论外语学习焦虑对语言输出的影响

外语学习焦虑作为个体差异的一个组成部分，给外语学习效果带来不可忽视的影响。在二语习得过程中，外语学习焦虑不仅作用于语言输入，也作用于语言输出。就语言输出而言，外语学习焦虑主要作用于学习者的语言输出心理，具体表现在语言输出方式、语言输出数量和语言输出质量三个方面。因此，降低外语学习焦虑度有助于端正学习者的语言输出心理，丰富语言输出形式，提高语言输出数量，改善语言输出质量，以优化学习效果。     

航天科工集团全面部署2008年安全生产工作

2008年是安全生产隐患治理年,为此航天科工集团公司总经理许达哲在集团公司2008年安全生产工作电视电话会议上提出:"要加大安全检查和隐患整改力度."会议总结了集团公司2007年安全生产工作,布置了2008年安全生产工作.副总经理李跃在会上作了题为<强化管理,扎实工作,为集团公司快速、稳定发展保驾护航>的工作报告.会议由副总经理方向明主持.     

影响大学生英语学习倦怠的情感因素

关于英语学习倦怠的现有研究主要集中于"倦怠"的测量、表现、产生及应对策略上,而针对影响倦怠的因素特别是情感因素的分析较少。情感涉及学习者个体对语言的认知以及对语言教学环境的心理反应等诸多方面,是语言教学中不容忽视的因素。本文以英语语言学习规律为背景,分析学习信念、学习焦虑、社交恐惧和自我效能感等情感因素对英语学习倦怠的影响。     

基于三角测量和最优化技术的复合材料冲击定位两步法

为提高复合材料结构冲击定位的精度和实时性，提出了冲击定位两步法。首先运用三角测量技术计算出冲击位置所在的椭圆区域；然后在椭圆区域内，采用有限元法和模态叠加法计算出应变响应的理论模型，以理论估计应变与实际测量应变之间的误差建立优化模型，运用优化求逆技术精确识别出冲击位置。在复合材料层合板上的实验表明，该方法能快速、准确地判定出冲击位置。     

“任务驱动”下的计算机专业课程教学实践与探索

本文总结了“任务驱动”在教学中的应用，提出了“任务”设计要全方位立体化进行考虑；评价要全方位多样化。指出了“任务驱动”必须与多种教学法优化组合，才能发挥其最大教学效率。     

空管系统第二批学习实践科学发展观活动总结大会召开

8月18日，民航局空管局党委召开空管系统第二批学习实践科学发展观活动总结视频大会，空管局全体局领导均出席了会议。会议由民航局空管局局长苏兰根主持，党委书记周毅洲作重要讲话。今年‘3月12日以来，空管系统700多个基层党组织、1万余名党员按照中央、民航局党组和空管局党委的统一部署，紧紧围绕“夯实安全基础，推进一体化建设，实现空管系统又好又快发展”这个主题，密切联系空管安全运行和各单位的实际，集中参加了学习调研、分析检查、整改落实三个阶段六个主要环节的第二批学习实践科学发展观活动。空管系统各级党委对活动高度重视，加强领导，严密组织，及时指导，狠抓落实，     

基于自适应深度网络的无人机目标跟踪算法

针对无人机（UAV）视频中目标易受到遮挡、形变、复杂背景干扰等问题，提出一种基于自适应深度网络的无人机目标跟踪算法。首先，基于主成分分析（PCA）和卷积神经网络（CNN）算法，设计3阶的自适应深度网络进行目标特征提取，该网络对图像的H、S、I通道分别进行主成分分析学习，将得到的特征向量输入网络进行分层卷积，优化了网络结构，提高了网络的收敛速度和精度。其次，将目标深度特征输入核相关滤波算法进行目标跟踪，通过分析相邻2帧图像的变化率，采用分段自适应调整学习率的算法进行目标模板更新，有效地改善目标遮挡问题。仿真实验结果表明，该算法有效地避免了复杂因素干扰导致的跟踪精度下降，具有较好的鲁棒性，相较于全卷积跟踪（FCNT）算法平均跟踪精度提高了9.62%，平均跟踪成功率提高了11.9%。     

导引头量测故障下的增量式三维制导律设计

考虑导引头量测故障下拦截机动目标的末制导问题,以提高制导系统的鲁棒性、降低制导增益、减小系统残差、避免视线角速率剧烈振荡/发散为目的,基于增量式控制方法设计了一种具有鲁棒增强特性的三维末制导律。首先,将末制导问题转化为零化视线角速率的控制问题。其次,通过弹目相对距离及视线角速率定义辅助变量,给出传统的滑模制导律作为设计参考。然后,基于增量式非线性动态逆滑模控制方法,充分挖掘视线角加速度估计信息及上一采样时刻的制导指令,得到增量式三维鲁棒制导律。最后,在目标机动及导引头量测故障下,分析并比较了两种制导律所产生的系统残差。理论分析及多工况仿真结果表明,增量式制导律不仅对目标机动及大范围失效的导引头量测故障具有强鲁棒性,而且所需制导增益也较小,同时避免了末端视线角速率严重发散的问题     

一种星-箭连接动态界面力的深度学习反演方法

针对于星-箭连接动态界面力无法通过力传感器直接测量,且典型时域动载反演方法难以准确计算界面力的时域变化等难点,提出了基于长短时记忆(LSTM)神经网络的星-箭界面力深度学习反演方法。首先通过卫星地面测试试验得到数据依据,以卫星主体结构的加速度测量数据为输入层,以星-箭界面力测量数据为输出层,利用LSTM神经网络建立输入和输出间的反演映射关系模型,实现卫星在发射过程中较高精度的界面力反演。进而,设计并开展了某典型卫星结构的正弦扫频和随机振动实验,测试LSTM界面力反演方法的可行性。结果分析可知,所提出的基于LSTM深度学习反演方法能够精确地获得动态界面力时程数据,两项性能指标均优于目前典型的载荷反演方法。