CN103116571B - 一种确定多个对象权重的方法 - Google Patents
一种确定多个对象权重的方法 Download PDFInfo
- Publication number
- CN103116571B CN103116571B CN201310081894.7A CN201310081894A CN103116571B CN 103116571 B CN103116571 B CN 103116571B CN 201310081894 A CN201310081894 A CN 201310081894A CN 103116571 B CN103116571 B CN 103116571B
- Authority
- CN
- China
- Prior art keywords
- rank task
- rank
- task
- value
- normal distribution
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Complex Calculations (AREA)
Abstract
本发明实施例公开了一种确定多个对象权重的方法,将N个对象特定对应为N级别任务,包括:接收目标参数,所述目标参数为整合后对象的处理结果的平均值并作为目标正态分布曲线的期望值μ,由此得到对应的标准差σ;计算μ减去三倍σ的差作为对应1级别任务的对象的实际数据值,根据所述目标正态分布曲线计算对应Q级别任务的对象的处理结果的平均值确定为对应N级别任务的对象的实际数据值;计算各个对象的实际数据值占整合后对象的总数据值的权重,可以看出,本发明首先确定权重计算对象,将该计算对象特定对应为能够完成某一级别任务的对象,并结合正态分布规律的要求,反推各个对象的数据值所占整合后对象的总数据值的权重。
Description
技术领域
本发明涉及计算机应用领域,特别是涉及一种确定多个对象权重的方法。
背景技术
在多个对象经过整合后予以体现时,存在需要将整合后对象的处理结果符合正态分布规律的需求,为了达到这种需求,当从数据库中筛选对象时,各个对象的数据值占整合后对象的总数据值的权重是需要遵循一定规律的,现有技术中,都是采用较为笼统的方式来确定各个对象数据值占整合后对象的总数据值的权重,以至于无法达到预期的所述整合后对象的处理结果符合正态分布规律的需求,比如说,智能化筛选题库系统中的题库数据进行组卷时,为了使得试卷成绩服从正态分布,各个难度的题库数据所占总分数的权重是必须进行控制的,现有技术中,一般是将正态分布公式及概念用于题库数据筛选算法中,该数据筛选算法通过对各级难度的题库数据的分值占总分值的比例的控制,使筛选出的各级难度的题库数据的分值服从正态分布,但是,现有的这种题库数据筛选算法却无法保证将经筛选出的题库数据作为试卷后,其试卷成绩是服从正态分布的,从而无法满足用户的需求。
发明内容
本发明实施例提供了一种确定多个对象权重的方法,用于解决无法达到整合后对象的处理结果符合正态分布规律的需求的问题。
本发明实施例公开了如下技术方案:
一种确定多个对象权重的方法,将N个对象特定对应为N级别任务,其中N为大于等于3的整数,所述方法包括:
接收目标参数,所述目标参数为整合后对象的处理结果的平均值;
将所述目标参数作为目标正态分布曲线的期望值μ,并由μ和整合后对象的总数据值T计算得到对应的标准差σ,根据正态分布公式得到目标正态分布曲线;
计算μ减去三倍σ的差作为对应1级别任务的对象的实际数据值,将T减去对应1级别任务的对象的实际数据值的差任意分为N-1份作为对应其余各个级别任务的对象的初始数据值;
根据所述目标正态分布曲线计算对应Q级别任务的对象的处理结果的平均值,Q为大于等于1小于等于N的整数,并将对应N级别任务的对象的处理结果的平均值确定为对应N级别任务的对象的实际数据值;
将对应1级别任务至Q+1级别任务的对象的初始数据值之和减去对应1级别任务至Q-1级别任务的对象的实际数据值之和的差值,再减去所述对应Q+1级别任务的对象的处理结果的平均值作为对应Q级别任务的对象的实际数据值;
计算各个对象的实际数据值占整合后对象的总数据值的权重。
优选的,所述由μ和整合后对象的总数据值T计算得到对应的标准差σ具体包括:
当μ大于等于T/2时,σ等于T减去μ的差除以3;
当μ小于T/2时,σ等于μ除以3。
优选的,所述根据所述目标正态分布曲线计算对应Q级别任务的对象的处理结果的平均值具体为:
其中X[Q]为对应Q级别任务的对象的处理结果的平均值;
