大学生自主学习能力和英语成绩的相关性研究

自主学习已成为当代国内外语教育研究的热点,随着教育部《大学英语课程教学要求》的颁布,自主学习能力已成为大学英语重要的教学目标之一。对200名来自西安两所高校非英语专业大一学生进行了调查,分析其自主学习能力和成绩的相关性,并对收集到的数据用SPSS软件进行了描述统计分析、独立样本T检验。结果表明:总的来说,非英语专业大学生自主学习能力处于中等水平。自主学习能力的五个方面(了解教师的教学目的和要求、制定学习计划和目标、有效使用学习策略、监控学习策略的使用、监控和评估英语学习过程)都和学生的大学英语成绩显著相关。     

轴对称结构的模态振型描述和模型确认

利用轴对称结构模态振型的Zernike矩能够有效区分重根模态的特点,提出了一种基于Zernike矩函数的相关性分析方法以及基于Zernike矩函数灵敏度的模型修正方法。以某航空发动机压气机轮盘为例,采用轴对称结构的模态振型Zernike特征矩,通过模态测试数据与有限元模型预测结果的相关性分析,克服重根模态对相关性分析的影响,准确地匹配模态对;同时采用基于Zernike矩函数的振动模态对于设计参数的灵敏度,修正有限元的模型修正,使压气机的设计模型的动力特性预测与实际结构的测试相一致,验证了该方法的可行性与优越性。     

ATM网在民航航空情报系统中的应用

介绍了中南地区空管局航空情报系统和ATM技术的现状,重点分析了ATM网的特点,并构建了基于民航ATM网的中南地区的航空情报异地备份系统,为ATM网在我国航空情报系统自动化、网络化建设中的应用提供了方向并做了有益的探索,为保障中南地区航空情报生产和飞行安全发挥了富有成效的作用。     

基于核主成分分析的多输出模型确认方法

目前对于不确定性环境下多个相关的复杂计算模型进行确认的方法存在计算困难及稳定性较差的问题。针对这类复杂计算模型,提出了一种新的基于核主成分分析(KPCA)的多输出模型确认方法。该方法将核主成分分析与面积法的思想相结合,构造了一个新的易于计算且稳定性高的模型确认指标。所提方法通过核主成分分析将相关的输出变量转化为不相关的核主成分,再对每一核主成分进行模型与实验的对比,从而避免了传统多输出模型确认方法中需要求解多个输出的联合累积分布函数的困难。由于核主成分分析(PCA)方法能够有效提取分析对象的非线性成分,因此基于核主成分分析的多输出模型确认方法较基于主成分分析的模型确认方法更为稳定,这表现在相同的实验样本数据下核主成分分析的方法具有更低的出错率。另外核主成分分析通过核主成分提取,可以实现多输出模型的降维,从而降低多输出模型确认的复杂度。所提方法既可以用于一般的多输出模型的确认,也可以用于多确认点的输出模型的确认。最后通过数值算例和工程算例证明了该方法的正确性与有效性。     

多传感器融合状态估计方法综述

随着传感器网络技术的发展，多传感器融合状态估计凭借其鲁棒性、灵活性、可扩展性以及便于故障检测等优点，长期受到国内外学者的广泛关注，并取得了大量研究成果。数据融合的方法为融合状态估计奠定了理论基础，也是早期研究的主要方向，从20世纪70年代到20世纪末，相继发展出了集中式和分散式滤波架构及相应算法。无线通信技术的成熟以及一致性算法的出现使得分布式状态估计的研究进入了快车道，自2005年以来，大量基于一致性的分布式滤波算法被提出，其中不乏实用的经典方法和优秀的开创性方法。旨在梳理多传感器融合状态估计的发展，探究从数据融合到分布式滤波的内在联系，并对一些经典方法进行了总结。     

祝融号火星车重要数据保护设计与实现

由于火星表面测控支持受限，祝融号火星车需要自主实现可靠生存、高效探测，而重要数据保护是这种自主能力的必要条件。由于能源约束，火星车内仅有少量设备处于长期工作状态，无法沿用基于器内信息网络的分布式重要数据保护方案。为解决这一问题，设计了一种分布式与集中式相结合的重要数据保护架构。由系统管理单元(system management unit, SMU)集中保存重要数据，并在其他设备加电时为其提供分布式重要数据服务。针对SMU复位、切机后的时间恢复需要，提出了一种基于多重备份的器上时间保护方法，低消耗、高可靠地实现了器上时间保护。为了在有限空间内保护更多延时指令，提出了一种专用存储区与公用存储区相结合的重要数据保护方法，有效提升了存储空间利用率。上述重要数据保护方案在火面测控、能源双重约束下为祝融号火星车提供了可靠的业务连续性保障，可为后续深空探测器的设计提供参考。     

基于相关性分析与CNN-BiLSTM神经网络的PSZ陶瓷磨削表面粗糙度智能预测

部分稳定氧化锆（Partially stabilized zirconia,PSZ）陶瓷因其优越的性能在航空航天工业等领域有广泛的应用。表面粗糙度是评价PSZ陶瓷磨削加工水平的关键指标，为了降低磨削表面粗糙度的预测误差，提出了一种基于相关性分析与卷积-双向长短期记忆神经网络（Convolution-bidirectional long short term memory neural network,CNN-BiLSTM）的PSZ陶瓷磨削表面粗糙度声发射预测模型。通过分析磨削声发射信号特征值与磨削表面粗糙度值之间相关性，筛选出磨削声发射信号与磨削表面粗糙度之间的最相关频段和特征矩阵，作为CNN-BiLSTM神经网络的输入参数以降低磨削表面粗糙度声发射预测的误差。研究结果表明，基于相关性分析与CNN-BiLSTM神经网络的PSZ陶瓷磨削表面粗糙度的平均预测误差低于3.92%。     

面向量化分块压缩感知的区域层次化预测编码

在量化分块压缩感知的预测编码中，低参考价值的候选者将导致较差的率失真性能。为了高效地降低编码失真，提出了一种基于螺旋逐块扫描的区域层次化预测编码方法。在以同一采样率进行观测后，各块按由内向外的扫描次序进行预测与量化。当前观测矢量从上下文感知候选集中选取与之具有最小误差的反量化矢量，作为其预测矢量；根据层次相关性，所有块被划分到3种区域之一，通过块编码模型为不同区域设定自适应的质量因子，关键区域被赋予较大的质量因子。与现有的预测编码方法相比，所提方法综合利用了矢量之间的空域相关性和层次相关性，实验结果获得了至少0.12 dB的率失真增益。