桂林旅游电子商务发展模式与创新策略探析

旅游电子商务是旅游业未来发展的重要方向之一,在建设国家旅游综合改革试验区的背景下,桂林应充分利用电子商务来转变旅游业发展模式.文章分析了桂林旅游电子商务的业务模式与运作模式,并从企业商务模式创新、发展模式选择、规模化经营和移动电子商务四个角度提出了桂林旅游电子商务模式的创新策略.     

高职学院信息类专业产学研合作人才培养模式及机制探析

随着我国信息化进程的加速,我国信息技术产业迅速发展,信息技术产业对人才的需求也日益扩大。培养信息技术产业需要的、具有较高职业技能的合格人才,成为摆在高职学院信息类专业面前的一个重大课题。本文就高职学院信息类专业如何构建产学研合作人才培养模式及其机制问题谈一点粗浅的看法。     

英语课堂提问模式研究

课堂提问是英语课堂教学中师生交流的主要途径之一,提问方式对课堂互动起着重要作用。利用建构主义和交际论的理论框架,探讨如何通过课堂提问,达到在课堂互动中提高学生交际能力的目的。     

高职工学结合课程学习质量评价现状及体系构建研究

工学结合课程是我国职业院校主要的课程模式,但其课程评价仍存在诸多问题,需要合身、科学和更加有效的学习质量评价方案.工学结合课程学习质量评价,应建立具有工学结合课程特色的以就业竞争力和职业生涯发展为导向、专通结合、柔性的多层级学习质量评价指标体系,准确设定评价目标,改革评价内容,重视技能与绩效,注重团结合作能力,突出多元和健全的评价主体,推动过程评价落地,加强评价结果应用,以更好地促进人才培养质量的提升.     

平滑重构稀疏贝叶斯学习测向算法

针对二级嵌套阵列中的紧凑阵元结构易受互耦效应影响的问题,提出了两种不同的嵌套阵列结构改进方法：连续平移嵌套阵列和间隔平移嵌套阵列。通过对原有二级嵌套阵列阵元位置进行调整,形成了两种不同的平移嵌套阵列结构,这两种结构对应的差分共阵均"无孔",并且测向自由度和阵列稀疏度均大于原二级嵌套阵列。针对嵌套阵列的差分共阵测向模型为单测量矢量模型,稀疏贝叶斯学习测向算法复杂度高的问题,提出了平滑重构稀疏贝叶斯学习算法。该算法通过空间平滑重构将单测量矢量模型变为多测量矢量模型,降低了观测矩阵的维度,减小了计算复杂度。算法求解时,通过对变换后的观测矩阵进行奇异值分解,进一步降低了观测矩阵维度,利用稀疏贝叶斯学习算法估计辐射源角度。仿真表明,在信噪比和采样数相同的条件下,该算法收敛速度比单测量矢量稀疏贝叶斯学习（SMV-SBL）算法快,且测向精度高于SMV-SBL算法和空间平滑多重信号分类（MUSIC）算法;存在互耦影响时,两种平移嵌套阵列比原嵌套阵列受互耦影响小。     

创建宽基础、全素质、具备鲜明特色的电子信息工程专业培养模式

对电子信息工程本科专业设置的必要性和可行性进行了论证，提出了一套符合实际、定位准确的教学计划，阐述了特色办学的基本思想和专业课程体系的设置方案。     

基于学习的中段反导拦截时间和拦截点预测方法

弹道导弹实时、准确地预测拦截弹的拦截点与拦截时间,是实现中段突防的有效手段。针对弹道导弹中段突防中的拦截点坐标及拦截时间的预测问题,提出了一种基于监督学习的在线预测方法。以拦截弹的主动段关机参数和关机时刻为输入量,建立拦截时间和拦截点预测模型。在多层感知机神经网络的基础上构建有监督学习算法,通过攻防仿真获取拦截弹的参数制作训练数据集,在线下完成网络训练。仿真结果表明:神经网络能够有效在线预测拦截时间和拦截点坐标,预测结果的相对误差分别为0.124 3%和0.128 5%,拦截时间预测结果误差的平均值为0.224 0 s,拦截点预测结果距离误差平均值为2 016.48 m,均满足精度要求。      

基于深度强化学习的机器人推拨优化装箱问题研究

三维装箱问题是指在满足容积限制、稳定性限制等条件下,将一定数量的物体放入较大容量的箱子中并使空间利用率最大的组合优化问题.三维装箱问题是典型的NP完全问题,通常采用启发式算法规划物体放置的位姿.在使用机器人完成装箱任务时,还要额外考虑机器人操作限制,如机械臂或末端执行器与物体或箱子之间的碰撞、机械臂运动轨迹的规划等,使得部分最优位姿不可行,只能将物体从更高处落下或者将物体放在最优位姿的附近.机器人在抓取、识别和放置时的不确定性也会导致最终放置位置与规划产生偏差.因此,本文提出基于深度强化学习的机器人三维装箱推拨优化方法,以最小化包装箱中物体放置位置的启发式算法分数为目标,通过推拨动作对于已放置的物体位置进行调整、归集,将物体朝角落中压缩,以腾出更多空间,提高装箱空间利用率,减小由于机器人操作不确定性对装箱结果的影响.     

一种复杂场景下的人眼检测算法

针对复杂场景下的人眼检测问题,间接方法和直接方法具有一定的局限性。提出了一种不依赖人脸检测的直接型人眼检测算法,以解决复杂场景下多尺度尤其是小尺度人眼检测问题。算法通过减少下采样因子并加入扩张残差单元以提升小尺度人眼检测能力,且对多尺度特征相互拼接以保证多尺度人眼检测的精度。同时,算法借助于压缩特征输出通道降低了模型复杂度,使人眼检测效率得以提升。实验结果表明:所提模型可以在小尺度下有效地进行左右眼区分,并在红外数据上表现良好。经在DIF数据集上进行训练与测试,所提模型在较小尺度下人眼检测精度达到82.59%,检测效率达到30.5 fps。      

基于无监督学习的多模态可变形配准

针对医学图像配准问题,传统方法提出通过解决优化问题进行配准,但计算成本高、运行时间长。深度学习方法提出使用网络学习配准参数,从而进行配准并在单模态图像上取得高效性能。但在多模态图像配准时,不同模态图像的强度分布未知且复杂,大多已有方法严重依赖标签数据,现有方法不能完全解决此问题。提出一种基于无监督学习的深度多模态可变形图像配准框架。该框架由基于损失映射量的特征学习和基于最大后验概率的变形场学习组成,借助空间转换函数和可微分的互信息损失函数实现无监督训练。在MRI T1、MRI T2以及CT的3D多模态图像配准任务上,将所提方法与现有先进的多模态配准方法进行比较。此外,还在最新的COVID-19的CT数据上展示了所提方法的配准性能。大量结果表明:所提方法与其他方法相比,在配准精度上具有竞争优势,并且大大减少了计算时间。