分类效果（精选8篇）
分类效果 篇1
心血管疾病特点是发病机制复杂、发病率高、复发率高、死亡率高。健康宣教作为心血管疾病治疗中不可缺少的一个重要组成部分, 主要针对患者相关疾病进行有效的教育, 可以减少患者的发病率, 提高患者对疾病的认识及自护能力, 提升临床护理质量, 改善患者的生活质量[1]。本院患者以心血管疾病为主, 回顾本院以往的宣教形式, 全院共用一张宣教表, 涉及的内容繁杂, 没有针对性, 导致低年资护士不知晓本科室宣教重点, 盲目宣教, 宣教效果不理想。宣教表发放后, 患者看不明白, 也不重视, 随意将其丢弃, 因而达不到有效宣教的目的。针对以往宣教中存在的问题, 我院委员会将健康宣教表按疾病种类、术前、术后等分类制作, 宣教内容简单、明了、针对性强。护士根据不同的疾病选择相应的健康宣教表依次按要求进行宣教, 宣教完毕, 执行者及患者签字确认。次日跟进检查患者宣教掌握情况, 未完全掌握者再次宣教, 确保宣教效果落实到位。自健康宣教表分类应用于临床后取得了良好的成效, 现报告如下。
1 资料与方法
1.1 一般资料
从病房随机抽取住院患者100例, 男62例, 女38例, 平均年龄58 (±0.5) 岁。其中风心病患者25例, 冠心病患者31例, 高血压病患者24例, 先心病患者20例。患者文化程度:文盲18例, 小学、初中文化共33例, 高中及以上文化共49例。职业:农民27例, 职工及离退休人员共73例。首次住院66例, 两次以上住院34例。将患者随机分为对照组与试验组, 对照组40例, 试验组60例, 两组患者既往宣教知晓率、性别、年龄、疾病种类等差异均无统计学意义 (P>0.05) , 具有可比性。
1.2 方法
1.2.1 实施方法
对照组继续使用旧的健康宣教表进行常规宣教, 宣教完成后护士在护理记录单上进行记录, 患者掌握与否无反馈信息。
1.2.2 改版后的健康宣教表按病种不同分为11种, 内容包括
①入院第一天, 主要内容有入院宣教、安全宣教、饮食宣教、活动宣教;②入院第二天主要有检查宣教、疾病宣教、告知配合、服药患者行药物宣教;③手术患者包括术前宣教、术后宣教、康复运动指导;④沟通需求调查主要包括患者希望了解的疾病知识、药物知识及个性化需求;⑤出院指导饮食、运动指导、定期复查、自我救护知识。护士宣教时需注明宣教对象、宣教方式, 在方框内进行勾选, 宣教完成后在宣教单上填写宣教日期, 同时要求护士及患者或患者家属签名。次日进行宣教效果评价, 未掌握或部分掌握者, 再次宣教, 宣教后签名。对于比较复杂的术前指导项目, 如呼吸功能训练, 除了护士现场示范, 我们还将文字版的操作内容发放给患者, 要求患者详细阅读并反复训练, 直到掌握为止, 见表1。
1.3 效果评价
将两组患者从满意度及宣教知识掌握情况进行比较分析, 由专人指导填表评价。
1.4 统计学方法采用SAS 9.2统计软件进行数据分析, 计数资料采用χ2检验, P<0.05为差异有统计学意义。
2 结果
2.1 两组患者健康宣教知晓率的比较, 见表2。
2.2 两组患者对健康宣教满意度的比较, 见表3。
3 讨论
3.1 提高健康宣教质量
改进后的健康宣教表严格按病种分类, 不同的疾病, 健康宣教内容不同, 护士有针对性地选择相应的健康宣教表依次按要求进行宣教。宣教完毕, 执行者及患者签字确认。次日跟进检查患者宣教掌握情况, 未完全掌握者再次宣教。科室护士长日质控也会检查健康宣教表落实情况, 同时抽查2~3名患者, 检查宣教质量, 宣教工作完成较好的护士给予记分表扬, 并与个人月绩效挂钩, 以激发护士的工作积极性。
3.2 提高患者健康宣教知晓率
健康宣教表一式两份, 一份给患者, 一份留存护理记录夹, 若护士宣教后患者有不明白的内容, 可以随时找责任护士交流, 直到清楚为止。患者出院时要求患者将健康宣教表连同其他的宣教手册一起带回家, 出院后有任何疑问可打电话至科室咨询, 解除患者后顾之忧。
3.3 提高患者对健康宣教的满意度
患者所掌握的健康知识越多, 患者疾病不确定感就越低, 内心希望水平就越高。健康宣教作为一种健康干预措施在心血管疾病患者中应用能明显地提高患者的健康知识水平, 在提高患者满意度的同时, 有助于改善患者的临床预后[2]。
4 小结
心血管疾病的治疗是一个漫长的过程, 涉及多器官疾病。患者及家属对疾病的认识和心血管疾病康复综合治疗长期依从性, 影响着治疗的远期效果和患者的生活质量[3]。专业化的健康宣教是护理改革推进中的重点工作内容, 体现着护理专业的价值和内涵[4,5]。健康宣教分类应用临床工作使宣教内容简洁明了, 重点突出, 能帮助患者有效掌握宣教知识, 提高患者的自护能力, 明显改善患者的不良心理状态, 效果显著, 值得在临床上推广与应用[6]。
摘要：总结健康宣教表在实施宣教中存在的问题。认为将宣教表进行调整, 根据病种分类, 包括冠心病、先心病、大血管病、瓣膜病、心律失常等, 做到宣教重点突出, 宣教项目简洁明了, 有利于患者理解、掌握。健康宣教表分类应用有利于提高宣教效果和患者满意度。
关键词：健康宣教表,分类应用
参考文献
[1]孙艺.健康宣教对改善心内科患者不良情绪及治疗依从性的效果观察[J].护理实践与研究, 2013, 10 (22) :110-111.
[2]毕艳玲.健康宣教对急性冠状动脉综合征患者疾病不确定感及内心希望水平的影响[J].中国实用护理杂志, 2012, 28 (22) :18-20.
[3]刘酉华.冠心病平板电脑多媒体形式健康宣教效果分析[J].护士进修杂志, 2015, 30 (6) :555-557.
[4]Simmons D.A multimedia approach to understanding diabetes[J].The Lancet, 2001, 368:338-343.
[5]王承乐, 张慧, 杨丽娟.多媒体健康教育对心脏手术患者使用呼吸机治疗依从性的影响[J].齐鲁护理杂志, 2010, 16 (1) :20-21.
[6]胡素玲.不同的健康宣教模式对冠心病患者自护能力及生活方式的影响[J].国际护理学杂志, 2014, 33 (9) :2442-2444.
