认知风格理论对外语教与学的启示

认知风格是学习者习惯性的认知特点,它相对固定。不同学习者往往具有不同的认知特点。在二语习得理论中,认知风格被视为学习者个体内在因素之一。研究认知风格对于教与学都具有重要的意义。     

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。     

简讯

俄选择RS-24洲际弹道导弹替换白杨-M导弹;美公司获得美国海军标准导弹保障合同;美海军开始鱼叉和战斧导弹替代可选方案分析;美公司获AIM-120和IAGM-88替换导弹研制合同;以空军即将装备美国小直径炸弹;     

重视细节管理 实现持续安全

作为民航空管基层运行单位的一名青年党员,笔者认真研读了李家祥局长关于持续安全理念的一系列重要论述,结合近期学习实践科学发展观的心得体会和安全生产运行实际,谈谈学习实践持续安全理念的一点粗浅体会,以期抛砖引玉．共同为空管系统的安全和发展贡献绵薄之力。     

美国防部研究部署小卫星用于战区无人机通信

据航天新闻网2010年10月15日报道,美国军事和工业部门官员称,美国国防部正在研究是否要部署一组小卫星（可能由工商企业运营）,以确保与飞行在冲突地区边缘或外围的无人机的通信。该计划名为“机载情报、监视与侦察”（AISR）,其特点是多颗卫星带有4个Ku和Ka频段转发器,     

基于改进GWO-LightGBM的滚动轴承未知故障诊断

针对滚动轴承未知新故障误判影响轴承安全性和检修效率的问题,提出了一种基于改进灰狼算法（GWO）和轻量级梯度提升机（LightGBM）的故障诊断模型,实现已知/未知故障的高精度判别。为避免单一尺度下特征提取的缺失,对滚动轴承振动信号分别提取时域、频域和小波域特征建立多域特征集。设计了带未知新故障判别机制的GWO-LightGBM模型,并构造含有Halton序列和模拟退火策略的GWO实现了模型参数有效优化。实例试验结果表明,模型对已知和未知类故障平均识别率达99.57%,10次随机试验平均识别率分别比单一分类模型逻辑回归（LR）、最近邻分类器（KNN）和支持向量机（SVM）高21.98%、17.00%、9.27%,验证了模型的有效性和优越性,能高准确率地识别出已知或以前从未出现的新故障。      

基于高分辨率网络的单声道歌声分离

单声道歌声分离是指将单声道歌曲中的伴奏和歌声分离,在旋律提取、歌词识别、卡拉OK伴奏等方面有重要应用。针对当前时频谱图预测精度受限的问题,利用高分辨率网络具有并行结构及特征充分交互提高模型性能的优势,提出基于高分辨率网络的单声道歌声分离算法。设计并构建适合单声道歌声分离的高分辨率网络,输入歌曲的时频谱图到网络,得到预测的伴奏和歌声时频谱图。结合歌曲相位进行重构,得到伴奏和歌声的时域信号。实验表明,在公开数据集MIR-1K上,所提算法的SNR、SIR、SAR指标均优于当前代表性算法,提高了分离后伴奏和歌声的质量。      

抵御对抗样本攻击的指纹室内定位方法

随着城市智能化的发展, 基于WiFi接收信号强度(RSS)的指纹室内定位服务受到社会的广泛关注。深度学习技术是利用RSS信号获得高室内定位性能的一种重要手段, 但其易遭受对抗样本攻击, 给定位系统带来严重安全隐患。为此, 提出了一种抵御对抗样本攻击的基于深度学习的RSS指纹室内定位方法(AdvILoc)。该方法基于图像识别领域对抗样本防御方法的研究和分析, 结合室内RSS指纹数据特征单一且高维的特点, 通过在RSS指纹室内定位深度学习模型中添加池化层、全连接层, 以及满足差分隐私的噪声层来抵御对抗样本攻击, 解决了基于深度学习的室内定位模型易过拟合且泛化能力不高的问题。通过添加Dropout层, 以及设计模型参数正则化方法, 提高模型抵御对抗样本攻击的鲁棒性。在2个真实RSS指纹室内定位数据集上的实验结果表明:与已有基于多层感知机(MLP)、卷积神经网络(CNN)的RSS指纹室内定位方法相比, 所提方法在保证时间开销和基本不影响定位模型性能的情况下, 提高了模型抵御对抗样本攻击的鲁棒性;在满足l₂范式规范的C&W攻击下, 随着攻击大小不断增大, 模型的定位准确率下降也更平稳。      

基于IoU约束的孪生网络目标跟踪方法

基于孪生网络的跟踪方法通过离线训练跟踪模型,不需要对跟踪模型进行在线更新,兼顾了跟踪精度和速度。现有孪生网络目标跟踪方法使用固定阈值选择正负训练样本易造成训练样本漏选问题,且训练时分类分支和回归分支之间存在低相关性问题,不利于训练出高精度的跟踪模型。为此,提出了一种基于交并比(IoU)约束的孪生网络目标跟踪方法。通过使用动态阈值策略根据预定义锚框与目标真实框的相关统计特征,动态调整正负训练样本的界定阈值,提升跟踪精度。所提方法使用IoU质量评估分支代替分类分支,通过锚框与目标真实框之间的IoU反映目标位置,提升跟踪精度,降低模型的参数量。在数据集VOT2016、OTB-100、VOT2019、UAV123上进行了对比实验,所提方法均有较好的表现。在VOT2016数据集上,所提方法的跟踪精度比SiamRPN方法高0.017,期望平均重叠率为0.463,与SiamRPN++相比仅差0.001,实时运行速度可达220帧/s。