美食配美酒的浪漫体验

<正>Haiku by Hatsune,隐泉之语,与这家餐厅的情缘,归功于前不久的2014上海葡萄酒周活动。就在201 4上海餐厅周刚落幕不久,新一轮的葡萄酒周活动又开始了。和餐厅周活动的主旨有些相似,根据主办方介绍,葡萄酒周活动,也是旨在拉近平日或许遥不可级的顶级餐厅酒吧与美食爱好者之间的距离,让更多消费者可以高性价比的价格,品尝到这些餐厅提供的美食美酒,也希望能够为所有的美食美酒爱好者提供更     

孔子儒家的学习精神

孔子儒家主张学习与做人是一致的。"学而时习之"是孔子儒家学习精神的总纲,可以用自强不息、厚德载物总括之,分而言之则是十大学习精神:谋道不谋食,虚心敬慎,实事求是,坚韧不拔、积极向上,严己宽人,学为己,学以致用,仁民爱物,乐观自信,终身学习提高。     

华航大学生学习的现状

大学阶段是学生学习专业知识的开始,是掌握一技之长的重要时期。由于大学生的学习相对独立、内容多、进度快,而且学习与就业息息相关,所以需要学校认真研究大学生的学习,了解大学生学习中存在的问题,给予相应的指导。     

外观 性能 价格 一个都不能少

随着电视剧《我的经济适用男》在各大卫视风靡热播,好男人的形象再次被搬上荧屏。电视剧里有句台词:一元钱有一元钱的过法,一百元有一百元的过法,每个人都有属于自己的幸福。买车同样也是,豪华车、跑车如同车子中的"金龟婿""高富帅",每个女人都梦寐以求,可却非人人能拥有,对于现实中需要买车的我们,在各种各样购车选择面前,还是最中意品质、价格适中的车型,这也是目前此类车热销的根源。因此,当我们买不起豪华车、跑车的时候,我们也可以选择属于我们自己的"豪车"。     

战斗机嵌入式训练系统中的智能虚拟陪练

智能化"实虚"对抗是现代先进战斗机嵌入式训练系统的重要功能需求。自主空战决策控制技术在未来空战装备发展中扮演关键角色。将当前的功能需求和发展中的技术结合起来,得到了空战智能虚拟陪练的概念。先进控制决策技术的引入使得智能虚拟陪练能够帮助飞行员完成复杂的战术训练,而训练中真实的对抗场景为技术的验证提供了理想的环境,大量的训练数据为技术的持续迭代优化提供了保障。作为可学习和进化的空战战术专家,智能陪练在人机对抗和自我对抗中不断优化,当其具备与人相当甚至超越人的战术能力时,可应用于未来的无人空战系统。智能虚拟陪练需要具备4项基本能力：智能决策能力、知识学习能力、对抗自优化能力和参数化表示能力。对其包含的关键技术进行了分析,提出并实现了一个基于模糊推理、神经网络和强化学习的解决方案,展示了其各项基本能力及目前达到的空战水平。未来更多的模型和算法可在智能虚拟陪练的框架中进行验证和优化。     

情感因素对语言学习的影响

情感因素对语言学习具有重大的影响.在学生智商水平相当的情况下,情感差异会导致学生学习成绩的高低之分.情感差异是由家庭、环境、情趣、学习方法等综合因素造成的.积极的情感会对学生的学习起到促进作用;反之,消极的情感则会阻碍学生的学习.教师在教学中应善于引导学生,促进学生积极情感的产生,减少消极情感的作用,以提高教学效果.     

基于改进SSD的无人机航拍目标检测

针对无人机航拍图像尺度变化大、识别难度大和目标普遍较小的问题,提出一种基于改进单阶段多框检测器(single shot multibox detector, SSD)的无人机航拍目标检测算法——RCBnet.该算法为了提升网络的特征提取能力,将SSD算法的特征提取网络修改为Resnet-50并采用特征融合的方式,将特征图进行融合,用融合后的特征图构建特征金字塔;为了增强算法对物体的检测能力,设计一种联合注意力机制的多尺度卷积结构来有效调节感受野,实现不同尺寸卷积核对特征图的并行运算;针对训练过程中正负样本极具不平衡的问题,该算法采用Focal Loss损失函数训练网络模型,使其侧重于困难样本.通过与其他经典算法相比可知,所提算法在无人机航拍图像中具有更高的检测精度、更好的检测性能和鲁棒性,相比SSD,精度提高达3.46%.     

基于联邦学习的星群故障诊断

针对卫星编队中单颗小卫星欠配置、测量信息不全和故障类型数据少等问题,提出一种基于联邦学习的卫星编队故障诊断方法.基于故障影响下的卫星动力学模型,利用Unity3D引擎搭建虚拟仿真环境,为后续卫星故障注入及故障数据产生奠定基础.考虑单个小卫星测量配置不全的问题,采用双向协调网络(BicNet)构建卫星本地故障诊断模型,借鉴邻居卫星的“远端”敏感器信息,实现本地卫星故障诊断.采用联邦学习框架进行分布式训练,每颗卫星上传本地模型参数进行协同建模,在不增加通信压力的情况下,整合整个星群的故障特征,提高星群对不同故障类型的故障诊断能力.所设计的编队故障诊断算法在编队卫星数量变化时也无需重新训练诊断网络,满足“即插即用”的工程需求.通过仿真实例验证,在测试集上精度达到99%,表明该方法有较高的准确性.     

基于高光谱和LiDAR的黄河口湿地植被分类方法

利用无人机（Unmanned Aerial Vehicle, UAV）高光谱影像（Hyper-spectral Imaging, HSI）和激光雷达（Light Detection and Ranging, LiDAR）数据开展黄河口湿地植被分类方法研究。由于高空间分辨率HSI光谱变异性强,以及LiDAR点云密度不均匀,分类结果呈现出“椒盐”现象。为了解决这些问题,本文提出了一种结合空谱特征融合和通道注意力机制的双分支卷积神经网络（SSF-C-DBCNN）。光谱注意力机制通过为每个波段分配不同的权重来减少光谱变异性的影响。空间注意力机制侧重于学习和强调特征表达能力强的密集点云区域空间信息,从而减轻LiDAR点云密度不均匀对结果的影响。最后,在双分支融合特征后引入通道注意力机制来提取更深层次的特征。利用UAV采集的HSI和LiDAR数据进行实验验证,结果表明,本文提出方法的性能优于随机森林和五种深度学习方法,分类结果更为贴合实际土地覆盖,有效地抑制了“椒盐”现象。