分类效果 篇2
我们质量技术监督局紧紧围绕市局推进特种设备分类监管的工作要求，认真履行监管职能，大胆创新，经过一年多的实践探索，极大提升了监管效能，有效杜绝了特种设备重大责任事故的发生。
一、摸清底数，找准特种设备有效监管突破口
特种设备安全监管是质监部门重要职责，如何在现有监管力量条件下对特种设备实施有效监管，我们进行了大胆实践探索。我县行政隶属哈尔滨市，是哈尔滨市卫星城之一，共辖17个乡镇，143个行政村，一个国家级开发区，62万人口。目前在用特种设备707 台（不包括气瓶），其中锅炉218台，压力容器152台，起重机械89台，电梯180台，厂内机动车辆35台，空中客运索道3条，拖牵8条，大型游乐设施22台，各类气瓶数万只，涉及特种设备使用单位205家。宾县现有2名特种设备安全监察员、10名乡镇义务协管员从事特种设备监察及安全管理工作，分析归纳有以下特点：一是这些特种设备大都在乡镇、村，分布较散，点多面广，造成监管难度大；二是使用单位因设备的数量、种类、地域和企业规模不同，若采取统一的使用管理标准化模式，造成安全监管程序上繁琐，不宜操作；三是部分使用单位因经营人员素质相对比较低，安全意识淡泊，企业自主规范化管理比较难；四是一些使用单位对监管有对立情绪，不情愿接受监管；五是专职安全监察人员数量少。这些问题的存在，势必造成安全监管任务繁重，监管难度增大，实现监管目标监管成本加大。
二、结合本地实际，实施特种设备分类分级监管
2011年，在省市局《关于建立特种设备分类监管工作机制的意见》总体要求的基础上，我们局结合本县实际，剖析监管难点成因，结合推进使用管理标准化的要求，挑战传统管理模式，针对不同设备使用特点和危险程度进行科学分析，把特种设备分为重点监控特种设备和非重点监控特种设备两类，并在分类基础上，依据特种设备使用单位安全评价考核方法，对特种设备使用单位又划分为ABC级实行分级监管，即：特种设备分类分级监管模式，提升了工作可操作性。
（一）设备分类，监管有重点
我局根据辖区特种设备实际状况，按照设备的潜在危害程度首先确定了重点监控设备和非最点监控设备两类，其目的在于监管的设备有重点，监管有轻重缓急，把有限的力量用在最薄弱的环节和最易发生事故的设备及安全管理最差的企业，发挥监管的最大效能。
1、确定重点监控特种设备
我局按在用特种设备发生事故后可能导致重大人员伤亡或重大财产损失和严重社会影响程度从全县707台在用特种设备中确定额定出口压力≥2.45MPa且额定出力≥10t/h的蒸汽锅炉21台；介质为易燃物质，且设计压力与容积的乘积≥100MPa〃m3的固定式压力容器 3台；使用速度>1.75m/s且提升高度10层以上的电梯30台；B级以上大型游乐设施6台；3至9人医用氧舱1台；客运索道3条；额定起重量≥50t的起重机械10台以及学校、幼儿园、商场、医院、滑雪场等人员密集场所使用的15台锅炉7部电梯在内的共计96台设备为重点监控设备，其余611台设备为非重点特种设备。
2、采取的监管措施
一是监管责任落实到位，对本辖区内各类重点监控特种设备登记造册，逐台落实监管责任人；二是企业主体责任落实到位。企业是安全生产的责任主体，更是保障特种设备安全的核心因素。通过督促企业做到设备使用登记率、持证上岗率和定期检验率达到100%，落实了重点监控特种设备岗位责任制等安全管理制度，建立完善应急救援预案，配备必要的应急救援装备和专业队伍，并定期演练。目前，县局与所有特种设备使用单位签定了《安全承诺书》，提高了企业安全主体责任意识；三是对重点监控特种设备及其使用单位，每年至少组织了一次现场安全监督检查，并根据设备存在的事故隐患等情况适当增加现场安全监督检查频次；四是及时将重点监控特种设备有关信息、安全监督检查记录及问题整改落实情况等录入特种设备安全电子监管系统，五是定期召开特种设备安全形势分析会，对重点监控特种设备安全状况进行分析，研究解决存在的重大问题；六是发挥企业在质量安全方面自我管理的能动性，采取企业对非最点监控设备进行自主管理与监管部门抽查相结合的管理模式。
（二）企业分级，落实主体责任
特种设备分级监管，是指以特种设备使用单位为监管对象，就其安全管理水平、设备安全状况和依法遵规行为来设定标准，将特种设备使用单位划分为不同级别，并采取不同方式实施监管的工作机制。
1、特种设备分级监管的级别和认定标准
根据特种设备使用单位安全管理水平、设备重要程度、设备事故隐患情况、违法违规情况以及事故情况等进行综合认定，划分特种设备使用单位级别。具体分为A级使用单位（安全状况好）、B级使用单位（安全状况一般）和C级使用单位（安全状况差）。
⑴、A级使用单位认定标准
重视安全工作，管理机构与规章制度健全，安全责任落实，安全措施有保障，设备完好，三年内无违法违规记录且未发生特种设备事故的特种设备使用单位。
⑵、B级使用单位认定标准
符合A类使用单位认定标准且有重点监控设备使用单位和《特种设备安全监察条例》第50条明确的公共聚集场所的特种设备使用单位，以及安全意识、安全管理、安全投入、设备安全状况一般的使用单位。
⑶、C级使用单位认定标准
特种设备安全意识差、管理薄弱、安全投入低，有特种设备安全违法记录，设备安全状况较差，存在严重事故隐患和事故责任单位。
2、特种设备分级监管措施
一是对A级使用单位监管实施企业自我管理为主，安全监察为辅的监管方式。要充分发挥这级单位履行特种设备安全责任的自觉性，依靠企业安全管理机构和管理人员进行严格的自我约束、自我管理；充分发挥特种设备安全协管员作用，定期进行巡查；按照省局《关于贯彻实施<特种设备现场安全监督检查规则>的通知》规定每年不低于5％目标进行全面检查；二是对B级使用单位监管实施自我管理和安全监察并重的监管方式。按照《特种设备现场安全监督检查规则》的要求，在重要节假日和重大活动前实施重点检查，每三年至少进行一次全面检查，其中对重点设备使用单位每年至少检查一次，每年都要组织召开重点监控设备安全状况分析会议，提出相关要求并督促落实；三是对C级使用单位监管实施督促自我管理基础上的严格监管方式。要针对使用单位具体情况，加大检查频次，每年至少组织一次专项检查，对检查中发现的问题要帮助、指导、督促整改到位，消除事故隐患。对违法违规行为实施行政处罚，督促使用单位不断提高安全生产意识、安全管理水平和设备安全状况。狠抓重管，专人跟踪督查，挂牌督办，签订安全承诺书，必要时采取查封等行政强制措施，并及时向上级质监部门、当地人民政府报告，避免重特大事故的发生；四是对新增特种设备使用单位，在办理特种设备安装告知和行政许可时，及时告知和指导企业实施特种设备使用管理标准化，对一时达不到要求的，安排专人进行负责帮扶，确保在投产后半年内纳入分类监管档案，努力达到A类管理的水平。
经过我局安全评价和分类建档以及后期动态管理，实现隐患整改到位25家，实现晋级达到A级要求的61家。目前确立了A级单位150家，B级单位49家，C级单位6家，建立了分级监管的档案，突出重点的开展安全监管工作，有效防止和减少了各类特种设备事故的发生。
三、分类分级监管带来的社会效应和安全效果
通过一年多的分类分级监管的实践，推动了特种设备使用单位建立安全管理体系，达到使用管理标准化的要求，取得了以下成效：
一是使用管理标准化水平提高。分类分级监管的目的是消除或者减少事故的发生，其直接的手段就是要推动使用单位实现使用管理标准化，全面落实使用单位的安全主体责任。实施分级初期，全县使用管理安全评价考核达到A级使用单位（安全状况好）有89家，通过一年多来实施分级动态监管，推进使用管理标准化模式，目前已有150家企业使用管理考核达到A级使用单位标准，企业使用管理标准化水平得到了极大的提高。
二是到期检验检测率提高。通过实施分级监管，增强了企业负责人安全意识，落实了企业安全主体责任。到期设备的检验检测由以前被动的接受管理部门通知检验转变为由企业对主动申报，检验机构和安全监察机构的快速联动，企业主动的履行安全义务，特种设备到期检验检测率由以前90％左右提升到现在的100％。
三是服务企业质量提高。在分级监管过程中，我们牢固树立“一切为了企业、为了企业一切”的观念，“在服务中监督，在创新中发展”的工作理念，变事后监督查处为事前把关服务，切实加强对企业的帮扶、指导，帮助企业完善特种设备安全管理制度，推进使用管理标准化，提高了服务企业质量
分类效果 篇3
关键词：3DMAX；软件；制作应用；建筑装饰；建模分类；运用；室内设计；分析
中图分类号：TB482.1 文献标识码：A 文章编号：2095-4115（2014）02-126-1
