FusionCharts for Visual Basic6．0（以下简称FusionCharts）是一款基于Flash的新型C／S图表控件，其图表载体与图表文件分离的独特工作模式，以及在图表类型、显示效果、轻量化、分发更新等方面具有较大优势。通过实例，说明利用Fusio...FusionCharts for Visual Basic6．0（以下简称FusionCharts）是一款基于Flash的新型C／S图表控件，其图表载体与图表文件分离的独特工作模式，以及在图表类型、显示效果、轻量化、分发更新等方面具有较大优势。通过实例，说明利用FusionCharts实现基本图表类型的方法。展开更多
目的:比较学生在不同散光欠矫下使用C字视力表和E字视力表所测的视力差别并分析其原因。方法:选取30名15~18岁的学生,在完全矫正屈光度MPMVA(maximum plus to maximum visualacuity)状态下,附加相应不同散光轴向的柱镜造成相应的散光度...目的:比较学生在不同散光欠矫下使用C字视力表和E字视力表所测的视力差别并分析其原因。方法:选取30名15~18岁的学生,在完全矫正屈光度MPMVA(maximum plus to maximum visualacuity)状态下,附加相应不同散光轴向的柱镜造成相应的散光度数后,比较使用两种不同的视力表测出的视力值。同时根据两种视力表不同的设计原理及记录方法,分析造成数值差异的可能原因。结果:与E字视力表组相比,C字视力表组附加各个轴向+0.25DC柱镜组测得视力值均值差异低度较小,附加+0.50DC差异较大,其中斜轴方向上的差异更大,差异有统计学意义(F=23.141,P<0.01)。在各个附加度组别中使用C字视力表测得视力平均值小于E字视力表测得视力平均值,其中斜轴方向的附加组差值更大。C字视力表在各散光轴位测得视力值差异无统计学意义(F=1.446,P=0.231);E字视力表组在各散光轴位测得视力值相差为明显,在斜轴散光中数值与非斜轴散光数值差异有统计学意义。结论:散光患者使用C字视力表更加优异,不同轴向的散光测出来的视力值更加稳定。对于非斜轴散光患者来说,使用C字视力表比E字视力表更难,用小数记录法记录视力值可能相差3~4行,原因为散光眼在各个方向上的屈光度不一致及C字视力表和E字视力表的视标形状及排列不同导致。展开更多
目的:比较不同受检者在相同近视屈光欠矫下使用C字视力表和E字视力表所测得的视力差别及探讨导致这种差别的原因。方法:选取不同年龄段250名受检者,在完全矫正屈光度[最正之最佳视力(maximum plus to maximum visual acuity,MPMVA)]情...目的:比较不同受检者在相同近视屈光欠矫下使用C字视力表和E字视力表所测得的视力差别及探讨导致这种差别的原因。方法:选取不同年龄段250名受检者,在完全矫正屈光度[最正之最佳视力(maximum plus to maximum visual acuity,MPMVA)]情况下附加相应的球镜造成相应的近视度数后比较使用2种不同的视力表测出的视力值变化情况。同时根据2种视力表的设计原理及视力表的不同记录法探讨造成数值不同的可能原因。结果:同一附加度情况下分别用C字视力表组和E字视力表组行方差分析,不同年龄组间差异无统计学意义(P>0.05)。相同附加度情况下同一受检者使用C字视力表组和E字视力表组行t检验,两者差异具有统计学意义(t=?15.798,P<0.05),C字视力表测得视力平均值小于E字视力表测得视力平均值。结论:受检者使用C字视力表比E字视力表检测视力结果更加优异;C字视力表和E字视力表的视标形状及开口方向不同是2种视力表检测结果差异的主要原因。展开更多
为了解决装备全寿命管理工作中数据变更频繁、管理复杂等问题,设计并实现了装备电子档案系统。该系统使用C#语言,以SQL Sever 2008作为底层数据库,采用LINQ to Entities进行数据查询与绑定,并用MS Chart实现数据可视化。实现了对装备从...为了解决装备全寿命管理工作中数据变更频繁、管理复杂等问题,设计并实现了装备电子档案系统。该系统使用C#语言,以SQL Sever 2008作为底层数据库,采用LINQ to Entities进行数据查询与绑定,并用MS Chart实现数据可视化。实现了对装备从生产、列装、使用到退役报废全过程信息的采集、管理与分析,对于掌握部队装备技术状况,开展装备维护和维修管理、辅助决策具有重要的指导作用。展开更多
