语言学习策略在高职英语教学中的运用

重点调查及研究高职一年级学生的英语学习策略，并将其记入量表。调查被试者的全国实用英语A级考试成绩，通过SPSS统计分析软件处理，进行学习策略与成绩之间的相关分析。结果显示，学生普遍运用补偿学习策略，记忆学习策略运用得最差。迁移的作用、良好的意义识记能力、悟性及敏感性的提高及言语的感知能力、言语的理解能力可以提高考试成绩，卡片式记忆反而会降低考试成绩。     

载荷多次作用下的共因失效系统可靠性模型

研究了随机载荷作用次数对系统可靠性的影响,指出传统的可靠性模型并不能很好地反映载荷作用次数对系统可靠性的影响,运用载荷-强度干涉模型和顺序统计量理论建立了随机载荷多次作用下的共因失效系统可靠性模型.考虑系统中零件的失效相关性,在不作失效独立假设的前提下,运用系统级载荷-强度干涉模型建立了共因失效系统可靠性模型.根据随机载荷作用的统计学意义,运用顺序统计量理论建立了载荷多次作用时等效载荷的累积分布函数和概率密度函数,在此基础上,建立了随机载荷多次作用下的共因失效串联系统、并联系统以及k/n系统可靠性模型.     

一种改进的形态学边缘提取算法

首次提出了这种新的形态学边缘检测算法.该方法通过用边缘检测算子检测边缘并判定其方向,根据判定的结果,对边缘处用于边缘提取的腐蚀膨胀结构元素增强,达到增强形态学边缘检测效果.相对于其他边缘提取算法,所提出的算法更准确地判定了边缘及其方向,很好地保持了边缘细节.     

一种适应较大比例变化的多传感器图像配准方法

提出了一种基于边缘曲率区域极值和边缘相关的图像配准方法。算法首先提取图像的较长边缘并对其进行改进的Freeman编码;然后使用Freeman码计算曲线的曲率,根据曲率极值的对应情况初始匹配边缘并得到比例变换因子;然后重采样图像,使用边缘相关、一致性检测方法得到对应的相关边缘对,最后使用最小二乘法得到图像的配准参数。算法可以适应配准图像间有较大旋转角度和较大平移变换等情况。     

深空测控通信技术发展趋势分析

为满足21世纪我国深空探测任务的需要，参考国外深空测控通信系统的先进技术，归纳和总结了未来相关技术发展的7个趋势，为我国深空测控通信技术的发展提供一些参考。     

用于提高辨识效果的颤振试验数据小波去噪

准确估计模态参数在飞机颤振边界的预测中具有重要意义。为了提高频域辨识算法的辨识效果,提出了一种用于颤振飞行试验数据处理的小波去噪方法。该方法引入梯度倒数加权滤波器对数据进行预处理,处理后的数据运用冗余小波进行小波分解,然后对输入信号在不同尺度下分别进行阈值降噪,对输出信号则采用了一种改进的小波空域相关滤波法去噪。最后通过仿真计算和实际数据证明该方法有效。     

空管工作中的特殊情况处置

本文主要从TCAS工作的相关规定，绕飞雷雨时机组决策和对管制人员工作建议两个方面给大家作了详细的介绍，并希望和同事们进行交流，总结出一些好的工作经验，共同做好空管保障工作，为保障航空安全尽一份力。     

相关进近模式的近距平行跑道尾流危险区域分析

相比于机场一起一降的运行模式,近距平行跑道的相关平行进近运行模式可以最大限度地提升跑道容量.根据尾流在大气中各个阶段的运动特性,得到了以时间为变量的尾流水平侧移距离数学模型.应用Matlab仿真软件得到了侧风及地面效应影响情况下的上海虹桥国际机场实行近距平行跑道相关平行进近的侧向尾流危险区域图,并分析得到了后机不受到前机尾流影响情况下两机需保持26.9 s的最大尾流时间间隔.利用尾流危险区域的特点,可缩短尾流时间间隔,从而大幅度提高机场容量.     

基于WCFSE-FSVM的转子振动故障诊断方法

为了提高含有噪声和野值的转子振动故障样本诊断精度,提出了基于WCFSE-FSVM的故障诊断方法。充分融合小波相关特征尺度熵(WCFSE)特征提取方法和FSVM故障诊断方法的优点,建立WCFSE-FSVM故障诊断模型。基于转子实验台模拟4种典型故障,获得原始故障数据;并利用WCFSE方法提取这些故障数据的WCFSE值,选取故障信号高频段中的尺度1和尺度2上的小波相关特征尺度熵W1和W2构造出振动信号的故障向量作为故障样本,建立FSVM诊断模型。实例分析显示:WCFSE-FSVM方法的转子故障诊断精度最高,即故障类别诊断精度为94.49%,故障严重程度的诊断精度为95.58%,二者都优于其它故障诊断方法。验证了WCFSE-FSVM方法的可行性和有效性。      

模态参数识别的特征系统实现算法:研究与比较

以 GARTEUR飞机模型的飞行颤振和地面共振试验为例,对模态参数识别的特征系统实现算法的4种变形特征系统实现算法(ERA)、快速ERA(FERA)、相关ERA(ERA/ DC)和快速相关ERA(FERA/ DC),进行了深入的理论分析和仿真研究。结果表明:与ERA相比,ERA/ DC的阻尼识别精度在10%和30%噪声下可以提高6～60倍;FERA的识别速度可以比ERA提高4～1 0倍,且精度较高;而FERA/ DC的识别速度可以比ERA/ DC提高 3～5倍,并且精度不会降低。