刘美兰 浓处清幽淡处香

其实做人的本质都是一样的,无论工作还是生活。认真和真诚的态度,是最重要的。可能是职业需要,使得刘美兰必须是一颗发光的星星,工作和生活均需展现在外。电话中的刘美兰做事细致,认真甚至有些谨慎,眼前的刘美兰清雅含蓄,娓娓而谈,语气轻,语速缓,气质如兰,柔中带刚。     

简讯

民航纪检监察系统学习贯彻十八大精神Civil aviation discipline inspection andsupervision personnel study spirits of the18th National Congress of the CPC11月28日,民航纪检监察系统学习贯彻十八大精神、推进反腐倡廉工作座谈会在京召开。会议结合对十八大精神的学习贯彻,全面总结回顾了今年民航纪检监察工作,统筹谋划了明年的工作思路。中纪委委员、民航局党组书记、局     

科学发展观背景下对学生体育学习评价的研究

随着科学发展观的提出，“以人为本和实现人的全面发展”引起了全社会的关注，现代科学人本主义教育成为学校体育教育的主流。体育学习评价作为体育教学评价的重要组成部分，是体育教学改革的重点课题。通过对体育学习评价的研究，用科学发展观引导学生体育学习评价的实施，为体育学习评价体系的进一步完善提供可借鉴之处，同时也体现出了以人为本的教育理念。     

组织学习力视角下的学习型党组织建设

建设学习型党组织,是党所处外部世界环境的要求,是党领导的经济社会现状的要求,是党自身建设的当代节点的要求。因此,必须综合学习型组织经典定义和党组织的特殊属性,树立学习型党组织的科学涵义;必须不断加强对学习活动的指导,建立健全各项学习制度,不断创新有效的学习方式,最终提升党组织的本质竞争力。     

中航工业技术基础研究院荣毅超书记一行莅临我所指导工作

2009年5月9日至10日我所所长孙侠生参加了中航工业深入学习实践科学发展观第十一指导组在汉航集团举办的“聚焦战略谋发展高层论坛”，并代表强度所党政领导班子，做了题为“深入学习实践科学发展观，攻坚破难，创新超越，提升能力，促进强度所早日驶入改革发展快车道”的激情发言。     

非英语专业本科生学习风格探究及启示

研究学习风格和英语学习成绩之间存在的关系。利用PLSPQ对河南省洛阳市三所高校的479名非英语专业二年级学生进行调查问卷,以学生的四级成绩为依据,分析其学习风格总体状况及其偏好以及在学习风格上所呈现出的差异。结果表明,非英语专业本科生触觉型学习风格的倾向性最为明显,听觉型学习风格倾向最弱,就学习风格而言,英语学习成绩优异者与成绩较差者存在较为明显的差异。结论是学习风格与学习成绩之间并没有显著的关系。     

戚发轫忆钱学森

启蒙、信心和团队 我在清华大学念了一年半转到北航去继续学习，到1957年作为新建北航的第一届毕业生，分配到国防部第五研究院工作。我们这些大学生编成一个集训队，在永定路一个学校集训。集训期间钱老给我们上导弹概论课。     

基于最小熵约束的可解释卷积神经网络

导弹武器系统上的光学探测算法要求具备高可靠性,卷积神经网络属于"黑盒"模型,本文提出一种基于最小熵约束的可解释卷积神经网络,为卷积神经网络模型在导弹武器系统上的应用创造条件.该方法通过传统方法(连通域检测、边缘检测等)找到图片中存在可解释特征,通过模型对可解释特征进行评分,聚类,并通过这些特征对原模型训练提供约束,在最终预测的同时,通过评分对模型给出解释.经实验验证,该方法能够在尽量保证模型分类性能的前提下,极大提高模型的可解释性.     

基于U-net的"高分五号"卫星高光谱图像土地类型分类

"高分五号"卫星是世界首颗实现对大气和陆地综合观测的全谱段高光谱卫星,对于土地利用类型分类具有重要的应用价值,如何利用深度学习技术开展高光谱图像分类是当前研究的热点问题。深度学习中的语义分割方法在地面场景的图像中已经获得较好的应用,但是对于高光谱遥感图像的精度和适用性较差,无法准确获得精确的分类结果。文章采用U-net模型开展高光谱土地利用类型分类研究,首先基于"高分五号"卫星高光谱数据,构建样本数据集,然后训练分类模型,进行土地利用类型分类,探讨语义分割方法在高分五号高光谱数据上的应用能力。结果表明,采用深度学习中的语义分割方法能够有效提高精度水平,U-net模型的整体分类精度为0.9357,Kappa系数达到0.92,均高于SVM方法和CNN方法。采用深度学习中的语义分割方法,可以为"高分五号"高光谱数据的土地利用分类提供技术支撑,有效提升"高分五号"卫星的应用能力。     

基于深度学习的太阳10.7 cm射电流量日值的中期预报

针对太阳10.7cm射电流量中期日值预报问题,采用深度学习方法,建立了一个典型的基于多层感知器模型的神经网络。该网络采用1个包含90个神经元的隐含层,实现了一种非参数的时间序列自回归模型。预报中不仅考虑历史日值,还考虑了历史预报误差。模型根据前27d的历史数据实现了未来27d的日值预报。通过对50多年数据的训练和试验分析,该方法在短期和中期预报上较传统方法的相对误差明显降低。特别是模型经一次训练后,参数可以完全固定,不同于以往研究参数需要每天滚动更新,大大简化了日常预报,同时极为有利于模型在其他相关应用中的推广。