艾米拉古丽 用歌声赞美新疆

艾米拉古丽·阿不都卡德尔,一听名字便知是新疆的少数民族。见到她,身材高挑挺拔,五官深邃,笑容温暖迷人。当她唱起歌时,她强大的气场深深吸引着你的眼睛和耳朵,随着她婉转的歌声在音乐中飘荡。这样的艾米拉古丽,爱全力支持她深造的家人,爱她有所亏欠的两个儿子,爱她音乐路上最重要的恩师,但她最大的爱,是在歌声中赞美故乡,赞美新疆。     

英语习得与人为目的语环境的创造

"语言习得"与"语言学习"是外语教学理论研究中的两个重要概念,克拉申认为只有"习得"来的语言才能成为流利的口头表达,而"学习"只能起"监查"作用.在"学习"的条件下,通过营造人为目的语习得环境,以用为本,立足实践,学习者同样可以达到习得外语的目标.     

基于RBF神经网络的航空发动机故障诊断模型

利用某型发动机地面定检状态实测数据作为学习样本，采用径向基函数(RBF)神经网络建立发动机的故障诊断模型。通过该模型对起飞状态实测的发动机参数进行了辨识，结果表明：这种方法具有训练时间短、学习速度快、诊断精度高等优点。     

应用幂变换法构造低周疲劳寿命预测的幂指函数模型

以GH4049合金低周疲劳数据分析为例,以数据残差检验为基础,说明应用Manson-Coffin方程时普遍存在的问题.从塑性应变幅与疲劳失效反向数在双对数坐标系下的二次曲线特征及残差稳定化角度考虑,基于幂变换方法构造了低周疲劳寿命预测的幂指函数模型,来改善残差图性态及模型预测精度.给出了13种材料的幂变换指数p值及模型寿命预测能力对比结果.分析表明:幂指函数模型对低周疲劳寿命预测结果分散带均在2倍因子以内,具有良好的精度.Manson-Coffin方程实际是幂指函数模型在双对数坐标系下的一阶线性近似,这是幂指函数模型寿命预测精度较高的原因.     

基于Bang-Bang控制思想的迭代学习控制算法研究

根据迭代学习控制基本原理,吸取了Bang-Bang控制的思想,提出了新的迭代学习控制算法。与常用的利用迭代误差或误差变化率进行控制率计算的算法相比,该算法只需根据迭代误差的符号即可计算控制率,不仅大大减小了计算工作量,而且增强了系统的抗干扰能力。给出了算法表达式和控制结构图,进行算法收敛性分析。仿真结果表明该算法的有效性和收敛性。     

在学习中实践航空运输市场监管

民航体制改革后,笔者从过去的民航山东省局党委宣传部调到了民航山东监管办市场处任处长,成为一名国家公务员。做为一名从事宣传工作多年、且熟悉宣传工作的宣传干部,面对全新的航空运输市场监管工作,感觉一切都是陌生的,既要学习航空运输知识,又要学习市场监管方面的法律法规,     

基于迭代学习控制的导弹PID控制器参数寻优

针对设计导弹PID控制器时存在的对比例、微分、积分3个控制参数大量盲目试凑的问题,利用迭代学习算法对控制参数进行自动寻优,最终得到最佳控制参数,从而实现了对PID控制器参数自动寻优的目的,简化了控制器的设计过程。通过仿真结果验证该方法在PID控制器参数自动寻优上是有效的,同时也为导弹控制器参数整定提供了工程适用的方法。     

基于深度学习的混合翼型前缘压力分布预测

提出了一种基于深度学习的混合翼型前缘压力分布预测方法,通过对翼型几何特征提取、压力分布曲线的参数化,建立了卷积神经网络模型（CNN）,并利用计算流体力学（CFD）的计算结果作为其训练样本,实现对混合翼型前缘压力分布的预测。结果表明:两种方法计算结果的拟合优度大于0.98,基于深度学习的计算方法耗时1.7 s,CFD方法耗时大于50 s,计算时间大大缩短。该方法能够在满足计算精度的条件下提高计算效率并可应用于其他的翼型设计过程。      

基于改进SSD的舰船目标精细化检测方法

以SSD为代表的主流深度学习方法在目标检测领域取得了显著的成绩,但由于该类方法只能以矩形框给出目标的概略位置,检测结果具有很大的背景冗余区域,特别是港口密集停泊的舰船在图像中会出现区域重叠,导致误检和漏检。针对以上问题,提出了一种具有旋转不变性的舰船目标精细化检测方法,该方法综合利用可变形卷积、可变形池化、旋转的边框回归和旋转的非极大值抑制等模块的优点,借鉴MobileNet架构对网络加速,通过学习密集区域目标的几何形变,有效预测目标的旋转角度,最终以旋转的矩形框给出目标的位置。实验结果表明,该算法可实现多类舰船目标类型区分和目标朝向判定的功能,有效地解决了实际应用中的目标精确定位定向难题,提高了自动目标识别的精确性,并满足工程应用的实时性要求。     

基于SE模块改进Xception的动物种类识别

Xception是Inception网络的一种极端化表现,在与Inception v3参数相近的情况下,它能够达到更高的准确度。由于神经网络提取的特征不一定都是有用特征,因此以Xception为基础,将SE(Squeeze and Excitation）模块加入该网络,调整特征通道的权重,使得网络的精确度得到提高。通过实验,融合SE模块的Xception网络训练精确度分别在Oxford-IIIT Pet数据集和CUB_200_2011数据集上提升了1%~1.7%和0.8%~1%,证明了SE模块能够进一步提升Xception的精确度。将改进后的Xception应用到动物种类识别中,根据精确度曲线对实验策略调整改进,最终在测试集上获得95.63%的识别率。