高职院校学习型辅导员队伍构建策略探析

在高职院校,普遍存在着辅导员学习研究意识淡漠,缺乏学科背景支持、学习氛围不浓等问题,针对这些问题,高职院校须构建一支学习型辅导员队伍,可采取的具体策略包括：建设学习型学生工作领导队伍、培养问题研究意识、加强团队学习和培训指导等策略。     

监控视频中异常事件检测技术研究进展

异常事件检测技术是当前智能监控技术研究领域关注的一个热点,作为计算机视觉的重要研究内容,其主要目标是利用计算机自动检测出可被视为异常的事件。传统方法存在低层视频特征描述能力弱,异常检测方法计算代价大,对复杂场景建模时鲁棒性差等方面的限制。本文结合国内外的研究现状和目前的主流方法,介绍了监控视频中异常事件检测涉及的基本技术,分析了各类监控视频特征提取方法、特征学习模型和异常检测方法的优缺点,整理归纳了可用于监控视频中异常事件检测的常用实验数据集,最后讨论了监控视频中异常事件检测技术的难点、挑战及未来发展趋势。     

成人自考生学习动力现状的调查分析

采取问卷调查、访谈调查的方法,对重庆市部分成人自考生的学习动力现状进行了调查。通过调查发现,成人自考生学习动力受到性别、年龄、职业、工作年限、经济收入等多方面因素的影响,最后提出了相应的建议。     

一种雷达信号模糊函数特征提取与识别方法

现代雷达面向智能化、软件化、多功能与多用途方向发展,一部雷达往往具有多种工作体制与工作状态,雷达信号采用复杂的波形设计,这就使得雷达信号的特征提取与识别过程变得越来越困难。另外,现代电磁环境复杂,杂波、噪声干扰严重,给雷达的侦察工作带来更大的难度。基于此,提出将流形学习应用于雷达信号模糊函数的特征提取,并对其进行仿真与分析。结果验证了该方法的可行性。     

高职大学生学习心理困扰及自我调适研究

从高职大学生心理健康教育的实际出发,对高职大学生学习心理困扰的现象进行研究,认为高职大学生学习心理困扰主要表现为厌学情绪、学习注意力不集中和考试焦虑症,分析产生学习心理困扰的心理机制,提出帮助他们对学习心理进行自我调适的方法和措施。     

Learning Spatial Localization: From Rat Studies to Computational Models of the Hippocampus

In his landmark article, Richard Morris (1981) introduced a set of rat experiments intended “to demonstrate that rats can rapidly learn to locate an object that they can never see, hear, or smell provided it remains in a fixed spatial location relative to distal room cues” (p. 239). These experimental studies have greatly impacted our understanding of rat spatial cognition. In this article, we address a spatial cognition model primarily based on hippocampus place cell computation where we extend the prior Barrera–Weitzenfeld model (2008) intended to allow navigation in mazes containing corridors. The current work extends beyond the limitations of corridors to enable navigation in open arenas where a rat may move in any direction at any time. The extended work reproduces Morris's rat experiments through virtual rats that search for a hidden platform using visual cues in a circular open maze analogous to the Morris water maze experiments. We show results with virtual rats comparing them to Morris's original studies with rats.     

小样本图像分类中的类别信息融合网络

小样本图像分类任务要求模型仅从少量的图像样本中学到新类别的正确分类方法,是一种特殊的分类任务。然而,以往大多数小样本工作都单独处理来自不同类别的样本,而没有充分利用到不同类别间的信息。本文提出了一种新的类别融合网络（Category-fusion network, CFN）,通过融合来自不同类别的样本信息,同时挖掘类别内和类别间的信息。CFN的重要部分是一个融合映射的学习,即如何融合样本中的特征,从而映射出网络参数。其中的一个重要问题是融合映射是否应该随不同的输入样本而改变。本文设计了3个不同的模块：具有固定映射的类无关模块、融合映射仅依赖于期望学习的目标类别的半相关模块和完全相关的模块,其中融合映射完全依赖于输入样本。本文的网络可以通过学习多个类别的样本之间的关系来进行类别概念的学习,并生成融合信息的分类器。实验结果表明,本文网络在广泛应用的MiniImageNet数据集上得到了60.03%的分类精度。     

基于深度学习的太阳10.7 cm射电流量日值的中期预报

针对太阳10.7cm射电流量中期日值预报问题,采用深度学习方法,建立了一个典型的基于多层感知器模型的神经网络。该网络采用1个包含90个神经元的隐含层,实现了一种非参数的时间序列自回归模型。预报中不仅考虑历史日值,还考虑了历史预报误差。模型根据前27d的历史数据实现了未来27d的日值预报。通过对50多年数据的训练和试验分析,该方法在短期和中期预报上较传统方法的相对误差明显降低。特别是模型经一次训练后,参数可以完全固定,不同于以往研究参数需要每天滚动更新,大大简化了日常预报,同时极为有利于模型在其他相关应用中的推广。     

相关向量机及其在故障诊断与预测中的应用

相关向量机(RVM)是一种基于稀疏Bayesian学习理论的新型机器学习方法,具有概率式输出、稀疏性强、参数设置简单、核函数选择灵活等优点,克服了人工神经网络(ANN)和支持向量机(SVM)等典型机器学习方法的诸多固有缺陷。文章从模型选择与优化、模型计算效率和模型鲁棒性改进3个方面综述了RVM的理论研究进展;总结了RVM在故障诊断与预测中的应用研究现状;分析指出了当前研究中存在的问题,并讨论了基于RVM的故障诊断与预测技术的研究方向。     

实例推理中遗传训练算法用于机械失效模式识别的研究

采用实例推理和遗传算法相结合的方法，研究了航空机械零部件失效模式识别的问题。对用于识别的失效属性的选择、检索相似度计算、训练用遗传算法的适应度函数设计以及训练策略的影响进行了较为详细的描述。应用测试表明，对包含分布均衡的3种模式的情况取得了高于74．67％的识别率，所获得的最佳权值向量对另外2种模式具有很好的识别精度（大于73．3％），对混合多模式情况也具有较好的推广能力。验证了该方法对航空零部件失效模式的识别是可行的。