3DMAX作为一种动画制作与三维设计如软件，在实际中的应用非常广泛和普遍。近年来，随着房地产行业的迅速兴起与发展，房地产行业多应用3DMAX软件进行建筑装饰效果图的设计制作，以实现建筑装饰设计质量效果的仿真模拟，提高建筑装饰设计质量和水平。下文在对于3DMAX软件的作用功能以及三维设计建模思路进行分析基础上，结合建筑装饰的具体内容，对于3DMAX进行建筑装饰效果图制作的建模分类方法以及具体运用情况进行分析论述。
一、3DMAX及其三维设计建模思路分析
3DMAX作为一种能够实现动作制作和三维设计的高级专业应用软件，在广告以及工业设计、建筑设计、多媒体制作等行业领域中的应用十分广泛和普遍，也是许多设计人员在实现动画制作与三维设计时首选工具。应用3DMAX软件实现三维设计以及动画制作过程中，首先是进行设计与制作对象的建模分析，通常也被称为是角色建模，它也是三维设计与动画制作的核心与基础环节，能够更好的实现对于设计制作角色的分析，并且进行设计制作的所有效果都是通过模型体现和反映出来的。
应用3DMAX三维设计制作软件进行角色建模过程中，首先要对于建模对象的结构特征进行分析，这也是三维模型建立实现的基础与支撑。通常情况下，进行三维建模的对象结构类型主要有规则以及不规则两种，其中，像汽车以及房屋等，都属于比较规则的三维建模对象，进行三维建模设计中，可以通过克隆复制方式进行模型建立分析；而处于不断变化的三维建模对象，则多是不规则结构类型，它在建模分析过程中没有统一的标准，对于建模设计人员的能力要求比较高。其次，进行三维模型的设计建立，还需要对于建模方法进行确定，通常情况下，比较常用的三维建模法有堆砌建模法以及细分建模法两种，可以根据建模对象的不同，选择不同的建模方法进行建模分析。最后就是进行三维动画模型的设计建立，它是建立在前两个步骤基础上，实现三维建模的最后一个步骤阶段，结合前面分析并确定的结果，通过合适的建模方法，完成三维模型的建立实现。
二、3DMAX制作建筑装饰效果图的建模分类与运用分析
在应用3DMAX进行建筑装饰效果图制作中，最为关键的是3DMAX进行建筑装饰效果图制作的思路以及绘图技巧，而建模是进行建筑装饰效果图制作的重要基础，也就是通过建筑装饰模型的建立，来实现建筑装饰效果图的制作。通常情况下，在进行建筑装饰效果图制作中，根据建筑装饰的内容以及具体物体类型不同，可以将建筑装饰分成平面立体结构部分的装饰、曲面立体结构装饰和组合体结構装饰等三个部分，结合建筑装饰的内容与实际情况来看，多以复杂的组合体装饰为主，其中还包含有自由曲面变化的结构物体，因此，在进行建筑装饰效果图模型建立中，具有一定的工作难度。
（一）建筑装饰的平面立体建模分类和运用分析
在建筑装饰中，属于平面立体的建筑装饰内容主要包括建筑结构的墙体以及门窗、家具、楼梯等，通常情况下，组成这些结构物体的表面都是平面的，因此，在进行这部分建筑装饰对象的建模中，通常都属于基本的建模内容与结构部分，常用的建模方法主要有通过建筑扩展几何体中固有建筑装饰构件进行建模设计、通过标准几何体或者是扩展几何体中固有几何体结构形体的有机组合实现建筑装饰建模以及通过对于平面图形的拉伸或者是倒角、放样等方法进行平面图形转变以实现建筑装饰的三维立体建模等三种建模方法。
（二）建筑装饰的曲面立体建模分类和运用分析
在建筑装饰效果图制作中，对于建筑装饰内容中的曲面结构部分进行建模分析中，由于建筑装饰的曲面结构建模制作本身是一种相对较为复杂的模型制作部分，同时也是建筑装饰效果图建模制作中较为重要的建模制作部分。建筑装饰中曲面立体主要有回转体曲面、非回转体曲面、自由体曲面等三种类型，其中，进行回转体曲面的建模分类与运用主要是借助对于平面图形的旋转实现的，非回转体曲面的建模分类和运用可以通过放样建模方法进行建模实现，自由体曲面建模分类与运用实现，是曲面立体建模中最复杂的部分，多是借助FFD编辑以及NURBS建模、网格编辑等辅助建模实现。
三、结束语
总之，3DMAX作为一种集三维设计以及动画制作一体的应用软件，进行建筑装饰效果图制作应用具有积极作用和优势，进行3DMAX制作建筑装饰效果图的建模分类与运用分析，有利于促进3DMAX软件在建筑设计中的应用。
参考文献
[1]郭亚钢，任嘉利.浅析3DMAX室内效果图设计中简约主义手法的运用[J].世界家苑，2012，（11）.
[2]方骄伟.论3DMAX在产品造型设计中的应用——以陶瓷造型设计为例[J].科技资讯，2012，（05）.
作者简介：
分类效果 篇4
1 教学内容要不断更新和优化
随着科学技术的不断发展, 植物分类学的理论研究也在不断的提高, 新方法, 新手段层出不穷, 这就要求教师首先要对自己的知识不断更新, 提高自身业务素质。在授课过程中不断将新理论, 新知识, 新方法和手段渗透到教学实践中去。内容的安排上, 均衡合理安排理论知识讲解与实践教学的比例。以青牧职院农林科学系草原与饲料专业为例, 植物分类学理论课时:实践课时达到了2∶3, 总学时为120学时左右。在授课过程中把部分理论课知识穿插到实训和实习中讲解, 可以达到理论与实践相结合, 提高教学效果。其次既要重视基础知识的讲授, 也不能忽视新知识的拓展, 加强分类学和其他专业课程内容的衔接, 这不仅可以提高学生的学习兴趣, 还可以提高学生的业务素质。
2 采用多种教学方法和手段, 提高教学质量
2.1 引导、启发式教学
植物分类识记的东西多, 学起来比较枯燥, 对分类知识的掌握和巩固主要靠学生对直观感性认识的不断积累。使用校园植物引导学生对植物的形态特征进行识别, 可使相对枯燥的知识变的形象具体而有趣。青海畜牧兽医职业技术学院大部分少数民族同学的基础知识薄弱, 但对于一些直观的感性的知识的理解比理论知识学习的要快, 因此利用校园植物作为载体, 引导和启发学生, 可以降低学生学习难度, 提高学习效果。
2.2 理论与技能同步推进式教学
植物分类学具有很强的理论性和实践性, 因此在教学中应将理论和实践技能同步推进。把课程安排到实训室, 根据理论和实践技能在侧重和方法上的不同, 教学重点也有所不同, 在授课过程中采用教学做一体教学法[3]。例如, 植物检索表的使用这节内容, 一边讲授概念, 编排和使用方法, 同时选择植物标本和校园植物观察和解剖, 掌握植物的特征, 再使用植物检索表进行检索。这样学生能将理论和实践操作联系到一起, 降低学习难度, 达到学习目标。
2.3 任务导向法教学
在传统的植物分类教学方法中, 教师教, 学生学, 学生在学习过程中缺乏主动思考和学习的积极性。采用任务导向法教学, 在授课中, 先给学生安排实践操作的任务, 让学生先做, 做的同时发现问题, 再由教师解决问题。或者在课前安排学习任务, 让学生自己收集材料进行学习, 发现问题, 并将学生们学习时遇到的问题总结归纳, 由教师解决问题。例如, 在野外实训时, 先让学生自己采集一个标本———由教师进行检查———发现问题———然后再进行理论知识讲解———学生再进行标本采集。这种方法可以让学生的学习成为教学的主导, 让学生主动思考和学习, 从而达到提高教学效果的目的。
2.4 实验探究式教学方法
在传统教学中, 实践教学都是学生在教师的指导下, 按部就班的完成操作, 让学生缺乏探索和思考。实验探究式教学方法, 是让学生在接到实践目标后, 自行查阅资料, 设计实验内容, 并付诸实践, 在整个实验过程中, 教师只是辅助的对学生进行引导, 解决学生存在的问题。例如, 在浸渍标本的制作实践课中, 由教师讲解浸渍标本的制作方法、过程等, 让学生自行查阅相关资料、采集植物标本, 自主设计处理液和保存液的配方、浓度、处理时间等, 最后付诸实践操作, 达到学习目的。实践证明, 这种教学方法能让学生最大程度的发挥学习的主动性, 自主探索和思考, 能从而提高学习效果。
2.5 采用多媒体教学手段
多媒体技术以其图文、声像、动画等多种优势成为现代教育技术的重要组成部分, 是优化课堂教学的有效途径之一。植物分类学信息量大, 分类的名词术语众多, 采用多媒体教学, 可以将大量的图片资料引入课堂, 让学生直观、形象、具体的认识植物的各种形态、结构等, 加强学生对这些知识的理解与掌握。
3 参与行业企业的相关科研项目, 引导和开拓学生的实践操作能力