f(x)为正态分布公式,
Q上限为对应Q级别任务的对象的的初始数据值的数据值区间的最大值;
Q下限为对应Q级别任务的对象的的初始数据值的数据值区间的最小值。
优选的,所述将1级别任务至Q+1级别任务对应的对象的初始数据值之和减去1级别任务至Q-1级别任务对应的对象的实际数据值之和的差值,再减去所述Q+1级别任务对应的对象的处理结果的平均值作为对应Q级别任务的对象的实际数据值具体为:
其中,Y[Q]是对应Q级别任务的对象的实际数据值;
(Q+1)上限是对应1级别任务至Q+1级别任务的对象的初始数据值之和;
X[Q+1]是对应Q+1级别任务的对象的处理结果的平均值;
是对应1级别任务至Q-1级别任务的对象的实际数据值之和。
由上述实施例可以看出,本发明首先确定权重计算对象,将该计算对象特定对应为能够完成某一级别任务的对象,并结合正态分布规律的要求,反推各个对象的数据值所占整合后对象的总数据值的权重。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种确定多个对象权重的方法的方法流程图;
图2为本发明考试参与者的考试成绩理想分布图;
图3为本发明考试参与者能力等级与题库数据难度等级对应表;
图4为本发明的平均分为80时的考试成绩和题库数据难度分布图。
具体实施方式
本发明实施例提供了响应消息的执行方法和装置。首先,
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明实施例进行详细描述。
实施例一
请参阅图1,其为本发明一种确定多个对象权重的方法的方法流程图,该方法包括以下步骤:
将N个对象特定对应为N级别任务,其中N为大于等于3的整数:
S101:接收目标参数,所述目标参数为整合后对象的处理结果的平均值;
S102:将所述目标参数作为目标正态分布曲线的期望值μ,并由μ和整合后对象的总数据值T计算得到对应的标准差σ,根据正态分布公式得到目标正态分布曲线;
优选的,所述由μ和整合后对象的总数据值T计算得到对应的标准差σ具体包括:
当μ大于等于T/2时,σ等于T减去μ的差除以3;
当μ小于T/2时,σ等于μ除以3。
S103:计算μ减去三倍σ的差作为对应1级别任务的对象的实际数据值,将T减去对应1级别任务的对象的实际数据值的差任意分为N-1份作为对应其余各个级别任务的对象的初始数据值;
S104:根据所述目标正态分布曲线计算对应Q级别任务的对象的处理结果的平均值,Q为大于等于1小于等于N的整数,并将对应N级别任务的对象的处理结果的平均值确定为对应N级别任务的对象的实际数据值;
优选的,所述根据所述目标正态分布曲线计算对应Q级别任务的对象的处理结果的平均值具体为:
其中X[Q]为对应Q级别任务的对象的处理结果的平均值;
f(x)为正态分布公式,
Q上限为对应Q级别任务的对象的的初始数据值的数据值区间的最大值;
Q下限为对应Q级别任务的对象的的初始数据值的数据值区间的最小值。
S105:将对应1级别任务至Q+1级别任务的对象的初始数据值之和减去对应1级别任务至Q-1级别任务的对象的实际数据值之和的差值,再减去所述对应Q+1级别任务的对象的处理结果的平均值作为对应Q级别任务的对象的实际数据值;
优选的,所述将1级别任务至Q+1级别任务对应的对象的初始数据值之和减去1级别任务至Q-1级别任务对应的对象的实际数据值之和的差值,再减去所述Q+1级别任务对应的对象的处理结果的平均值作为对应Q级别任务的对象的实际数据值具体为:
其中,Y[Q]是对应Q级别任务的对象的实际数据值;
(Q+1)上限是对应1级别任务至Q+1级别任务的对象的初始数据值之和;
X[Q+1]是对应Q+1级别任务的对象的处理结果的平均值;
是对应1级别任务至Q-1级别任务的对象的实际数据值之和。
S106:计算各个对象的实际数据值占整合后对象的总数据值的权重。
由本实施例可见,本发明首先确定权重计算对象,将该计算对象特定对应为能够完成某一级别任务的对象,并结合正态分布规律的要求,反推各个对象的数据值所占整合后对象的总数据值的权重
实施例二
通过本实施例二,详细描述本发明技术方案的一个具体的应用场景。
