网络环境下应用型本科院校大学生自主学习能力的培养研究

计算机与互联网通讯技术的快速发展为高校教学改革提供了契机,提出了基于网络环境的教学方法,冲击着传统的学习方式。应用型本科院校以培养直接面向生产、建设、管理、服务第一线的高级应用型人才为目标,重点培养学生利用网络工具进行自主学习进而获得独立解决问题的能力。因此对充分利用网络教学资源以培养大学生的自主学习能力的研究与探讨就显得尤其重要与迫切。针对信息时代背景下大学生自主学习过程中面临的问题,提出了相应的对策,并提出应用型本科院校应对大学生的自主学习能力水平进行监控与评价。     

要有多少钱才可以真正拥有私人飞机

曾经,一起打高尔夫是商业社交的重要方式;曾经,拥有跑车、游艇是富豪的标志;也许,很快这些将成为过去时,拥有自己的私人飞机将成为顶尖富豪的最新标签。就这样,一波波富豪们被"诱惑"出了头等舱,坐进了私人飞机。私人飞机成为了他们的卧室、会议室、社交场所。     

基于DDQN的运载火箭姿态控制器参数设计

探索了利用深度强化学习算法训练智能体,以代替人类工程师进行火箭姿态控制器参数的离线设计方案。建立了多特征秒的火箭频域分析模型,选定了设计参数。选择深度强化学习算法中的双深度Q学习(Double Deep Q Network,DDQN)算法,通过记忆回放和时间差分迭代的方式让智能体在与环境交互过程中不断学习。设计了对应的马尔科夫决策过程模型,进行了智能体的训练和前向测试。结果说明该方法对于运载火箭姿控设计具有一定参考价值。     

一种改进的Manifold数据降维方法研究

Manifold学习算法已经被广泛应用到很多领域,如信息检索、模式识别、人工智能和数据挖掘等。已有的Manifold学习算法对局部临近区域选择很敏感,并且降维后的数据可分割性比较差。本文提出了一种自适应临近区域选择、具有良好信息可分割性的Manifold学习算法。这种方法在每一个数据点根据数据可估算的本质维度和局部正切方向选择临近区域。与此同时,在映射数据的时候使用聚类分析法聚集相似样本点集。这种方式能确保降维数据具有良好的可分割性,获得更好的降维效果。实验结果表明,新的方法在人工生成数据集上具有更好的嵌入效果。     

基于协调权的案例学习群决策分类方法

基于案例学习的决策方法具有易于理解、贴近 实际决策过程的优点，成为当前决策领域的一个研究热点。文中针对如何有效地集成不同决 策专家提供的案例信息，提出了一种基于协调权的案例学习群决策模型用以解决多属性分类 决策问题。该方法首先针对各决策者给出不同案例数据，通过构建混合整数规划模型，识别 出具有一致案例信息重要度最大化的典型案例集。然后设计了分类阈值远离程度最大化模型 ，以此确定兼容各个决策者案例信息的指标权重（协调权）和最优分类阈值，由此构建一致 性的效用函数并应用获得的阈值进行分类决策。最后通过案例研究以及与其他模型的比较分 析，验证了方法的可行性。     

基于YOLO智能网络的红外弱小多目标检测技术

复杂背景下的红外弱小多目标检测是红外目标检测的难点,现有算法的稳健性难以满足实际弹载应用需求。针对弹载环境下的红外场景图像开展了基于典型深度学习网络模型的目标检测应用研究,提出一种基于YOLO(you only look once)网络的智能目标检测方法,通过高维特征学习表征和推理实现红外弱小多目标检测。采用传统的模板匹配算法和YOLO深度学习算法进行识别性能对比分析,验证了YOLO网络在红外弱小多目标检测方面的良好性能。实验结果表明:YOLO算法的检测概率可达92.2%,平均检测精度为0.844,与传统的模板匹配方法相比,YOLO具有明显的优势。