植物分类学作为一门专业基础课程, 在许多科研项目的实施中都会用到分类学知识, 教师可以和相关的行业、企业联系, 在教师的指导下让学生参与项目的实施, 不仅让学生能够提前熟悉工作的环境, 将自己的知识应用到实际工作中去, 极大的提高学生的学习兴趣, 同时也能让学生将自己的专业知识联系成一个整体, 能够极大的提高学生素质, 提高学生的工作能力。青牧职院农林系自2009年就与青海省草原站、监理站等相关单位进行合作, 参与相关项目的实施, 一方面进一步提高了教师的工作水平和实践经验, 同时让部分同学参与, 让学生在工作工程中发现自己的问题和不足, 从而提高学生素质。2010年4月、8月份有13名学生参加了玉树州、果洛州草原野外监测工作, 取得了较好的效果。此后不断有学生参与各项项目的实施。实践证明, 学生们经过参与项目的实施活动, 能够及时的发现自己学习的不足, 和自己努力的方向, 在后续的学习中积极性有极大的提高, 对专业的认知度也有显著提高, 在毕业后能够很快适应工作环境。
4 积极开展课外实践实习活动
植物分类学的主要活动就是分类、鉴定和命名工作, 让学生进行植物标本的采集、制作、鉴定和分类, 从而学会认识植物和鉴定植物的方法。通过开展课外实践实习活动, 让学生进行标本的采集、制作、鉴定和分类, 可以更好地由浅入深、由表及里的认识自然界丰富多彩的植物类群, 起到培养学习兴趣, 拓展分类学知识, 延伸课堂学习的重要作用。利用课余时间组织开展形式多样的学科活动, 吸引更多学生参与。如将同学们采集制作的植物标本进行展览, 组织开展植物标本识别大赛, 组织参加校级学生植物科研编写校园植物鉴定手册及为校园植物挂上标签等活动。通过这些活动使理论和实际相结合, 既加深了对理论知识的理解, 又提高了专业水平。
5 结语
经过几年的教学探索, 植物分类学课程教学质量得到了较大提升。然而, 在实际过程中仍有较多问题需要进行探索。例如, 尽管在教学过程中实践技能已经得到加强, 但教学内容仍与生产实际脱节;部分学生不管采用什么方法对植物分类学仍然没有学习兴趣等, 在教学中需要进一步进行探索和思考, 以其达到更好地教学效果。
参考文献
[1]张中信, 吴甘霖.以标本为纽带推动植物分类学教学改革[J].安徽农学通报, 2012, 18 (10) :208-209.
[2]郭微, 胡秀, 刘念, 等.植物分类学课程教学改革实践与探索[J].安徽农业科学, 2013, 41 (6) :2793-2794, 2797.
分类效果 篇5
对数据进行降维,按照所处理的数据类型,可以分为两类:线性降维方法和非线性降维方法。传统的线性降维方法,假设高维数据集存在全局的线性结构,构成数据集的各个变量之间是独立无关的,其代表算法有:主分量分析法(Principal Component Analysis,简称PCA)[1],线性判别分析法(Linear Discriminant Analysis,简称LDA)[2],非负矩阵分解法(Non-negative Matrix Factorization,简称NMF)[3]等。当数据存在全局线性关系时,这些方法可有效地学习出线性结构,找出数据之间的线性关系。但是,对于非线性数据,这些方法则无法挖掘出本质信息。因此,对于非线性数据降维的研究,得到了广泛重视。
由于现实生活中,大量的数据都是分布或者近似分布于非线性的流形上,因此非线性降维方法也称为流形学习方法。流形学习的经典算法主要有:等距离映射算法(Isometric Mapping,简称Isomap)[4],局部线性嵌入算法(Local Linear Embedding,简称LLE)[5],拉普拉斯特征映射算法(Laplacian Eigenmap,简称LE)[6],局部切空间排列算法(Local Tangent Space Alignment,简称LTSA)[7]等。这些流形学习算法之所以能够挖掘出数据间的非线性关系,就在于其与传统线性降维方法的主要区别,即通过构造出高维数据点的局部邻域结构,再利用这些局部邻域结构全局映射到低维空间,得到数据间的本质低维信息。由于这些流形学习算法具有参数少、计算快、易求全局最优解等优点,近几年来在许多领域都得到了广泛关注[8,9]。本文主要研究流形学习算法在文本分类中的应用,针对文本数据的特点,对流形学习算法做出相应的改进,使其能够更好地处理文本数据的分类。
文本分类,顾名思义,就是将大量文本文档划分成为一个或者一组类别,使得各个类别代表不同的概念主体[10]。在计算机中,可以利用文本集的词库来代替文本,再利用词库构造的向量来表示文本信息。因此,文本数据可以用高维的向量进行表示。直接对高维的文本数据进行分类,现有的分类算法不仅计算代价大,而且无法得到满意的分类效果。因此,一种改进的方案就是先对高维的文本数据进行有效地降维,再用分类器对低维数据进行相应地分类识别,以提高分类器的识别效果。
但是,传统的流形学习算法,只是用欧式距离作为构造样本邻域集的标准。这种简单的构造邻域方案,对于稀疏庞大的文本数据,往往无法找到样本准确的邻域集。因此,本文主要利用文本分类中的类别信息,对流形学习算法的度量距离做出相应的改进,“拉近”类别相同的数据,“疏远”类别不同的数据,构造出样本中类别相同的邻域集,使其更好地挖掘出数据间的本质信息,再用现有的分类器对其进行分类识别。与此同时,本文还利用现有的半监督流形学习算法,构造相应的分类器,对高维数据直接进行降维分类,为半监督流形学习算法在文本数据的分类中提供一种思路。在算法的选择上,本文主要针对局部线性嵌入算法(LLE)和半监督局部线性嵌入算法(Semi-Supervised Local Linear Embedding,简称SSLLE)[11]进行设计改进,提出一种基于邻域选取进行修正的局部线性嵌入算法(Based On Neighbors Selecting Modified Local Linear Embedding,简称M-LLE),其他的流形学习算法可以据此进行相应的改进。
1 LLE算法简介
LLE算法是由Roweis和Saul提出的,作为一种经典的流形学习算法,LLE算法利用重构权在高维空间和嵌入空间保持不变的特点,在高维空间构造样本间的重构权,并且在嵌入空间中恢复出样本间的重构关系。因此,LLE算法可以归纳如下:
输入:高维数据集X,邻域参数k,嵌入维数d
输出:低维嵌入坐标Y
Step1.选取邻域 计算样本点xi与其他样本点间的欧式距离,选取距离xi的最近k个样本点,构造xi的邻域集Ni={xij|j=1,2,…k},其中i1,i2,…ik为xi局部邻域点的下标集;
Step2.计算重构权 记Gi=[xi-xij,…,xi-xik],通过求解线性方程
undefined得到xi对应的重构权向量,相应地嵌入到权值矩阵W中;
Step3.计算低维嵌入 计算矩阵M=(I-W)T(I-W)最小的(d+1)个特征值对应的特征向量[u1,u2,...,ud+1],所求的低维嵌入坐标为Y=[u2,u3,...,ud+1]。
2 基于文本分类的改进局部线性嵌入算法
2.1基于邻域选取进行修正的局部线性嵌入算法
假设文本数据中词库的单词数量为D,文本数据u和v可以用向量形式表示为u=[u1,u2,…,uD]和v=[v1,v2,…,vD],D为高维向量的维数。传统的LLE算法仅仅采用欧式距离作为度量距离来构造样本点的局部邻域,即undefined。这种度量方式尽管简单方便,计算量小,但由于文本数据本身庞大稀疏的特点,简单地利用这种度量方式来构造样本点的局部邻域,往往会造成邻域选取的不准确。
在文本分类问题中,有些单词在每类文本中都可能会出现,这些单词可以称之为常用单词;有些单词,只有在专门的文本分类中才会出现,则相应地称之为属性单词。对于流形学习算法,在进行邻域选取时,为了使类别相同的数据能够成为邻域点,可以对不同的单词赋予不同的权值,通过这种差异性来计算文本数据间的距离,从而真正反映数据间的相似程度,即undefined,其中wi为第i个单词的重要性权值。显然,对于常用单词,wi的值应该更小些;而对于属性单词,wi的值应该更大些。
对于权值wi的构造,本文采用的方法如下:由于在文本分类问题中,部分样本数据间的类别信息已经可以提前获得。针对这种半监督问题,可以根据已有的分类文本,统计每个单词在各类文本中出现的次数,如果单词ui在所有类别的文本中出现的次数均较高,则ui就可能是一个常用单词;如果ui仅在一类文本中出现的次数较高,则ui更可能是一个属性单词。因此,对于C类的文本数据,假设单词ui在第Ci类出现的次数为ai,则单词ui的权值wi可以表示为undefined。
因此,本文提出的基于邻域选取进行修正的LLE算法(Based On Neighbors Selecting Modified Local Linear Embedding,简称M-LLE),可以归纳如下:
输入:高维文本数据集X,邻域参数k,嵌入维数d,文本词库集U,类别信息C
输出:低维嵌入坐标Y
Step1.计算权值 由样本的类别信息Ci,计算每个单词ui在每类文本中出现的次数ai,再通过undefined计算每个单词ui对应的权值wi;
Step2.选取邻域 通过dist(xi,xj)=∑rwr(uir-ujr)2,计算距离样本点xi的最近k个样本点,构造xi的邻域集undefined,其中i1,i2,…,ik为xi局部邻域点的下标集;
Step3.计算重构权 记Gi=[xi-xi1,…,xi-xik],通过求解线性方程undefined得到xi对应的重构权向量,相应地嵌入到权值矩阵W中;
Step4.计算低维嵌入 计算矩阵(I-W)T(I-W)最小的(d+1)个特征值对应的特征向量[u1,u2,…,ud+1],所求的低维嵌入坐标为Y=[u2,u3,…,ud+1]。
本文采用带权值的欧式距离作为度量距离来构造文本数据的局部邻域,这种方法可以看做是传统LLE算法的一种推广。这种基于邻域选取进行修正的LLE算法,能够较好地体现出高维空间中文本数据的距离关系,从而更好地对文本数据的邻域进行选择,进而得到准确的低维嵌入坐标;再用现有的分类器对低维坐标进行相应的分类识别,就能够得到较好的文本分类效果。
2.2半监督局部线性嵌入算法
作为流形学习算法与半监督机器学习相结合的产物,SSLLE算法提供了另外一种进行文本分类的思路。
SSLLE算法则是建立在LLE算法的基础上,利用部分已知低维信息的样本点作为监督点,挖掘测试数据低维信息的半监督流形学习算法。SSLLE算法的主要思想是:假设样本数据集X中一些数据点集X1={x1,x2,...,xm}已提前获取其低维坐标Y1=[y1,y2,...,ym](m
在样本点的邻域选取和重构权构造上,SSLLE算法与LLE算法相同。与LLE算法的不同之处在于:在计算低维嵌入坐标时,由于引入了监督点集X1的低维信息Y1,需要对矩阵M进行相应的分块,即
,M11大小为m×m,通过极小化价值函数:
转化为带有约束条件Y1的极小化问题。求解该问题,等价于求解关于Y2的偏导数,并令其为0。因此,可以利用公式M22Yundefined=-MundefinedYundefined计算测试点集X2对应的低维坐标Y2。
这种半监督的流形学习算法,充分利用了样本点已知的低维信息作为监督信息,在计算样本低维嵌入时,通过引入监督点的监督信息来改善最终映射效果,提高分类识别的准确率。因此,在文本分类的实验中,可以利用已知的类别信息,采用SSLLE算法对文本数据进行降维,根据低维嵌入结果yi,i=1,...,N,判断数据点xi对应的类别为undefined,其中C为文本的类别。
3 数值试验
本实验采用的文本数据取自20group_news数据集[12],该文本数据用100个单词组成的逻辑型向量表示,共有16242个文本。整个数据集分为4类,每类的数量各不相同。考虑到内存的容量,本实验对每类数据均随机选取1000个文本,构造一个100*4000的文本分类数据集。
3.1用M-LLE算法对文本数据进行分类
本实验将不同的流形学习算法,如M-LLE、LLE等,分别对高维的文本数据进行降维,再用现有的分类器,如1_NN、NFL,对低维数据进行分类识别。通过识别率的比较,来检验不同算法的降维效果。
3.1.1 不同邻域参数的识别率比较
本组实验,从每类数据中随机选取200个文本样本,构造成1_NN、NFL分类器中的监督点。再用M-LLE、LLE算法对该文本数据集进行降维,实验中,嵌入维数d=30。如表1所示,为邻域参数K取值不同时,1_NN、NFL分类器的识别率比较。
如表1所示,在不同的邻域参数K下,经过改进的M-LLE算法对高维文本数据降维后,在不同的分类器下,其对应的识别率都要高于LLE算法相应的嵌入结果。这表明,M-LLE算法确实能够提供对文本数据的分类能力。
3.1.2 不同嵌入维数的识别率比较
为了更好地说明M-LLE算法能很好地应用于文本分类问题,本组实验对比在不同嵌入维数d下,1_NN、NFL分类器对相应的低维嵌入结果的识别率比较。实验中,随机选取每类数据的200样本作为分类器的监督点。M-LLE、LLE算法的邻域参数K=4。实验结果如图1所示。
从图1可以看出,在不同的嵌入维数下,用不同的分类器对嵌入结果进行识别率的比较,M-LLE算法嵌入结果的识别率都要高于LLE算法的嵌入结果。因此,这也验证了M-LLE算法能够很好地改进LLE算法对于文本数据的分类效果。
3.2用SSLLE算法对文本数据进行分类
本实验中,用SSLLE算法构造的分类器,对高维文本数据进行分类。实验中,随机选取每类数据中的一定数量的样本作为监督点。监督点的类别信息用一个4维的单位向量来表示,即第1类数据的类别信息表示为[1],第2类数据的类别信息表示为[0,1,0,0],第3类数据的类别信息为[0,0,1,0],第4类数据的类别信息为[0,0,0,1]。然后,用SSLLE算法对高维文本数据进行降维,嵌入维数d=4。对于低维嵌入结果,数值最大的分量所对应的标号为相应的类别号。
在本组实验中,从每类数据中随机选取200个文本作为监督点。然后用SSLLE算法构造的分类器进行实验,再利用1_NN、NFL分类器对LLE算法的降维结果进行识别,对比三种分类器的识别效果。实验中,LLE算法的嵌入维数为d=30。如表2所示,为不同邻域参数K下,三种分类器的识别率比较。
4 结束语
本文基于文本数据分类的特点,对流形学习算法做出适当的改进。首先,从文本数据邻域构造的角度出发,提出一种带权值的欧式距离度量方式,能够改善文本数据的邻域构造;第二,引入半监督的流形学习算法,制作成相应的分类器,利用半监督流形学习算法的优势,提高文本分类的效果。
参考文献
[1]T.Jolliffe.Principal component anlysy[M].New York.Springer-Verlag.1986.305-320
[2]边肇祺,张学工.模式识别[M].第二版.北京:清华大学出版社.1999.87-90
[3]D.Lee,S.Seung.Learning the parts of objects by non-negative matrix factorization[J].Nature 1999(401):788-791
[4]J.Tenenbaum,D.Siivad,A.Angford.Global geometric framework for nonlinear dimensionality reduction[J].Science.2000,(290):2319-2323
[5]S.Roweis,L.Saul.Nonlinear dimensionality reduction by locally linear embedding[J].Science.2000,(290):2323-2326
[6]M Beikin,I Niyogi.Laplacian eigcnmaps for dimensionality reduction and data representation[J].Neural Computation.2003.15(6):1373-1396
[7]Z.Zhang,H.Zha.Principal manifolds and nonlinear dimensionality reduction via tangent space alignment[J].SIAM J ScientificComputing.2005.6(1):313-338
[8]A Hadid,M Pietikainen.Manifold learning for gender classification from face sequences[J].In:Proc.3rd IAPR/IEEE InternationalConference on Biometrics.2009,9(16):790-801
[9]A Hadid,M Pietikainen.Manifold Learning for Video-to-Video Face Recognition[J].Biome-tric ID Management and Multimo-dal Communication.2009,7(16):709-716
[10]王靖.流形学习的理论与算法研究[D].浙江:浙江大学大学博士学位论文.2006.