在高校中,随着考教分离等教学改革的开展,各门学科都建立题库系统,利用题库系统的智能化数据筛选功能,可以自动地提供多种形式的题库数据。所谓题库数据,就是指用于考核某一门学科的各个知识点的测题库数据。题库数据主要包括难度和分值两个属性。例如,题库系统包括有10000个题库数据,按照难度来区分,其中第1-2000个题库数据为第1难度等级的数据,第2000-4000个题库数据为第2难度等级的数据,....第8000-10000个题库数据未第5难度等级的数据。同时,评价试卷质量高低的一个最为重要的因素,就是通过该试卷进行考试后的考试成绩是否符合正态分布曲线,或者说如果高分和低分的比较少,靠近平均分数的比较多,则证明这张试卷的质量是比较高的。
请参阅图2,其为本发明考试参与者的考试成绩理想分布图,x轴是考试成绩,y轴是考试参与者的比例,其中的三条目标正态分布曲线21、22和23分别代表在试卷满分为100分时,当期望的考试成绩平均分为60、70和80的理想考试成绩分布曲线。具体分析结果如下:
根据数理统计的结果,在一次考试中,一张高质量试卷应使考试参与者的成绩大致成正态分布,而且试卷的期望值与平均成绩大致相当。故可预先设定的试卷期望值,以此为基础对题库数据进行筛选,生成一套使考试参与者的平均考试成绩与试卷期望值大致相同的试卷。假设需要生成试卷期望值为60、70和80分(在满分为100分时),那么根据正态分布公式,将正态分布公式中的期望值μ设置为期望的考试成绩平均分60、70和80,然后根据正态分布公式试卷以及满分T=100和设置为60、70和80的μ计算方差σ,计算方法为:当μ大于等于T/2时,σ等于T减去μ的差除以3;当μ小于T/2时,σ等于μ除以3。
这里需要对μ进行说明的是,这里将正态分布公式中的μ的值设定为试卷的期望值也就是平均分,本发明并不对试卷平均分进行限定,可以是从0至试卷满分中的任意分数。
假设:
1、均质性:宇宙论的两个基本假设之一。指大尺度的宇宙结构,和观测者所在的位置无关,或者说天体在大尺度上的分布是均匀的。同理我们假设考试参与者成绩符合μ=“期望值”的正态分布。
2、一致性:是指事务的基本特征或特性相同,其他特性或特征相类似。从认知的角度说的话,一致性必须经过许多的比较和鉴别才能体现出来。对新兴事物的一致性,通常比较感性,当然会逐步过渡到量化阶段(有明确的标识方法),同理我们假设每个等级的考试参与者是无差别的,这种无差别体现在以下几点:
将考试参与者的能力以及题库数据的难度都分为N个等级,其中N为大于等于3的整数,第1至第N能力等级的考试参与者均可以得到第1难度等级的题库数据的分值,第Q能力等级的参与者可得到第1至Q-1难度等级的题库数据的所有分值,Q为大于等于1小于等于N的整数,Q越大,所对应的第Q能力等级的参与者的考试成绩越好,第Q难度等级的题库数据的难度越大。所有第Q能力等级的考试参与者得到的第Q难度等级的题库数据的分值相同。
由于每高一难度的题库数据与每高一等级的考试参与者相对应,所以题库数据的难度等级数目和考试参与者的等级数目是一致的。当题库数据难度为五级时,请参阅图3,其为本发明考试参与者能力等级与题库数据难度等级对应表,其中A为全部得分部分,B为部分得分部分。
根据目标正态分布曲线计算第Q能力等级的考试参与者得到的第Q难度等级的题库数据的平均分值X[Q]。
计算公式:
Q:是N个能力等级考试参与者的等级之一。
Q下限:指第Q能力等级考试参与者得到的最低分(即第Q难度的题库数据都没有做对的情况下的考试总成绩)。
Q上限:指第Q能力等级考试参与者最多能够得到分数的上限(即第Q难度等级的题库数据都做对的情况下的考试总成绩)。
因为第1难度等级的题库数据所有能力等级的考试参与者均会做,故第1能力等级考试参与者得分的下限和上限相等:1上限=1下限且值等于μ减去三倍σ的差,也就是说,第1难度等级的题库数据的实际总分值为μ减去三倍σ的差。
其他阶段:
第Q能力等级考试参与者分数分布的下限:Q下限=(Q-1)上限;
第Q能力等级考试参与者分数分布的上限:Q上限=Q下限+P,其中P为将试卷总分数T减去第1难度等级的题库数据的实际总分值的分数值区间顺序分为N-1份,每一份的区间跨度是任意的,是可以不同的,并将这分出的N-1份分数值区间以分数值区间的分数值从小到大的顺序,依次分配给第2难度等级题库数据至第N难度等级题库数据。
是第Q能力等级所有的考试参与者得到的考试总分数值之和(假设考试参与者的总体是1)。
是第Q能力等级所有考试参与者在[1,(Q-1)]难度等级的题库数据拿到的总分(假设考试参与者的总体是1)。
是第Q能力等级所有考试参与者的人数(假设考试参与者的总体是1)。
由X[Q]进一步推出每一个难度等级的题库数据的实际总分值Y[Q]。
计算公式:
其中,Y[Q]是Q难度等级的题库等级的实际总分值;
(Q+1)上限是第Q+1能力等级的考试参与者得到的最高分值;
