创新创业教育视阈下模具CAD/CAM课程改革探索与实践

模具CAD/CAM课程具有高度的创新性与实践性,对培养学生的创新创业能力和实践能力具有较强的优势。本文针对模具CAD/CAM课程内容的特点及传统教学模式的弊端,开展了教学内容的优化与模块化设计、教学方法的改革和考核方式的优化,将创新创业教育理念深度融入到课程教学中。通过改革与实践,模具CAD/CAM课程在培养学生创新创业意识和实践能力方面取得了良好的效果,可为其他专业课程建设提供参考。     

基于高光谱和LiDAR的黄河口湿地植被分类方法

利用无人机（Unmanned Aerial Vehicle, UAV）高光谱影像（Hyper-spectral Imaging, HSI）和激光雷达（Light Detection and Ranging, LiDAR）数据开展黄河口湿地植被分类方法研究。由于高空间分辨率HSI光谱变异性强,以及LiDAR点云密度不均匀,分类结果呈现出“椒盐”现象。为了解决这些问题,本文提出了一种结合空谱特征融合和通道注意力机制的双分支卷积神经网络（SSF-C-DBCNN）。光谱注意力机制通过为每个波段分配不同的权重来减少光谱变异性的影响。空间注意力机制侧重于学习和强调特征表达能力强的密集点云区域空间信息,从而减轻LiDAR点云密度不均匀对结果的影响。最后,在双分支融合特征后引入通道注意力机制来提取更深层次的特征。利用UAV采集的HSI和LiDAR数据进行实验验证,结果表明,本文提出方法的性能优于随机森林和五种深度学习方法,分类结果更为贴合实际土地覆盖,有效地抑制了“椒盐”现象。     

一维GTD散射中心模型参数估计的改进MUSIC算法

针对利用多重信号分类（MUSIC）算法估计一维几何绕射理论（GTD）的散射中心模型时噪声鲁棒性较差、参数精度不高这一问题,提出一类改进的MUSIC算法。首先,构建原始回波数据的共轭矩阵,有效提高了原始回波数据的利用率;其次,将原始回波数据的协方差矩阵、共轭数据的协方差矩阵叠加取平均,得到一个新的总协方差矩阵;最后,对矩阵作2次方、4次方等偶次方处理,得到另一矩阵,以达到增大信号特征值与噪声特征值之间差距的作用,等效为增大了信噪比。仿真结果表明:所提改进算法的参数估计性能及噪声鲁棒性均要优于经典MUSIC算法。      

高校食堂社会化改革对策分析

为加强高校食堂管理,确保食品卫生安全和价格实惠,对高校食堂的经营和管理模式进行了深入的分析。通过科学管理,规范经营,既提高了食堂服务质量,又能确保师生的饮食卫生安全和实惠。对推进高校院后勤社会化改革具有积极的意义。     

民航院校专门用途英语类课程微改革可能性之实证研究

在"微改革"理念指导下,于2019年在师生教学督导工作实践中对CAFUC专门用途英语类课程教学进行一学年60学时实地观摩,结合笔者自身教学实践和学习经历,分析CAFUC相关课程教学微改革的可能性并提出针对性建议.     

一种针对高光谱图象识别与分类的二进编码方法

针对高光谱遥感图像中地物识别与分类问题,在对传统二进编码方法的优缺点进行分析的基础上,给出了一种新的二进编码策略,并给出了相应的快速匹配算法。该算法原理简单,易于实现,能够提高不同地物的可分性,试验结果表明,算法可以得到较好的分类效果。     

航空管制物质的分类识别方法探讨

由于缺乏标准的分类和识别方法,航空管制物质易被当作普通货物进入航空运输环节,给航空运输带来安全隐患.通过分析航空管制物质的定义,确定影响此类物质分类的危害性,包括麻醉性、催泪性质、恶臭性质、急性毒性(经口、经皮肤、吸入)、严重眼损伤或眼刺激、呼吸或皮肤敏化作用、特定目标器官毒性、吸入危害性等;在全球化学品统一分类和标签制度中健康危害分类评估指导原则的基础上,建立统一的航空管制物质的分层式分类程序,并给出识别方法和标准、数据来源及其处理方式;归纳总结航空管制物质的种类,并以两个恶臭物质为例讨论分类识别过程.结果表明:本文提出的航空管制物质的分类程序和识别方法能够很好地指导航空管制物质的分类识别工作,对保障航空运输安全和防恐工作具有重要意义.     

一个识别零件几何与工艺特征的自动分类系统

提出了一种在成组技术中应用模糊综合评判理论识别零件几何与工艺特征、进行计算机辅助零件分类的新方法，据此设计了自动分类软件。本法是根据零件本身间的相似性自动分类，不需建立一套分类用编码系统，也不需事先设定假想零件。对不同的分类要求，修改各种输入信息很方便，具有柔性。本文对２３００个航空附件回转类零件作了试验分析，讨论了特征抽取，目标类别，权级、权重分配，模糊关系矩阵计算，及自动分类应用软件设计．本软件是在ＩＢＭ－ＰＣ微型计算机上用Ｆｏｒｔｒａｎ－７７语言实现的，分类结果满意，自动分类正确率达９０％以上。本软件设计方法也适用于设计管理部门．     

基于生成对抗网络的零样本图像分类

在图像分类任务中,零样本图像分类问题已成为一个研究热点。为了解决零样本图像分类问题,采用一种基于生成对抗网络（GAN）的方法,通过生成未知类的图像特征使得零样本分类任务转换为传统的图像分类任务。同时对生成对抗网络中的判别网络做出改进,使其判别过程更加准确,从而进一步提高生成图像特征的质量。实验结果表明:所提方法在AWA、CUB和SUN数据集上的分类准确率分别提高了0.4%、0.4%和0.5%。因此,所提方法通过改进生成对抗网络,能够生成质量更好的图像特征,从而有效解决零样本图像分类问题。