改进的 YOLOv4在飞机蒙皮损伤检测中的应用

针对飞机蒙皮检测中存在的小目标检测欠佳、漏检等问题,提出了 1种基于增强特征融合和 ATSS的 YO. LOv4飞机蒙皮图像目标检测算法。首先,增加用于目标预测的大尺度浅层特征层,以提高模型对小目标的检测效果;其次,增加特征融合网络层数,通过浅层与深层特征层的深度融合,丰富多尺度特征图中的特征信息;然后,通过 K-means++聚类算法对数据集的真实框聚类,获得更具代表性的先验框尺寸,以提高预测框对目标的定位准确度;最后,引入 ATSS对 YOLOv4的样本选择策略进行优化,通过自适应获取最优的 IoU阈值,实现正负样本自动划分,提升模型的检测性能。实验表明,在增加少量计算成本的情况下,算法的检测性能得到有效提升,mAP提升 7.7%,检 测的准确率达到 80%以上。     

基于单视图的非合作航天器三维体素重构算法CSCD

空间对抗态势下,针对非合作航天器的快速高精度智能感知、意图识别与威胁评估等在轨相对导航任务,均依赖精准的目标三维模型先验信息。但星载传感器感知视场有限,传统基于多帧图像的模型重构算法存在流程复杂、实时性差及恢复精度低等问题。为此,提出了一种基于单视图的航天器三维体素重构算法,能够基于单帧图像高效地恢复目标的空间三维信息。首先,针对空间航天器视觉感知任务研究中普遍存在的数据饥饿问题,通过整理航天器三维模型,利用图像渲染技术构建了小规模本地数据集,包括航天器三维模型、对应体素和多视角采样图像三部分。接着,设计了基于单视图的三维重建模型,使用单帧非合作航天器图像作为输入,通过2D-3D混合卷积完成“编码-解码-调优”三个子模块计算,实现对目标三维体素结构的恢复。最后,在本地数据集上进行网络模型的训练和评估,验证了当前模型能够实时精确重建目标航天器三维体素模型,并在现有数据上取得了0.895的MIoU值;同时,网络对不同航天器的重建效果体现了模型具有强大的泛化能力。     

多媒体教学与高职生自主学习能力培养模式

根据新生自主学习能力问卷调查结果,以建构主义为理论依据,探索在多媒体技术手段下培养和切实提高高职学生英语自主学习能力的模式。     

多媒体环境下任务型教学的有效性

本文描述了任务型教学法在大学英语多媒体课堂教学的应用。任务型教学在转变学习者的学习理念、增强内在学习动机和提升学习自主性方面优于传统教学法。研究表明它是实施以学生为主体的教育理念的重要途径，也是目前实施素质教育的基石。     

论大学英语合作学习中的文化渗透

合作学习是一种创新的教学理念,实践证明它能够很好地促进学习者的英语学习。语言和文化密不能分,英语学习不能忽视文化内涵。探讨了大学英语合作学习中的文化渗透,指出大学英语合作学习中的文化渗透可以使学习者更好地掌握和运用英语,提高学习者整体的跨文化意识;另外,合作学习中的文化渗透可以有效提高学习者的元认知策略意识,因而能够更好地促进学习者的英语自主学习。     

中国学生习得英语关系从句的实证研究

以中国学生为研究对象,对英语关系从句进行了习得研究。运用两种测试,即句子连接和合乎语法性判断来检测受试者对关系从句的掌握情况。结果显示修饰宾语关系从句的掌握要易于修饰主语的关系从句。该结论与Kuno提出的知觉困难假设完全相符。对中国英语教学具有一定的指导意义。     

基于改进DQN的复合模式在轨服务资源分配

针对开展在轨服务前的资源分配非线性多目标优化问题，构建复合服务模式下的在轨资源分配模型，基于对DQN （Deep Q-Network）方法的收敛性和稳定性改进，提出了一种在轨服务资源分配方法。该方法能够应对同时包含"一对多""多对一"的复合服务模式，并在满足预期成功率的前提下优先分配重要服务对象，兼顾资源分配综合效益和总体能耗效率，达到了以期望成功率、较少资源投入尽快完成任务的综合目标。仿真实验表明，改进DQN方法能够在任务执行前依据服务对象重要程度自主分配航天器资源，收敛速度快、训练误差低，在分配效益和总体能耗的优化方面具有明显的比较优势。     

高职生英语学习动机调查分析

调查广州民航职业技术学院学生的英语学习动机，结果表明：（1）高职生对英语学习的重要性有较充分的认识，但对提高跨国文化交流能力的必要性和重要性认识不足；（2）学习动机与学习成绩、学习动机三阶段间的相关分析以及成功学习者与非成功学习者在学习动机的差异性T检验结果都表明对学习成绩影响起决定作用的是持续阶段因素。     

基于再励模糊神经网络的三轴稳定卫星姿态智能控制

将再励学习引入模糊神经网络的T-S模型,建立了模糊神经网络控制器和控制评估网络的再励学习算法,并应用于三轴稳定卫星的姿态控制。这种再励模糊神经网络不需要精确的卫星数学模型和学习样本,通过再励学习实现控制网络/评估网络参数的在线调节,具有比较强的适应性和学习能力。仿真结果表明,这种智能控制方法可以有效解决卫星的模型不确定性问题,提高了卫星姿态控制的精度和鲁棒性。     

基于迭代学习控制的转台位置相关扰动抑制

针对高精度转台恒速工作状态时存在的位置相关周期非线性扰动,提出了一种闭环迭代学习算法。当系统存在初态偏差时,该算法能够保证给定频率范围内的跟踪误差是一致有界的。并对跟踪精度进行了分析。仿真结果表明该方法对位置相关周期非线性扰动具有很好的抑制性能。