[11]X Yang,H Fu,H Zha.Semi-supervised nonlinear dimensionality reduction[C].Proceedings of the 23th International Conferenceon Machine Learning.2006:1065-1072
分类效果 篇6
雷达对抗是电子战的重要组成部分，在现代战争中的地位举足轻重。雷达干扰作为雷达对抗的主要内容，对其干扰效果进行评估已经成为研究的热点。干扰效果的评估方法已经由早期的评估因子法[1]，发展到后来的模糊综合评估法[2,3]。近年来，随着机器学习理论的应用发展，出现了基于支持向量机等机器学习理论的智能评估法[4]，并取得了较好的效果。但是，由于存在“过拟合”等问题，要想获得具有较高分类准确率的支持向量机和神经网络等单一分类模型，无论在参数设计还是模型训练等方面都存在一定的难度。单一分类模型很难同时具备高精确性和高稳健性。
组合分类模型利用多个基分类器之间的多样性，对事物的不同特征属性从多个维度进行区分，能够降低分类误差，从而获得理想的分类性能[5]。组合分类模型已经在很多领域得到应用[6,7]，取得了较好的效果。为此，本文试图将组合分类模型引入到雷达干扰效果评估中，以期能够取得较好的应用效果。
1 影响因素分析与评估指标选择
雷达干扰效果与很多因素关系密切，受包括干扰机、被干扰雷达以及对抗环境等多个方面的因素影响。雷达干扰效果可以描述为，在某种设定的干扰条件下雷达系统性能被削弱的程度。雷达干扰效果主要受以下几种决定性因素[3]的影响:
(1)干扰机干扰频率、天线极化方式、天线方向瞄准被干扰雷达的程度;
(2)干扰机实施干扰时的干扰功率;
(3)干扰实施时机的选取;
(4)信号样式以及干扰机干扰样式;
(5)被干扰雷达的体制和抗干扰措施等;
(6)环境因素，包括电磁环境、气象环境以及地理环境等。
由于测量困难、难以量化、可能导致评估模型非常复杂等原因，并不能将上述所有因素都作为评估指标，需要有重点地选择确定相对完备的评估指标集。本着指标易于测量计算和指标体系相对完备的准则，本文选取的评估指标集包括干扰频率、干扰功率、环境因素、干扰时机和干扰样式等评估指标。
(1)干扰频率
频率因素是干扰机能否成功干扰的重要因素，通过干扰机的干扰频率瞄准被干扰雷达频率的程度来衡量。瞄准程度即干扰频率覆盖雷达频率的程度。干扰机的干扰频率覆盖雷达频率的范围越大，雷达接收的干扰能量越多，干扰机对雷达的干扰效果就越好，反之则干扰效果越差。频率瞄准程度计算公式为:
其中，fj1、fj2为干扰机的工作频率范围，fr1、fr2为雷达的工作频率范围，当fr2
(2)干扰功率
功率因素是雷达对抗中的关键，大的干扰功率可以带来好的干扰效果。干扰功率对干扰效果的影响可以用功率压制效益系数Ep来评价，其定义为:
其中，Pj表示雷达能接收到的干扰信号功率(W),Ps表示目标回波功率(W),Kj表示雷达正常工作所需的干信比界限。
(3)环境因素
不同的电子对抗环境，对干扰效果的影响不同。脉冲信号流描述了电子对抗信号环境的基本特征，雷达面临的电子对抗环境可以用它能够接收到的信号流密度来衡量。可将环境因素Eh定义为:
其中，ρ表示信号流密度(万个脉冲/s)。
(4)干扰时机
为了达到理想的干扰效果，干扰时机的选择至关重要。压制时间效益函数Et表示在雷达威胁时间内，干扰机对雷达能有效干扰的时间段对干扰效果的影响程度，可以用来评价干扰时机。其计算方法为:
其中，ω(t)为权重值，且;E(t)是雷达在各时段的威胁程度函数。
(5)干扰样式
要想获得较好的干扰效果，必须选择与雷达体制相匹配的干扰样式。可以用干扰得益表示干扰样式对干扰效果的影响程度。如式(5)所示，为瞄准、距离拖引、点式箔条干扰三种干扰措施和频率捷变、抗拖距、PD三种抗干扰措施的干扰得益矩阵。
当采用其他的干扰和抗干扰措施时，根据需要对得益矩阵进行相应修改。
2 组合分类算法
2.1 集成学习
由于数据的多样性和实际应用的复杂性，单一分类器很难取得较好的效果。因此，在过去的十几年里，机器学习领域的专家学者们对多种分类器的组合即集成学习进行了广泛深入的研究。集成学习已经成为当前机器学习领域的主要研究方向之一。
集成学习是一种机器学习范式，其基本思想是通过迭代调用单一学习算法，获得不同的基分类器，按照一定的规则组合基分类器解决同一问题。通过组合多个分类器，有可能减少单个分类器在求解问题时的误差，获得对问题空间模型更加准确的表示，从而可以提高组合分类器的分类准确性。常见的组合多个基分类器的方法有Boosting算法和Bagging算法等。
2.2 AdaBoost算法
Ada Boost算法[8]是最常用的Boosting算法。Ada Boost算法的核心思想是在同一个训练样本集下，训练不同的弱分类器，然后把这些弱分类器按照一定的规则组合起来，最终得到一个强分类器。Ada Boost算法是通过改变训练样本集中的样本分布来实现的，通过调整训练样本集中每个样本的权值来获得每次迭代时不同的样本分布。训练样本集中样本的初始权值相同，在此样本分布下训练得到一个基分类器。对于训练样本集中的某个样本，如果其被错误分类，则增加该样本的权值，如果其被正确分类，则降低该样本的权值。因此，训练样本集中被错分的样本的权值就会变大，当再次对得到的新的训练样本分布进行训练时，就会对上一次训练过程中错分类的样本重点关注，得到一个新的基分类器。在经过T次循环后，可以得到T个基分类器，把这T个基分类器按照一定的权重进行叠加，就可以得到最终的组合分类器。
3 基于AdaBoost组合分类模型的评估方法
3.1 实验样本获取
实战中的雷达干扰效果数据很难获取，为了满足实验需求，本文采用仿真的方法生成实验样本数据。
通过对本文第2节中选取的影响雷达干扰效果的因素及其计算公式分析，不难发现各因素的取值范围均在0、1之间。为此，除干扰样式数据从干扰得益矩阵中随机选择生成外，干扰频率、干扰功率、环境因素和干扰时机均采用仿真生成0、1之间随机数的方式得到。
实验样本不仅要有干扰因素数据，还需要样本的类别信息。为此，采用文献[3]中的模糊综合评估方法及其权重向量对生成的各干扰因素数据进行综合评价，并根据表1设计的雷达干扰效果评价集对干扰效果进行分类。
本文将干扰效果分为“差”、“中”、“好”三个等级。对于三个干扰效果等级，分别仿真生成200组样本，共生成600组实验样本集。部分实验样本数据如表2所示。
3.2 样本数据分组
为了训练和检验雷达干扰效果评估模型，需要对生成的实验样本数据进行分组。如果训练或测试样本集中某一类干扰效果样本的比例过大，将会造成在训练或测试时对该类干扰效果的倾向性，为此，必须保证各类干扰效果在训练和测试样本集中的样本所占比例一致。
从干扰效果“差”样本中有放回地随机抽取三组容量为100的样本数据，作为效果“差”样本集1-3。按照同样的方法，分别从干扰效果“中”和干扰效果“好”两类样本中抽取生成效果“中”样本集1-3和效果“好”样本集1-3。效果“差”样本集1、效果“中”样本集1和效果“好”样本集1组成训练样本集，其他几组样本集采用交叉组合的方式，组成检验样本集集合。从检验样本集集合中选择四组样本数据，分别标记为检验样本集1-4，用于对分类模型性能进行检验。同训练样本集一样，每个检验样本集的样本容量均为300，并且各类干扰效果的样本数量均是100。具体分组方法如图1所示。
3.3 AdaBoost组合分类模型参数设置
本文采用Ada Boost.M1算法训练组合分类模型，RBF神经网络作为基分类模型，利用数据挖掘工具Weka[9]对组合分类模型进行训练，并用检验样本集1对模型结果进行检验，从而确定基分类模型数量。如图2所示，为实验得到的不同基分类模型数量与组合分类模型分类准确性的关系图。当基分类模型数量过少时，体现不出组合分类的优势，分类准确性较低，但也并不是基分类模型数量越多越好，主要是由于较多的基分类模型会带来计算量的增大，计算时间延长，分类效率降低。最终，将基分类模型数量确定为15个，此时组合分类模型可以达到96%的分类准确性。
3.4 AdaBoost组合分类模型应用
在基分类模型数量确定后，按照15个基分类模型对AdaBoost组合分类模型进行训练，并采用检验样本集1-4对组合分类模型进行测试，得到如表3所示的测试结果。
由表3可知，本文设计的基于RBF神经网络和Ada Boost M1算法的组合分类模型，对于检验样本集1-4的分类准确性都比较理想，达到了90%以上。由此可见，Ada Boost组合分类算法可以应用于雷达干扰效果评估，并能取得较好的效果。
4 结语
本文将机器学习领域的分类思想用于雷达干扰效果评估中，提出了一种基于Ada Boost组合分类模型的雷达干扰效果评估方法。首先对影响雷达干扰效果的因素进行了分析，并按照一定原则选取雷达干扰效果评估指标集，给出了各指标测量计算方法。其次，将雷达干扰效果评估问题转化为多分类问题，以RBF神经网络作为基分类模型，采用Ada Boost M1算法对组合分类模型进行训练。最终，采用仿真实验的方法对模型进行了验证。实验结果证明，组合分类技术应用于雷达干扰效果评估，能够取得较好的分类效果。本文的研究为雷达干扰效果评估提供了一种新的思路。
参考文献
[1]Shen Guiming,Zhu Weihua.Quantitative testing research of surveillance radar anti-jamming performance[C]//CIE International Conference of Radar Proceedings,2001:255 259.
