辅助动力装置控制系统传感器智能解析余度方法

针对辅助动力装置(APU)控制系统传感器故障,提出了一种基于协方差优化集成极限学习网络(COSELM)的传感器智能解析余度方法。该方法能够根据在线序列预测误差的最小方差来自适应更新单个在线序列极限学习机的权重系数,发挥和权衡各个学习模型的优势,通过提高模型算法的稳定性和泛化性,改善传感器智能解析余度的精度。通过在某辅助动力装置控制系统传感器解析余度的验证表明,提出的COSELM方法可以解决传感器在发生偏置故障时的信号重构问题,重构误差不超过1%,适用于不同辅助动力装置个体,为其提供可靠的解析余度。     

元认识理论在英语阅读教学中的运用

如何将元认知理论应用到阅读教学实践中去的问题得到了越来越多的研究者的关注,以Weaver&Cohen提出的"SBI教学模式"为理论基础,对大学英语专业一年级学生进行为期一个学期的元认知策略培训以培养学生英语自主阅读能力的研究,结果显示,元认知策略培训有助于提高学生元认知策略使用水平,培养学生的自主阅读能力。     

时空域上下文学习的视频多帧质量增强方法

卷积神经网络（CNN）在视频增强方向取得了巨大的成功。现有的视频增强方法主要在空域探索图像内像素的相关性,忽略了连续帧之间的时域相似性。针对上述问题,提出一种基于时空域上下文学习的多帧质量增强方法（STMVE）,即利用当前帧以及相邻多帧图像共同增强当前帧的质量。首先根据时域多帧图像直接预测得到当前帧的预测帧,然后利用预测帧对当前帧进行增强。其中,预测帧通过自适应可分离的卷积神经网络（ASCNN）得到;在后续增强中,设计了一种多帧卷积神经网络（MFCNN）,利用早期融合架构来挖掘当前帧及其预测帧的时空域相关性,最终得到增强的当前帧。实验结果表明,所提出的STMVE方法在量化参数值37、32、27、22上,相对于H.265/HEVC,分别获得0.47、0.43、0.38、0.28 dB的性能增益;与多帧质量增强（MFQE）方法相比,平均获得0.17 dB的增益。      

PMMWI与Ⅵ优势互补的人体隐蔽违禁物检测与定位

根据公共场所人体安检的性能要求和技术需求,将被动毫米波成像（PMMWI）的可透视成像性能优势与可见光成像（Ⅵ）的细节高分辨性能优势相结合,提出一种基于PMMWI与Ⅵ优势互补的人体隐蔽违禁物检测与定位算法。首先,提出一种基于低层特征融合的改进U-Net以增强深度神经网络（DNN）对PMMWI中弱小目标轮廓的敏感度,提高PMMWI中人体轮廓和隐蔽违禁物的分割精度,并同时实现Ⅵ中人体轮廓的像素级分割;然后,在PMMWI和Ⅵ中的人体轮廓分割基础上,通过基于人体轮廓的尺度变换与滑动适配实现PMMWI人体轮廓和Ⅵ人体轮廓的良好配准,根据配准结果实现单帧图像中人体隐蔽违禁物的高效检测;最后,通过序列图像检测结果的对比融合与优化决策给出隐蔽违禁物的定位结果。一系列综合实验与对比分析结果,验证了提出的人体隐蔽违禁物检测与定位算法的性能优势。      

基于挖掘性学习和探索性学习相结合的管理学原理教学方法研究

在分析高校《管理学原理》教学现状及存在问题的基础上,本研究借鉴挖掘性学习和探索性学习理论并结合长期教学实践,提出了基于挖掘性学习和探索性学习相结合的《管理学原理》教学方法及改革思路。     

网络环境下大学英语自主学习监控体系的构建

网络环境下的大学英语自主学习是大学英语教学改革的一项重要内容。为保障自主学习效果,本文提出构建多层次监控体系,即教师对学生的监控、软件对学生的监控、学生间相互监控和学生自我监控,并阐述监控效果及可能的发展方向。     

基于深度图推理的卫星背板部件检测方法

在轨加注是一种典型的在轨服务操作,它对于降低空间运输成本和任务风险起着重要的作用,视觉感知系统可以感知操作任务周围环境并提供给控制系统。目前在轨加注依赖于人,在人员监控下完成或通过遥操作完成,缺乏自主性。本文围绕未来高自主性的基于深度强化学习的在轨加注方法,对基于深度学习的视觉感知方法展开了研究,针对基于深度学习的方法对相似实例的检测存在精确率低、对光照变化敏感等缺点,提出了基于深度图推理的卫星背板部件检测方法。提出的方法可以有效地检测复杂形状的目标,不依赖于手工设计的特征;提高了复杂光照环境下部件的检测正确率;可以有效区分外形相似的不同部件;其有效性在数学仿真和物理仿真中均得到了验证。     

基于图对比学习的稳健交通流量预测

作为智能交通系统的核心技术,稳健的交通流量预测是一个长期存在但具有挑战的任务。不论是工业界还是学术界,现有模型需要大量训练数据、易受数据噪声影响而表现不稳健,是限制该领域发展与实际应用落地的重要因素。而在学术界,图对比学习可以通过数据增强与对比损失来降低数据需求量,同时提升模型抵抗数据噪声的能力。提出一种交通流量图对比学习(TFGCL)框架,用于稳健的交通流量预测。TFGCL框架有3个创新点：针对交通流量图(TFG)数据的独特时空特性,TFGCL框架从时间和空间2个角度出发,提出3种TFG数据增强方法。针对TFG数据中语义相似的假负样本,提出一个过滤策略使TFGCL框架能够免受其干扰,从而学习到高质量的表征。TFGCL框架通过联合交通流量预测任务和图对比学习任务进行同时训练。在3个真实交通数据集上与8个基线模型进行对比实验,结果表明：TFGCL框架的预测性能更为稳健,较最优基线模型最高提升6.24%,TFGCL框架的稳健性尤其体现在数据缺失较为明显的数据集和长时交通流量预测任务中。     

融合卷积注意力和Transformer架构的行人重识别方法

行人重识别技术是智能安防系统中的重要方法之一,为构建一个适用各种复杂场景的行人重识别模型,基于现有的卷积神经网络和Transformer模型,提出一种融合卷积注意力和Transformer(FCAT)架构的方法,以增强Transformer对局部细节信息的关注。所提方法主要将卷积空间注意力和通道注意力嵌入Transformer架构中,分别加强对图像中重要区域的关注和对重要通道特征的关注,以进一步提高Transformer架构对局部细节特征的提取能力。在3个公开行人重识别数据集上的对比消融实验证明,所提方法在非遮挡数据集上取得了与现有方法相当的结果,在遮挡数据集上的性能得到显著提升。所提方法更加轻量化,在不增加额外计算量和模型参数的情况下,推理速度得到了提升。