高职院校工学结合实现途径研究

工学结合、校企合作是高职院校培养高端技能型人才的根本途径,但高职院校工学结合普遍存在着口号喊得多、实质内容少、短期合作多、长效机制少、学校热情多、企业关注少、校企浅层次合作多、深层次合作少等问题。通过思考促进校企深度融合、工学有效结合的方式,提出了"三位一体,项目育人"的高端技能型人才培养模式。     

主体性教育视野下的商贸类高职院校思想政治教育研究

主体性教育代表着一种全新的教育哲学和教育理念,为"工学结合"人才模式下商贸类高职院校思想政治教育提供新的价值取向和理论基础,构成了"工学结合"人才培养模式下商贸类高职院校思想政治教育的行动逻辑。     

关于大学引进版英语教材的适用性分析

对航空机务工程类专业两个年级进行公共英语教学的纵向问卷调查,对其所使用的两套引进版教材的结构内容等进行分析,基于此,结合学伴用随原则和中国学生的英语学习策略,对这两套教材的适用性进行对比评价,为大学公共英语教材的引进或编写提供经验借鉴。     

图模型与学习算法结合的贝叶斯网络自动建模

针对纯数据驱动的贝叶斯网络结构学习算法的准确度和效率较低的问题,提出了一种融合多信号流图模型与K2学习算法的贝叶斯网络自动建模方法。该方法利用多信号流图模型能够描述信号之间传递与依赖关系的能力,结合K2学习算法在结构学习中的优势,实现了专家知识与数据驱动方法有效融合的贝叶斯网络结构自动学习算法。通过与常用网络结构学习算法的对比实验证明,该融合算法显著降低了结构学习对学习范围和训练数据规模的要求,具有更高的学习准确度和运算效率。采用真实系统实例阐述了该融合算法的应用过程,验证了算法的实用性。      

多节点探测器软着陆的路径规划方法

面向小行星探测任务的需要,柔性连接的多节点深空探测器是针对单节点探测器着陆易倾覆或反弹等问题的一种解决方案.基于此构建了一种采用柔性连接的三节点探测器并对其软着陆情况进行建模,提出了带自注意力机制的多任务深度强化学习方法.各节点以探测器主体为参照物描述自身状态,节点之间通过联合学习来提高各自对复杂环境的适应能力;在对探...     

基于MADDPG的多无人机协同任务决策

针对多无人机任务决策方法研究中传统优化算法难以在短时间内得到期望结果的问题,基于深度强化学习提出一种无人机多智能体深度确定性策略梯度(MADDPG)算法,通过允许无人机在学习时使用全局信息,在应用决策的时候只使用局部信息的方法,从网络结构、状态空间、动作空间和奖励函数设计了MADDPG算法的模型结构。最后通过仿真实验,并对比深度确定性策略梯度(DDPG)算法,验证了本文提出的MADDPG算法在保证精度的基础上,学习速度大幅度提高,弥补了传统强化学习算法在多智能体领域的不足。     

基于深度学习的航天器组合体惯性参数在轨智能辨识

针对在轨服务过程形成新组合体的动力学参数未知的问题,借助深度学习在多参数寻优上的优势,提出了一种基于卷积神经网络的智能参数辨识算法,实现在外力作用下,线动量和角动量不守恒条件下的航天器组合体多参数辨识。利用卷积神经网络权值共享的特点,设计4层卷积神经网络,通过短时间内对大量特定存储形式的状态数据的训练,实现航天器组合体多参数快速高精度辨识。利用数学仿真试验对算法的可行性进行验证,结果表明：在24s内,质量与质心位置收敛;1190s内,惯量参数收敛,辨识精度在3%以内。说明所提方法在外界随机干扰力和力矩影响下能准确快速辨识出航天器组合体质量、质心位置和惯量矩阵。     

基于目标性权值度量的多示例学习目标跟踪

针对多示例学习(MIL)跟踪算法在包概率计算过程中对示例样本不加以区分导致分类器性能下降,及采用最大化似然函数选择相应的弱分类构造强分类增加了算法复杂度的问题,提出了一种基于目标性权值学习的多示例目标跟踪算法,该算法利用目标性测量每个示例样本对包概率的重要性,根据其目标性测量结果对每个正示例样本赋予相应的权值,从而判别性地计算包概率,提高跟踪精度。同时在弱分类器选择过程中,采用最大化弱分类器与似然函数概率内积的方法从弱分类器池中选择弱分器构造强分类器,减少算法的计算复杂度。通过对不同复杂场景下视频序列的跟踪,实验结果表明,本文所提出的目标性权值学习的多示例目标跟踪算法优于其对比算法,表现出较好的跟踪精度和鲁棒性能。     

基于稀疏核增量超限学习机的机载设备在线状态预测

为实现对机载设备工作状态的在线状态预测,提出了一种稀疏核增量超限学习机(ELM)算法。针对核在线学习中核矩阵膨胀问题,基于瞬时信息测量提出了一个融合构造与修剪策略的两步稀疏化方法。通过在构造阶段最小化字典冗余,在修剪阶段最大化字典元素的瞬时条件自信息量,选择一个具有固定记忆规模的稀疏字典。针对基于核的增量超限学习机核权重更新问题,提出改进的减样学习算法,其可以实现字典中任一个核函数删除后剩余核函数Gram矩阵的逆矩阵的前向递推更新。通过对某型飞机发动机的状态预测,在预测数据长度等于20的条件下,本文提出的算法将预测的整体平均误差率下降到2.18%,相比于3种流形的核超限学习机在线算法,预测精度分别提升了0.72%、0.14%和0.13%。     

基于深度长短期记忆网络的发动机叶片剩余寿命预测

为了研究航空发动机转子叶片的剩余寿命预测问题,提出了一种基于多传感器信号融合的深度长短期记忆网络(DLSTM)预测模型。首先利用深度学习和长短期记忆的组合来构造DLSTM网络。然后,将多个传感器信号数据进行融合处理,从而通过深度学习发现各个传感器时序信号之间隐藏的长期依赖关系。进一步在给定网格搜索策略的情况下,通过自适应矩估计算法调整DLSTM的网络结构和参数,并且在DLSTM模型中引入了一种随机丢失策略,以缓解过度拟合问题并使预测模型规范化。最后利用CMAPSS涡扇发动机进行了实验验证,在一种故障模式和两种故障模式条件下,DLSTM网络预测模型相对于其他传统方法的评价指标Score分别下降了17.19%和14.37%,其他两个评价指标相对来说也较优,结果表明本文提出的方法具有更高的准确性以及稳定性。