无人平台复杂地形探测的视触融合方法

为提高无人平台在复杂环境中的地形探测能力以及解决在小样本数据下识别地形困难的问题,提出了一种无人平台复杂地形探测的视触融合方法。在原始宽度学习的基础上,建立了多模态级联特征节点宽度学习框架。首先进行触觉和视觉初步特征提取和融合特征提取,随后将融合特征矩阵经宽度学习分类器得到地形识别的结果。最后,在自建的视觉-触觉地形 (V-T2)数据集进行了实验验证。结果表明,相比于传统的融合算法,提出的融合算法有很好的准确性和鲁棒性,为无人平台地形探测提供了有效的策略。     

基于空间注意力机制的行人再识别方法

行人再识别是图像检索领域的一个重要部分,但是由于行人姿态各异、背景复杂等因素,导致提取到的行人特征鲁棒性和代表性不强,进而影响行人再识别的精度。在AlignedReID++算法基础上,提出了基于空间注意力机制的行人特征提取方法,应用在行人再识别中取得了很好的效果。首先,在特征提取部分,引入空间注意力机制来增强特征表达,同时抑制可能的噪声;其次,通过在卷积层中引入实例正则化层（IN）来辅助批正则化层（BN）对特征进行归一化处理,解决单一BN层对特征色调变化以及光照变化的不敏感性,提高特征提取对亮度、色调变化的鲁棒性;最后,在Market1501、DukeMTMC和CUHK03 3个行人再识别通用数据集上对所提改进模型进行测试评价。实验结果显示:改进后的模型在3个数据集上识别精度分别提升了2%、2.9%和5.1%,表明改进后的模型相较于改进前的模型,在精度以及鲁棒性上都有显著提高。      

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。     

全样本场合几何分布产品步进应力加速寿命试验TFR模型下的统计分析

本文首次将步加试验中的损伤失效率模型应用于离散型寿命分布场合,给出了TFR模型几何分布产品全样本场合多步步加试验下参数的极大似然估计。并通过一例子来说明方法的可行性。     

大学英语网络教学平台之建构

《大学英语课程教学要求》颁布以来,我国一些高校积极探索采用以建构主义学习理论为基础的大学英语网络教学模式,以适应学生朝个性化自主学习方向发展的需求并解决我国大学英语教学中的普遍问题。本文介绍了基于局域网和基于校园网的大学英语教学,探讨了网络英语教学中师生角色的定位。     

机械设计基础课虚拟实验的设计与开发

阐述了机械设计基础课程虚拟实验的主要功能和特点.提出了建立基于网络的虚拟实验体系内容.采用Solidworks、3Dmax、Flash开发的机构运动简图演示、机构运动测绘和减速器拆装等虚拟实验,大大提高了实验效率,解决了设备、教具不足的矛盾.打破了教师传统的示范演示,实现了教生互动,激发了学生学习的主动性,促进了教学效率和质量的提高.     

航空发动机限寿件疲劳可靠度计算新方法

针对目前的航空发动机限寿件（ELLP）疲劳可靠性分析中的小失效概率事件以及其极限状态函数具有较强非线性的特点,提出了一种具有自更新机制的半径外自适应重要抽样（AUMCROAIS）疲劳可靠性分析方法。该方法首先利用蒙特卡罗自适应重要抽样（MCAIS）快速逼近真实设计验算点（MPP）附近,随后以近似设计验算点为中心进行极坐标抽样,并依次构造主动学习函数,对近极限状态函数和抽样半径进行最优选取,从而实现最优抽样半径的更新,通过不断的更新确定出最优抽样半径,加速失效概率计算的收敛。本方法提高了设计验算点的收敛速度同时保证了计算精度,解决了小失效概率事件以及强非线性极限状态函数可靠度计算难题,最后以某型发动机压气机轮盘为对象应用本方法,并与传统的蒙特卡罗仿真（MCS）方法、蒙特卡罗半径外自适应重要抽样法（MCROAIS）和一阶可靠性方法（FORM）进行了对比,验证了本方法的高效率、鲁棒性和仿真精度。     

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。