高职机电一体化专业课程现状及改革思考

对高职机电一体化专业的人才现状进行阐述,对该专业课程中存在的问题进行分析,指出当前高职机电一体化专业课程改革的关键,并介绍德国学习领域课程方案及思想,提出高职机电一体化专业课程改革的思路。     

飞行学生英语学习意志的调查分析

编制《大学生英语学习意志调查问卷》,对350名飞行学生进行调查。研究发现,飞行学生英语学习意志处于中等偏上水平,还未达到良好水平,其内在的3个维度即学习坚韧性与学习自觉性、学习自制性发展不平衡。在英语学习意志水平上,始学年龄早的飞行学生高于晚学的飞行学生,考级已过的飞行学生高于考级未过的飞行学生。在飞行学生的英语教学中,应针对其英语学习意志现状,采取相应措施积极锤炼飞行学生的英语学习意志,以促进飞行学生英语学业成绩的提高。     

激光推进辐射击穿温度特性的数值研究

在9种等离子体击穿温度下,数值模拟了二次反射式聚焦系统聚焦情况下激光推力器内流场的演化过程,得到了不同击穿温度对应的能量沉积率、推力峰值、冲量和冲量耦合系数,能量沉积率和推进性能参数在某个等离子体击穿温度值处发生突变。根据空气对激光的逆韧致吸收系数公式,计算了CO2激光辐照下不同等离子体击穿温度对应的空气辐射自由程,发现当等离子体击穿温度为14000K时,辐射自由程为1.4mm,与计算网格的典型尺寸相当,此时入射激光能量在一个网格内以一定效率被吸收,由此确定了基于逆韧致吸收的激光等离子体的击穿温度。     

7B04铝合金蠕变过程中析出相的影响因素

进行了7B04-T7451铝合金在不同蠕变温度、不同应力水平下的多组蠕变实验,根据蠕变率的变化,得到了合理的蠕变温度为150℃;在此温度下进行了不同应力水平和时效时间下的多组蠕变实验,分析了加工条件对微观组织和力学性能的影响.结果表明,高的应力水平能加速合金强化相的析出和转变,同时增大位错的流动能力,因此,随着蠕变时间的增加,材料的屈服强度呈先上升后加速下降的趋势.     

微型短文词汇自主学习的实验研究

为期18周的以微型短文为材料的大学英语词汇自主学习的实验性研究,通过定量与定性相结合的研究方法,对桂林理工大学非英语专业一年级37位新生使用<大学英语四级词汇微型短文记忆法>进行实验研究,以期揭示学生可以使用该书通过自主学习,从而掌握并运用英语词汇.     

密集型阵列冲击射流换热特性实验

设计了多种不同几何参数的阵列射流冲击孔实验件,利用红外热像仪对其冲击冷却进行了热像显示实验,获得了冲击射流雷诺数和几何参数对局部对流换热特性的影响规律.结果表明:①对流换热系数随着射流雷诺数R_ej的增加而逐渐增大;②随着孔间距的或者冲击间距的增大,冲击冷却的对流换热效果逐渐减弱;③当孔间距与孔径之比在3～5时,顺排阵列射流的强化换热效果优于叉排,而当孔间距与孔径之比为2时,在阵列射流上游叉排排布的强化换热效果优于顺排,而在下游则顺排排布的强化换热效果占优.      

二值卷积神经网络综述

二值卷积神经网络（BNN）占用存储空间小、计算效率高,然而由于网络前向的二值量化与反向梯度的不匹配问题,使其与同结构的全精度深度卷积神经网络（CNN）之间存在较大的性能差距,影响了其在资源受限平台上的部署。至今,研究者已提出了一系列网络设计与训练方法来降低卷积神经网络在二值化过程中的性能损失,以推动二值卷积神经网络在嵌入式便携设备发展中的应用。因此,本文对二值卷积神经网络进行综述,主要从提高网络表达能力与充分挖掘网络训练潜力两大方面,给出了当前二值卷积神经网络的发展脉络与研究现状。具体而言,提高网络表达能力分为二值化量化方法设计、结构设计两方面,充分挖掘网络训练潜力分为损失函数设计与训练策略两方面。最后,对二值卷积神经网络在不同任务与硬件平台的实验情况进行了总结和技术分析,并展望了未来研究中可能面临的挑战。     

基于稀疏贝叶斯学习的字典失配杂波空时谱估计方法

杂波谱稀疏恢复空时自适应处理（STAP）是一种有效减少杂波样本数需求的机载雷达杂波抑制方法。然而,空时平面被离散地划分为若干个网格点来构建空时导向矢量字典,当字典在失配时,杂波脊不能准确落在预先离散化的网格点上,稀疏恢复STAP性能严重下降。提出了一种基于稀疏贝叶斯学习的字典失配杂波空时谱估计方法,首先利用二维泰勒级数建立空时动态字典模型,然后将字典失配误差作为待估超参数构建贝叶斯稀疏恢复模型,并利用失配误差估计值对空时导向矢量字典进行修正,最后利用修正后的空时导向矢量字典重构杂波协方差矩阵,进而计算杂波空时谱。实验证明,该方法能够有效提高字典失配情况下的杂波谱稀疏恢复精度,杂波抑制性能优于已有字典预先离散化的稀疏贝叶斯学习STAP方法。     

流体力学深度学习建模技术研究进展

深度学习技术在图像处理、语言翻译、疾病诊断、游戏竞赛等领域已带来了颠覆性的变化。流体力学问题由于维度高、非线性强、数据量大等特点,恰恰是深度学习擅长并可以带来研究范式创新的重要领域。目前,深度学习技术已在流体力学领域得到了初步应用,其应用潜力逐渐得到证实。以流体力学深度学习技术为背景,结合课题组近期研究结果,探讨了流体力学深度学习建模技术及其最新进展。首先,对深度学习技术所涉及的基本理论做了介绍,阐释流场建模中常用深度学习方法背后的数学原理。其次,分别对流体力学控制方程、流场重构、特征量建模和应用等几个典型的人工智能与流体力学交叉问题应用场景所涉及的深度学习技术研究进展进行了介绍。最后,探讨了流体力学深度学习建模技术所面临的挑战与未来发展趋势。     

基于卷积神经网络的深度学习流场特征识别及应用进展

深度学习架构的出色性能使得机器学习在流体力学中的应用得到新的发展,可以应对流体力学中诸多问题和需求。卷积神经网络（CNN）强大的非线性映射能力以及分层提取信息特征的功能,使其成为当下流场特征研究不容忽视的工具。围绕这一研究前沿与热点问题,概述和归纳了这一研究领域的进展与成果。首先,对深度学习在流体力学中的发展以及卷积神经网络进行了简单的回顾。然后,从卷积神经网络能够识别特征出发,先后介绍了基于卷积的深度学习特征识别在流场预测、流动外形优化、流场可视化精度提升和生成对抗等应用方面的研究进展。最后,对深度学习在流场识别领域的应用进行了展望,为后续的研究提供参考。