情感因素对语言学习的影响

情感因素对语言学习具有重大的影响。在学生智商水平相当的情况下,情感差异会导致学生学习成绩的高低之分。情感差异是由家庭、环境、情趣、学习方法等综合因素造成的。积极的情感会对学生的学习起到促进作用；反之,消极的情感则会阻碍学生的学习。教师在教学中应善于引导学生,促进学生积极情感的产生,减少消极情感的作用,以提高教学效果。     

一种卫星对地观测需求分析方法

针对卫星对地观测任务需求分析方法研究的复杂性和迫切需要,文章通过把文本化的卫星观测需求编码成数值向量的形式,提出需求之间的相似度度量方法。进而基于无监督学习的相关理论和算法,给出向量化表示的需求聚类算法。同时为了能在二维平面直观展示分析高维需求数据,在引入需求之间距离计算方法的基础上介绍了高维数据的降维算法,并且通过测试数据验证了算法的有效性和可行性。通过把繁杂的需求信息转换成高维空间向量,能大大降低分析人员对领域专业知识的依赖,提升需求分析的效率和科学性。     

基于学习自动机的雷达干扰资源分配研究

综合考虑干扰机干扰频率、干扰功率、干扰时机和干扰样式等干扰效果评估指标,构建干扰效益矩阵,建立目标函数,构建干扰资源分配博弈模型,并基于学习自动机原理提出了分布式干扰资源分配算法,求解出干扰分配决策。仿真结果表明,提出的分布式干扰资源分配算法能以很低的复杂度来获得很好的干扰性能,有效地解决了干扰资源分配问题,对实际作战指挥有一定的指导意义。     

TopPixelLoss:类别不均衡的遥感影像语义分割损失函数

针对遥感影像中类别不均衡的小目标分割效果不理想的问题,提出了一种类别不均衡小目标二分类分割的损失函数——TopPixelLoss损失函数。首先计算出每个像素的交叉熵,然后将所有像素的交叉熵按从大到小进行排序,随后确定一个K值作为阈值,筛选出前K个交叉熵最大的像素,最后对于筛选出的K个像素交叉熵取平均,做为损失值。在ISPRS 提供的 Vaihingen 数据集上,使用PSPNet网络与普通交叉熵、FocalLoss、TopPixelLoss三种损失函数分别对车辆进行二分类分割试验。结果表明,不同的K值,使用TopPixelLoss损失函数的平均交并比（MIoU）、F1-score、准确度（ACC）都最高;当K值为5×104时效果最佳,MIoU、F1-score、ACC分别比FocalLoss提高了3.0%、5.0%、0.1%。TopPixelLoss损失函数是一种针对类别不均衡分割非常有效的损失函数     

基于深度混合模型评分推荐

从用户-项目评分矩阵中学习用户对项目的个性化偏好,对于评分推荐来说至关重要。许多推荐方法如潜在因子模型,无法充分利用评分矩阵中的交互信息学到较好的个性化偏好而得到较差推荐效果。受深度学习中Wide and Deep模型应用于APP推荐启发,本文提出一种深度混合模型并命名为DeepHM用于评分推荐。与Wide and Deep模型相比,使用DeepWide和DNN部分重构Wide模型和Deep模型得到DeepHM,并且DeepWide和DNN部分共享交互信息输入。因此,DeepHM可以更有效地使用评分矩阵中的用户和项目的交互信息学到个性化偏好信息。DeepHM将评分推荐作为分类问题旨在提高推荐准确性。实验表明在公开的Movielens数据集上DeepHM算法相比现有的基于评分推荐模型具有更好的效果。     

抗离群值的鲁棒正则化贯序超限学习机

针对离群值环境下的在线学习问题,提出一种鲁棒正则化贯序超限学习机(Robust regularized online sequential extreme learning machine,RR-OSELM)。RR-OSELM以增量学习新样本的方式实现在线学习,并在学习过程中基于样本的先验误差进行逆向加权计算以降低学习模型对于离群值的敏感性;同时RR-OSELM通过融合使用Tikhonov正则化技术进一步增强了其在实际应用中的稳定性。实验结果表明,RR-OSELM具有较同类算法更好的鲁棒性和实用性,对于离群值环境下的在线建模与预测问题是积极有效的。     

影响二语词汇习得的负面因素及应对措施

词汇习得是二语习得中的一个重要环节,学习者词汇学习能力对第二语言学习效果有决定性的作用,而学习者学习能力的提高与学习者对词汇记忆效率有着不可分割的联系.通过分析国内外学者所做的有关二语词汇习得的研究,针对二语词汇习得的特点,在着力阐述影响二语词汇习得的负面因素的基础上,提出了如何克服负面因素的影响,提高第二语言词汇习得效率的方法和策略.     

基于MAS和RL的舰船设备协同控制方法

在构建舰船设备协同控制多智能体系统(MAS)过程中,各Agent之间存在某种内在的冲突、联系和规律,为了有效地发现和消解这些问题,引入智能控制解决方案和强化学习方法,能为MAS系统的构建提供有效的技术保障.本文提出了基于强化学习(RL)算法即改进的遗传算法并辅之以贝叶斯学习算法,来解决舰船MAS中各Agent中的任务分配问题、实现设备协同控制的优化和学习,并以舰船运动目标下的设备协同控制来具体验证上述算法,从而体现舰船运动控制MAS的可行性.