影响大学生英语学习倦怠的情感因素

关于英语学习倦怠的现有研究主要集中于"倦怠"的测量、表现、产生及应对策略上,而针对影响倦怠的因素特别是情感因素的分析较少。情感涉及学习者个体对语言的认知以及对语言教学环境的心理反应等诸多方面,是语言教学中不容忽视的因素。本文以英语语言学习规律为背景,分析学习信念、学习焦虑、社交恐惧和自我效能感等情感因素对英语学习倦怠的影响。     

基于深度学习的混合翼型前缘压力分布预测

提出了一种基于深度学习的混合翼型前缘压力分布预测方法，通过对翼型几何特征提取、压力分布曲线的参数化，建立了卷积神经网络模型（CNN），并利用计算流体力学（CFD）的计算结果作为其训练样本，实现对混合翼型前缘压力分布的预测。结果表明:两种方法计算结果的拟合优度大于0.98，基于深度学习的计算方法耗时1.7 s，CFD方法耗时大于50 s，计算时间大大缩短。该方法能够在满足计算精度的条件下提高计算效率并可应用于其他的翼型设计过程。      

全面构建航天科技工业新体系努力建设国际一流大型航天企业集团——马兴瑞总经理在科学发展观学习实践活动专题会上的报告（摘要）

4月3日,中国航天科技集团公司深入学习实践科学发展观活动领导小组组长、党组书记、总经理马兴瑞在学习实践活动专题会上,以国际化的视野和战略性的思维作了题为《全面构建航天科技工业新体系 努力建设国际一流大型、航天企业集团》的学习报告，阐释了集团公司对标国际一流、构建新体系、实现科学发展的思路。现将报告摘要刊出，供大家学习。     

英语习得与人为目的语环境的创造

"语言习得"与"语言学习"是外语教学理论研究中的两个重要概念,克拉申认为只有"习得"来的语言才能成为流利的口头表达,而"学习"只能起"监查"作用.在"学习"的条件下,通过营造人为目的语习得环境,以用为本,立足实践,学习者同样可以达到习得外语的目标.     

“任务驱动”下的计算机专业课程教学实践与探索

本文总结了“任务驱动”在教学中的应用，提出了“任务”设计要全方位立体化进行考虑；评价要全方位多样化。指出了“任务驱动”必须与多种教学法优化组合，才能发挥其最大教学效率。     

空管系统第二批学习实践科学发展观活动总结大会召开

8月18日，民航局空管局党委召开空管系统第二批学习实践科学发展观活动总结视频大会，空管局全体局领导均出席了会议。会议由民航局空管局局长苏兰根主持，党委书记周毅洲作重要讲话。今年‘3月12日以来，空管系统700多个基层党组织、1万余名党员按照中央、民航局党组和空管局党委的统一部署，紧紧围绕“夯实安全基础，推进一体化建设，实现空管系统又好又快发展”这个主题，密切联系空管安全运行和各单位的实际，集中参加了学习调研、分析检查、整改落实三个阶段六个主要环节的第二批学习实践科学发展观活动。空管系统各级党委对活动高度重视，加强领导，严密组织，及时指导，狠抓落实，     

基于自适应深度网络的无人机目标跟踪算法

针对无人机（UAV）视频中目标易受到遮挡、形变、复杂背景干扰等问题，提出一种基于自适应深度网络的无人机目标跟踪算法。首先，基于主成分分析（PCA）和卷积神经网络（CNN）算法，设计3阶的自适应深度网络进行目标特征提取，该网络对图像的H、S、I通道分别进行主成分分析学习，将得到的特征向量输入网络进行分层卷积，优化了网络结构，提高了网络的收敛速度和精度。其次，将目标深度特征输入核相关滤波算法进行目标跟踪，通过分析相邻2帧图像的变化率，采用分段自适应调整学习率的算法进行目标模板更新，有效地改善目标遮挡问题。仿真实验结果表明，该算法有效地避免了复杂因素干扰导致的跟踪精度下降，具有较好的鲁棒性，相较于全卷积跟踪（FCNT）算法平均跟踪精度提高了9.62%，平均跟踪成功率提高了11.9%。     

一种星-箭连接动态界面力的深度学习反演方法

针对于星-箭连接动态界面力无法通过力传感器直接测量,且典型时域动载反演方法难以准确计算界面力的时域变化等难点,提出了基于长短时记忆(LSTM)神经网络的星-箭界面力深度学习反演方法。首先通过卫星地面测试试验得到数据依据,以卫星主体结构的加速度测量数据为输入层,以星-箭界面力测量数据为输出层,利用LSTM神经网络建立输入和输出间的反演映射关系模型,实现卫星在发射过程中较高精度的界面力反演。进而,设计并开展了某典型卫星结构的正弦扫频和随机振动实验,测试LSTM界面力反演方法的可行性。结果分析可知,所提出的基于LSTM深度学习反演方法能够精确地获得动态界面力时程数据,两项性能指标均优于目前典型的载荷反演方法。     

改进PointNetLK的点云智能配准与位姿图优化方法

针对空间在轨服务任务中的非合作目标相对位姿测量问题,提出一种目标可测部位点云的智能配准方法。首先,通过Straight Through滤波算法对半物理仿真平台采集得到的点云进行目标提取,以消除背景数据等杂乱信息;其次,改进PointNetLK神经网络点云配准算法,将提取后的点云数据作为输入,从而获得初步配准结果,解决非合作目标先验信息缺失导致的无法配准问题;最后,建立基于位姿图的优化模型,以降低配准误差,提高配准精度。实验结果表明,与传统迭代最近点(ICP)算法相比,配准综合误差从6.3598降低到1.7291,精度提高约 72.81% 单次耗时从33.16 s降低到4.2 s,效率提升约87.33%,与当前SM ICP等其他算法相比,也具有一定的优势。     

航天器轨道追逃博弈多阶段强化学习训练方法

针对航天器轨道追逃博弈问题,提出一种多阶段学习训练赋能方法,使得追踪星在终端时刻抵近逃逸星的特定区域,而逃逸星需要通过轨道机动规避追踪星。首先,构建两星的训练策略集,基于逻辑规则设计追踪星和逃逸星的机动策略,通过实时预测对方的终端位置,设计己方的期望位置和脉冲策略,显式给出追逃策略的解析表达式,用于训练赋能;其次,为提升航天器的训练赋能效率及应对未知环境的博弈能力,提出一种基于强化学习技术多模式、分阶段的学习训练方法,先使追踪星和逃逸星分别应对上述逻辑规则引导下的逃逸星和追踪星,完成预训练;再次,开展二次训练,两星都采用邻近策略优化(PPO)策略进行追逃博弈,在博弈中不断调整网络权值,提升决策能力;最后,在仿真环境中验证提出的训练方法的有效性,经过二次训练后,追踪星和逃逸星可有效应对不同策略驱动下的对手,提升追逃成功率。