[2]魏保华,吕晓雯,王雪松,等.雷达干扰效果模糊综合评估方法研究[J].系统工程与电子技术,2000,22(8):68 71.
[3]王国玉,汪连栋,王国良,等.雷达电子战系统数学仿真与评估[M].北京:国防工业出版社,2004.
[4]Jiang Shouda,Lin Lianlei.Use support vector machine to evaluate the operational effectiveness of radar jammer[C]//Second International Conference onInnovative Computing,Information and Control(ICICIC2007).Kumamoto,Japan,September 5 7,2007.
[5]李亚军,刘晓霞,陈平.改进的AdaBoost算法与SVM的组合分类器[J].计算机工程与应用,2008,44(32):140 142.
[6]李斌.基于多组合分类器的高光谱图像识别技术研究[D].北京:中国地质大学,2008.
[7]袁泉.Adaboost组合分类模型在信用评估领域研究[D].哈尔滨:哈尔滨工业大学,2011.
[8]Freund,Schapire.Experiments with a new boosting algorithm[C]//Proceedings of the thirteenth international Conference.Bari,Italy:Morgan Kaufmann,1996:148 156.
分类效果 篇7
1. 资料与方法
1.1 危重病科设备种类和分类
生命支持设备对救治工作起决定性影响, 此类设备数量少并且单价高, 被规定为A类设备。这类设备包括:9台呼吸机、2台除颤仪、2台血滤机。诊断治疗设备为B类设备, 这类设备对患者的诊断治疗结果有着直接的影响, 包括:4台快速血糖监测仪、11台纤维支气管镜、中心负压吸引系统和中心供氧系统, 2台排痰机、2台呼吸治疗仪;其他设备包括常规监护及护理时不可缺少、数量较多的监护和护理设备为C类设备, 包括中央监护系统, 26台微量注射泵、11台充气床垫, 13台输液泵、3台冰毯治疗仪。
1.2 护士层级分配
28名护士根据岗位和智能等级分别管理三类设备[1], 具体分配如下:A类生命支持设备由5名N3级别护士管理, B类诊断治疗设备由9名N2级别护士管理, C类设备由14名N0级别护士进行管理。
1.3 设备管理细则
根据不同设备类型和数量进行编号;并制定检查时间及频率, 如呼吸机编号为A1.1, A1.2, A1.3, A1.4, A1.5, A1.6.A1.7, A1.8, A1.9;除颤仪编号为A2.1, A2.2;血滤机编号为A3.1, A3.2, A类设备每个工作日必须检查, B类设备每周二五定期检查;C类设备每周检查一次。为明确护理责任和设备管理流程, 提高快速有效的使用能力, 将设备的操作, 保养等贴在设备旁边, 摆放有序。每台设备旁放置使用记录本, 对设备的保养、维修、使用和消毒的日期等信息随时进行记录, 保证设备常用常新, 不出差错。设备管理人员每周对设备进行不定期抽查, 抽查指标除保养、维修、使用和消毒情况之外, 还应对操作规程及设备使用中需要改进的内容进行调研。
1.4 评价指标
以一年为周期, 对比实施ABC类管理方法前后的区别。对比指标包括设备故障的发生次数, 设备的维修费用, 设备完好率, 设备引发的意外事件。
1.5 数据处理
本研究的数据均为计数类资料, 计数资料用卡方检验的方法进行对比。本研究定义P<0.05为差异显著。本研究的统计学处理均采用SPSS10进行处理。
2. 结果
经过对ABC类管理方法实施前后的设备管理情况的统计分析对比后, 各项指标的统计结果如下:设备故障的发生次数明显降低, 实施前故障为154次, 实施后故障降低到52次;ABC管理分类方法之后, 设备的维修费用降低了13560元 (36783元versus 23223元) , 设备的完好率由87.7%提高到98.8%, 设备引发的意外事件在ABC管理方法实施前后均没有发生, 保证了医疗的有效进行。
3. 讨论
为了使患者得到及时有效的救治, 对ICU设备实施有效的管理显得尤为重要。考虑到危重病科繁多的设备种类及高额的设备价格, 特别是对患者的重要作用, 因此对其的管理要做到毫无疏漏。在这个过程中, 要充分利用ICU病房的护士, 促使各层级的护士各尽其责。对设备的管理必须做到责任到人。ABC分类方法比较简单, 并且可以节省大量的人力。这种管理方法的管理核心为“抓住重点, 照顾一般”[2]。明确的管理理念促使管理重点突出, 有利于对重要昂贵的医疗设备的管理维护。通过我科对ICU设备的ABC管理的实施和统计观察发现, ABC管理方法能够有效降低设备故障的发生次数和设备的维修费用。
ABC管理方法以物料价值大小作为分类的依据, 其缺点也表现突出, 即缺少估计一种设备对救治病人的贡献度和设备在市场上是否容易获得。例如, 昂贵的医疗设备可能被划分为A类设备。如果考虑其较短的使用寿命, 并且能在市场上快速采购。那么, 这类设备的管理可能就不需要占用A类设备的精准管理标准。不可否认的是, 对护士进行分层级管理能提高护理质量, 充分发挥不同层级护士的能力[3]能够最大化发挥ABC管理的效力, 本研究的数据也很好的证明了这一观点。
综上所述, 我们认为ABC管理方法能够有效降低设备故障的发生次数和设备的维修费用, 提高设备的完好率, 可以有效提高重症加强护理病房的监护质量和抢救成功率, 因此, ABC管理在ICU设别管理中的应用适合在临床上做推广。
参考文献
[1]方芳, 程云, 周剑英.实施护士分层级管理对基础护理质量影响的研究[J].中华护理杂志, 2009, 44 (2) :114-117.