为有效提高C语言中间表达式解读程序信息的能力,在结合C语言自身语言特点的基础上,引入流程控制图(Flow Control Graph,FCG)匹配自动评分方法,该方法能够根据C语言的特点,计算学生答案与参考答案之间的相似度,给出评分。引入最近邻(Flow...为有效提高C语言中间表达式解读程序信息的能力,在结合C语言自身语言特点的基础上,引入流程控制图(Flow Control Graph,FCG)匹配自动评分方法,该方法能够根据C语言的特点,计算学生答案与参考答案之间的相似度,给出评分。引入最近邻(Flow Control-KNN,FC-KNN)算法来对FCG算法进行模板脱敏,在FCG的基础上,运用k临近算法根据提取的特征对程序进行评分。实验结果证明,FCG和FC-KNN算法在独立运行时分别具有91.5%和92.3%的平均准确率,而经过融合后,算法之间实现了优势互补,准确率提升到94.0%,在独立运行的情况下,FC-KNN算法的评分效果较FCG好,准确性更高,对两种算法进行数据融合、优势互补,验证了集成后的分类模型在评分的整个过程中,均能够达到良好的分类效果,具有较高的准确率。展开更多
文摘FusionCharts for Visual Basic6．0（以下简称FusionCharts）是一款基于Flash的新型C／S图表控件，其图表载体与图表文件分离的独特工作模式，以及在图表类型、显示效果、轻量化、分发更新等方面具有较大优势。通过实例，说明利用FusionCharts实现基本图表类型的方法。
文摘目的:比较学生在不同散光欠矫下使用C字视力表和E字视力表所测的视力差别并分析其原因。方法:选取30名15~18岁的学生,在完全矫正屈光度MPMVA(maximum plus to maximum visualacuity)状态下,附加相应不同散光轴向的柱镜造成相应的散光度数后,比较使用两种不同的视力表测出的视力值。同时根据两种视力表不同的设计原理及记录方法,分析造成数值差异的可能原因。结果:与E字视力表组相比,C字视力表组附加各个轴向+0.25DC柱镜组测得视力值均值差异低度较小,附加+0.50DC差异较大,其中斜轴方向上的差异更大,差异有统计学意义(F=23.141,P<0.01)。在各个附加度组别中使用C字视力表测得视力平均值小于E字视力表测得视力平均值,其中斜轴方向的附加组差值更大。C字视力表在各散光轴位测得视力值差异无统计学意义(F=1.446,P=0.231);E字视力表组在各散光轴位测得视力值相差为明显,在斜轴散光中数值与非斜轴散光数值差异有统计学意义。结论:散光患者使用C字视力表更加优异,不同轴向的散光测出来的视力值更加稳定。对于非斜轴散光患者来说,使用C字视力表比E字视力表更难,用小数记录法记录视力值可能相差3~4行,原因为散光眼在各个方向上的屈光度不一致及C字视力表和E字视力表的视标形状及排列不同导致。
文摘目的:比较不同受检者在相同近视屈光欠矫下使用C字视力表和E字视力表所测得的视力差别及探讨导致这种差别的原因。方法:选取不同年龄段250名受检者,在完全矫正屈光度[最正之最佳视力(maximum plus to maximum visual acuity,MPMVA)]情况下附加相应的球镜造成相应的近视度数后比较使用2种不同的视力表测出的视力值变化情况。同时根据2种视力表的设计原理及视力表的不同记录法探讨造成数值不同的可能原因。结果:同一附加度情况下分别用C字视力表组和E字视力表组行方差分析,不同年龄组间差异无统计学意义(P>0.05)。相同附加度情况下同一受检者使用C字视力表组和E字视力表组行t检验,两者差异具有统计学意义(t=?15.798,P<0.05),C字视力表测得视力平均值小于E字视力表测得视力平均值。结论:受检者使用C字视力表比E字视力表检测视力结果更加优异;C字视力表和E字视力表的视标形状及开口方向不同是2种视力表检测结果差异的主要原因。
文摘为了解决装备全寿命管理工作中数据变更频繁、管理复杂等问题,设计并实现了装备电子档案系统。该系统使用C#语言,以SQL Sever 2008作为底层数据库,采用LINQ to Entities进行数据查询与绑定,并用MS Chart实现数据可视化。实现了对装备从生产、列装、使用到退役报废全过程信息的采集、管理与分析,对于掌握部队装备技术状况,开展装备维护和维修管理、辅助决策具有重要的指导作用。
文摘为有效提高C语言中间表达式解读程序信息的能力,在结合C语言自身语言特点的基础上,引入流程控制图(Flow Control Graph,FCG)匹配自动评分方法,该方法能够根据C语言的特点,计算学生答案与参考答案之间的相似度,给出评分。引入最近邻(Flow Control-KNN,FC-KNN)算法来对FCG算法进行模板脱敏,在FCG的基础上,运用k临近算法根据提取的特征对程序进行评分。实验结果证明,FCG和FC-KNN算法在独立运行时分别具有91.5%和92.3%的平均准确率,而经过融合后,算法之间实现了优势互补,准确率提升到94.0%,在独立运行的情况下,FC-KNN算法的评分效果较FCG好,准确性更高,对两种算法进行数据融合、优势互补,验证了集成后的分类模型在评分的整个过程中,均能够达到良好的分类效果,具有较高的准确率。