X[Q+1]是第Q+1能力等级的考试参与者得到的第Q+1难度等级的题库数据的平均分值;
是从第1级难度等级题库数据到第Q-1难度等级题库数据的实际总分值之和。
由于我们总是趋向于把简单的题库数据多分配一点,所以当题库数据的难度等级为N级的时候,在这里,我们设定Y[N]就等于X[N]。当然的,根据之前所设定的,Y[1]就等于X[1],其值为μ减去三倍σ的差。
请参阅图4,其为本发明的平均分为80时的考试成绩和题库数据难度分布图。
根据得到的Y[1]~Y[N],从题库数据库中筛选符合条件的题库数据,直到达到这个分数要求为止,当然,筛选的过程中同时还需要考虑章节、题型以及题库数据的分数。
筛选出来的题库数据的总和就是一张试卷。
下面具体讲解如何选择每一个Y[Q]。
我们选题的过程按照从难到易的过程进行,因为难度等级大的题库数据总是占少数,应该首先满足难度等级大的题库数据。
选择某难度等级的题库数据的时候会出现两种情况:
1、没有选够;
2、选出的过多。
分别对两种情况进行处理:
1、没有选够,则把少选的分数平均加到难度级别低的题库数据中。
2、选出的过多,则再重新选择几次,如果还是过多就由最后一次作为标准。然后在难度级别低的题库数据中平均减去这次多选出的分数。
具体步骤:
1)当把题库数据难度分成N个等级的时候,定义N个数组Array1[]、Array2[]......ArrayN[],将1、2...X章节第1难度等级的要选的分数存放到Array1[]中,将1、2...X章节第2难度等级的要选的分数存放到Array2[]中,以此类推,将1、2...X章节第N难度等级的要选的分数存放到ArrayN[]中。
2)选题。从ArrayN[]开始选起,每选择一次都要记录是否少选,定义bool变量IsNotEnough,定义Int型变量DifferentValue,
如果少选IsNotEnough为真,记录少选的分数为DifferentValue;
如果多选IsNotEnough为假,记录多选的分数为DifferentValue;
3)如果少选了,则把差值加入次难度等级的题库数据中。(考虑章节的均匀性,次难度等级的的每一项都均匀的加入适量的差值)
ArrayN-1[]中的每一项+DifferentValue/ArrayN-1[]数组的个数
4)如果多选了,则把差值在次难度等级的题库数据中减去。(考虑章节的均匀性,次难度等级的每一项都均匀的减去适量的差值)
ArrayN-1[]中的每一项-DifferentValue/ArrayN-1[]数组的个数
5)然后选择次难度等级的题库数据,转入2)。
由本实施例可以看出,本发明是一种确定多个对象权重的方法,可以完美的应用在筛选题库数据上,合理利用正态分布公式以及统计学原理等,使得用筛选出的试卷进行考试所得到的成绩符合正态分布的规律,大大提高了出卷质量和效率。
需要说明的是,本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
以上对本发明所提供的一种确定多个对象权重的方法进行了详细介绍,本文中应用了具体实施例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (4)
1.一种确定多个对象权重的方法,其特征为,将N个对象特定对应为N级别任务,其中N为大于等于3的整数,所述方法包括:
接收目标参数,所述目标参数为整合后对象的处理结果的平均值;
将所述目标参数作为目标正态分布曲线的期望值μ,并由μ和整合后对象的总数据值T计算得到对应的标准差σ,根据正态分布公式得到目标正态分布曲线;
计算μ减去三倍σ的差作为对应1级别任务的对象的实际数据值,将T减去对应1级别任务的对象的实际数据值的差任意分为N-1份作为对应其余各个级别任务的对象的初始数据值;
根据所述目标正态分布曲线计算对应Q级别任务的对象的处理结果的平均值,Q为大于等于1小于等于N的整数,并将对应N级别任务的对象的处理结果的平均值确定为对应N级别任务的对象的实际数据值;
将对应1级别任务至Q+1级别任务的对象的初始数据值之和减去对应1级别任务至Q-1级别任务的对象的实际数据值之和的差值,再减去对应Q+1级别任务的对象的处理结果的平均值作为对应Q级别任务的对象的实际数据值;
计算各个对象的实际数据值占整合后对象的总数据值的权重。
2.根据权利要求1所述的方法,其特征为,所述由μ和整合后对象的总数据值T计算得到对应的标准差σ具体包括:
当μ大于等于T/2时,σ等于T减去μ的差除以3;
