考题发现，该题答案错误。对于P≥0.9的容易试题统计表明，有4道题目D<0.15，核对原考题发现第2、7、15、43题均属于教学大纲要求掌握内容。说明对于重点问题学生掌握程度高，反映了良好的教学效果。第45题D<0，说明高水平的学生得分比低水平的学生得分还低，毫无区分度，此题应删掉。
以上分析结果及时反馈后，各学科教研室对课程题库进行了进一步完善，对教学中存在的问题及时进行纠正，提高了教学质量。
参考文献
[1]卢凤娟.课程考试质量分析和评价的探讨[J].高教论坛, 2006, (6) :175-177.
用区分造句 篇4
2) 不管是谁，如果他认为最近发生在选区分界的风风雨雨都是不正当的，是受利益驱动的，那么他就应该凝视着大西洋，期待着在地图上雕刻出那些奇怪的国会选区的赤裸裸的党派目的。
3) 不同类型的顾客我们在接待、推介过程中也要做到因人而异，区分对待，才能更好的服务好我们的顾客。
4) 想你的感觉很苦，因为知道那是没有归期的，想你的感觉很无奈，明知道没有结果可言，但还是想，还是没有时间概念的想，没有地点区分的想，只要脑子里有一刻空闲就是那么强烈的想你。
5) 面对千头万绪的工作，我们要区分轻重缓急，有条不紊地一一落实。
6) 最能清楚地将一个自由国家的状态和一个在专制政府统治下的国家的状况区分开的，莫过于前者遵循着被称为法治的这一伟大原则。
7) 预测与实战截然区分，预测海阔天空，实战机敏灵活。
8) 啥是阶段?阶段即自然段，是华章结构的根本单位。在文章中每个阶段用换行作为显着的象征，表明文章思路发展中的中止和间歇。阶段的区分要受多种要素的影响，如文章的内容、特性、体裁、流派以及作者的特性、习气等。
9) 我的音乐其实没有区分大众和小众!我觉得就是喜欢或不喜欢听。我觉得听音乐就是感受音乐里面的感情，或是它给人家的感觉!所以，有时候小众可以是人家的大众，人家的大众可以是某些人的小众。
10) 职业与非职业只是赚钱途径的区分，专业和非专业则从技巧手法等来判别。
11) 面对成堆的问题，一定要区分轻重缓急，有条不紊地逐一解决。
12) 这一区分并非泾渭分明。
13) 展区以地区与功能区分，分为北美展区、欧洲展区、纽澳展区、亚洲展区、配置展区等。
14) 如果你去调查人们对于性、道德、休闲和工作的态度，会发现现在越来越难区分反传统的叛逆者和维护传统的企业人士。
15) 结果正常组例SCTPA均能很好地显示并区分中央区肺动静脉，显示外周肺血管的分布情况。
16) 按色彩区分能生产直条、横条、小方格等织物.
17) 我母亲清楚知道，她那些永备牌电池，如果光是用来照明区分卫生纸和其功能的空隙，可以维持多久。
18) 工作丰富化和工作扩大化应加以区分.
19) 前言：目的：区分葛花、扁豆花、槐花种易混淆花类中药，避免混用。