[2]王锡莉.ABC分类法在企业库存管理中的应用研究[J].现代商贸工业, 2009, 21 (5) :40-41。
分类效果 篇8
关键词：职业病危害,控制效果评价,量化分类
随着2012年职业卫生监管体制的变化,职业卫生技术服务机构数量发展较快,其中民营机构作为职业卫生技术服务方面的有效补充已经进入到职业卫生服务领域
我们将较为成熟的职业病危害评价量化分类方法在控制效果评价中的综合运用,较好地解决了预评价结论中危害风险程度分类与建设项目职业病危害风险分类管理目录不一致的问题,并针对性地提出加强职业病防护措施的补充建议,为职业卫生监管部门有效地分级管理提供依据。
1 对象与方法
1.1 对象
安徽省某体育用品公司。
1.2 方法
1.2.1 职业卫生调查
2013年2至3月,我中心受该企业委托,组织职业卫生人员对该企业生产过程中使用的原料、辅料、产品的种类、数量及其理化因素,生产工艺流程、生产方式和生产设备进行详实的现场调查并认真记录工作写实,在对收集的有关资料进行研读与初步现场调查的基础上,编制评价工作方案并对其进行技术审核,2014年3月24—26日在本项目正常运行且职业病防护设施正常运转的条件下开展现场检测工作。
1.2.2 职业病危害作业级别及权重数的确定
有毒作业分级:根据GBZ/T 229.2-2010《工作场所职业病危害分级第2部分:化学物》计算分级指数G,其中G=WD×WB×WL
表1 职业病危害作业等级(D)及权重数(C)
1.2.3 接触水平及权重数的确定
调查生产工人在工作过程中实际接触人数、时间和频次,计算接触人时S值,S=n×i×t,其中n为接触岗位人数,i为接触岗位数,t为接触时间;以每人每天从事接触相应职业病危害作业8 h或每周40 h折算人时当量T,逐级分配接触人时权重数P
表2 危害作业人时权重数
1.2.4 职业病危害评价量化分类综合指数R值:
式中:N—危害因素个数,Ci—危害因素作业场所分级权重数,Pi—接触危害因素人时权重数。
依据P值判定建设项目职业病危害类别见表3。
表3 建设项目职业病危害类别
2 结果
2.1 建设项目职业卫生概况
项目主要原材料为天然橡胶、布料、PU、EVA等,辅助材料为PVC丝印油墨、慢干剂、清洗剂等。生产工艺为原料裁断、压高、丝印、印标签、针车、包装,最终产品为足球竞赛手套。根据对生产工艺和原辅料等现场职业卫生调查,辨识该企业工作场所主要存在的化学性有害因素为异佛尔酮、丙酮、丁酮、乙酸乙酯、乙酸丁酯、环己烷、溶剂汽油,物理因素噪声。主要接触职业病危害因素的工种(岗位)情况见表4。
表4 安徽省某体育用品公司各工种(岗位)接触职业病危害因素情况
注:工人作业为单班制,每班工作8 h。
2.2 职业病防护设施调查分析
印刷车间、针车车间采用门窗通风辅助负压风机通风,化学品仓库、油墨室、网版室安装轴流风机进行通风,压高机选用低噪声、振动小的设备,基底采取隔振、减振措施。
2.3 职业病危害因素确定及检测
通过职业病危害因素识别,依据化学物质性质和靶器官作用部位判断,根据造成的健康损害程度,结合不同岗位采取的职业病防护设施设置综合分析,确定该工作场所主要化学危害因素为异佛尔酮、环己烷,物理因素为噪声。主要危害因素检测结果,见表5。
表5 安徽省某体育用品公司主要危害因素检测结果(mg/m3)
注:a8h等效d B(A)限值为85;“/”表示在GBZ 2.1,GBZ2.2中未做要求;CMAC—最高浓度;CSTEL—短时间接触浓度;CTWA—时间加权平均浓度;MAC—最高容许浓度;PC-STEL—短时间接触容许浓度,PC-TWA—时间加权平均容许浓度。
2.4 职业病危害评价量化分类综合指数R
2.4.1 有害化学物质危害等级
本项目主要化学危害因素异佛尔酮和环己烷的危害等级(D)均为Ⅳ级。
2.4.2 主要职业病危害因素检测数据分析
根据主要职业病危害因素检测结果,对照国家职业卫生限值要求,确定接触比值,见表6。
表6 安徽省某体育用品公司职业病危害因素检测数据及接触比值
2.4.3 各职业病危害因素作业分级
本项目各岗位劳动者日常以印刷、针车操作为主,属于中强度体力劳动。按照作业分级标准要求对各危害因素逐一进行作业分级如下,见表7。
2.4.4 接触人时确定
本项目工作人员以现场定点作业为主。根据现场调查和工作日写实,结合表2,确定工作人员职业病危害因素接触人时,见表8。
将表7和表8中数据代入公式
根据表3可知该建设项目建设项目职业病危害类别为较重。
表7 安徽省某体育用品公司主要职业病危害因素作业分级及权重数
注:a表示噪声分级按照《工作场所职业病危害分级第4部分:噪声》计算I值。
表8 安徽省某体育用品公司主要职业病危害因素接触人时及权重数
注:每次接触时间均为8 h,如每次接触<1 h,按0.5 h计。
3 讨论
虽然《国家安全监管总局关于公布建设项目职业病危害风险分类管理目录(2012年版)的通知》中有说明“在实际运用中,如果建设项目拟采用的原材料、主要生产工艺和产品等可能产生的职业病危害的风险程度,与其在《目录》中所列行业职业病危害的风险程度有明显区别的,建设单位和职业卫生技术服务机构可以通过职业病危害预评价做出综合判断,根据评价结果确定该建设项目职业病危害的风险类别”。但《目录》及其相关文件并没有给出一般、较重和严重等级相应的具体判别标准,因此,此条说明缺乏可操作性
本文将建设项目职业病危害评价量化分类方法综合运用控制效果评价中,结合工作场所职业病危害调查和现场检测,在获得准确化学物的危害程度、职业接触比值及劳动者体力劳动强度3个要素的基础上进行的作业分级,更加适用于控制效果评价
本文针对量化分级结论,有针对性从功能分区、通风排毒、个人防护用品及应急救援等方面提出补充措施,将调墨间单独隔离,规范设置排毒装置,印刷车间办公室与网版间隔离单独设置,印刷车间增加负压风机数量,并针对冬季作业增加空气预热,加大裁断、压高岗位个人防护用品使用和管理,制定有机溶剂中毒应急预案,并规范做好演练。
建设项目职业病危害评价量化分类方法综合运用控制效果评价,可以弥补预评价结论与建设项目职业病危害风险分类管理目录一致的问题,为职业卫生监管部门有效地分级管理提供科学依据,对推进职业卫生监督的有效管理具有十分重要的意义
参考文献
[1]张茂增,张布芬.民营职业卫生技术服务机构的发展现状[J].职业与健康,2015,31(10):1425-1427.
[2]中华人民共和国卫生部.建设项目职业病危害预评价技术导则:GBZ/T 196-2007[S].北京:中国标准出版社,2007.
[3]汪永忠,邱泓,李天莲,等.建设项目职业病危害预评价结论和建议的探讨[J].中国职业医学,2009,36(6):491-492.
[4]任勇.建设项目职业病危害评价量化分类方法研究[D].武汉:武汉科技大学硕士论文.2012.
[5]彭冬冬,陈松根.建设项目职业病危害风险分类管理目录在实际应用中有关问题的初步探讨[J].中国卫生工程学,2012,11(6):523-524.
[6]朱素蓉,戴云,高金平,等.上海市27个行业职业病危害风险定量分析研究[J].环境与职业医学,2013,11(30):842-845.
[7]薄亚莉,黄德寅,齐秀英.风险分级方法在职业病危害分类中的应用分析[J].中国工业医学杂志,2013,26(3):217-219.
[8]徐国,刘向阳,万青.职业卫生分类及量化分级管理工作探索[J].职业与健康,2007,23(22):2035-2036.
[9]李璟珂.建设项目职业病危害风险分类管理目录应用探讨[J].职业健康,2015,10(15):26-30.
【分类效果】推荐阅读：
迎春煤矿瓦斯防治效果效果评价制度08-12
医疗废物的分类及分类要求08-29
并购效果07-14
投资效果07-14
补料效果07-15
审计效果07-17
取得效果07-17
讲课效果07-17
区域效果07-20
减排效果07-21