当μ小于T/2时,σ等于μ除以3。
3.根据权利要求1所述的方法,其特征为,所述根据所述目标正态分布曲线计算对应Q级别任务的对象的处理结果的平均值具体为:
其中X[Q]为对应Q级别任务的对象的处理结果的平均值;
f(x)为正态分布公式,
Q上限为对应Q级别任务的对象的初始数据值的数据值区间的最大值;
Q下限为对应Q级别任务的对象的初始数据值的数据值区间的最小值。
4.根据权利要求1所述的方法,其特征为,当Q大于等于2时,所述将对应1级别任务至Q+1级别任务的对象的初始数据值之和减去对应1级别任务至Q-1级别任务的对象的实际数据值之和的差值,再减去所述对应Q+1级别任务的对象的处理结果的平均值作为对应Q级别任务的对象的实际数据值具体为:
其中,Y[Q]是对应Q级别任务的对象的实际数据值;
(Q+1)上限是对应1级别任务至Q+1级别任务的对象的初始数据值之和;
X[Q+1]是对应Q+1级别任务的对象的处理结果的平均值;
是对应1级别任务至Q-1级别任务的对象的实际数据值之和。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310081894.7A CN103116571B (zh) | 2013-03-14 | 2013-03-14 | 一种确定多个对象权重的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310081894.7A CN103116571B (zh) | 2013-03-14 | 2013-03-14 | 一种确定多个对象权重的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103116571A CN103116571A (zh) | 2013-05-22 |
CN103116571B true CN103116571B (zh) | 2016-03-02 |
Family
ID=48414948
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310081894.7A Expired - Fee Related CN103116571B (zh) | 2013-03-14 | 2013-03-14 | 一种确定多个对象权重的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103116571B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102224542A (zh) * | 2008-11-25 | 2011-10-19 | 旭化成株式会社 | 权重系数生成装置、声音识别装置、导航装置、车辆、权重系数生成方法、以及权重系数生成程序 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10233609A1 (de) * | 2002-07-24 | 2004-02-19 | Siemens Ag | Verfahren zur Ermittlung einer in vorgegebenen Daten vorhandenen Wahrscheinlichkeitsverteilung |
-
2013
- 2013-03-14 CN CN201310081894.7A patent/CN103116571B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102224542A (zh) * | 2008-11-25 | 2011-10-19 | 旭化成株式会社 | 权重系数生成装置、声音识别装置、导航装置、车辆、权重系数生成方法、以及权重系数生成程序 |
Non-Patent Citations (3)
Title |
---|
一种确定指标权重的新方法;焦利明等;《指挥控制与仿真》;20060228;第28卷(第1期);第94-101页 * |
多对象多指标多级别模糊模式识别模型的构建;徐志科等;《数学的实践与认识》;20130228;第43卷(第4期);第143-147页 * |
多目标决策中一种确定权重的方法;刘新建等;《山西师范大学学报(自然科学版)》;20020930;第16卷(第3期);第20-22页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103116571A (zh) | 2013-05-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | World education finance policies and higher education access: A statistical analysis of World Development Indicators for 86 countries | |
Bithas et al. | Unmasking decoupling: redefining the resource intensity of the economy | |
CN103729689B (zh) | 一种基于行业分类与主导行业数据的电网电量预测方法 | |
CN107590247B (zh) | 一种基于群体知识诊断的智能组卷方法 | |
Margalef-Bentabol et al. | The formation of bulges, discs and two-component galaxies in the CANDELS Survey at z< 3 | |
CN110717671B (zh) | 一种确定参与方贡献度的方法及装置 | |
CN107292785A (zh) | 一种出题方法及系统 | |
CN106295351B (zh) | 一种风险识别方法及装置 | |
CN104850552B (zh) | 一种时空数据的展示方法和装置 | |
Watson | The role of cognitive conflict in developing students’ understanding of average | |
CN105427694B (zh) | 一种用于智能教学的计算机辅助测试方法 | |
CN111967964A (zh) | 银行客户端网点的智能推荐方法及装置 | |
CN105654402A (zh) | 基于时间维度和同类比较维度的学习能力判定方法和系统 | |
CN111178435B (zh) | 一种分类模型训练方法、系统、电子设备及存储介质 | |
CN103116571B (zh) | 一种确定多个对象权重的方法 | |
CN115794570A (zh) | 压力测试方法、装置、设备及计算机可读存储介质 | |
CN108876079A (zh) | 一种排序的方法及装置 | |
CN111369063A (zh) | 组卷模型训练方法、组卷方法及相关装置 | |
CN114926261A (zh) | 汽车金融用户申请欺诈概率预测方法及介质 | |
Suwandaru et al. | Empirical Analysis on Public Expenditure for Education and Economic Growth: Evidence from Indonesia. Economies 9: 146 | |
Vítek et al. | Assessment of efficiency of expenditure programmes in education: Primary education in the Czech Republic | |
Manďák et al. | Measuring performance of European ICT sectors using output-oriented DEA models | |
Kaur et al. | Improving E-Learning with neural networks | |
Martinenghi | Increasing the price of a university degree does not significantly affect enrolment if income contingent loans are available: evidence from HECS in Australia | |
Zakaria et al. | Using the skew-t copula to model bivariate rainfall distribution |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160302 Termination date: 20200314 |