机床颤振中“双频颤振”的研究

文中首次提出了机床颤振中“双频颤振”的论点,并对其产生机理进行了理论探讨且得实验验证。作者认为:对机床颤振中“双频颤振”进行研究不仅具有很重要的实用价值,而且将导致对现行的机床颤振理论的某些修改。     

增量式神经网络聚类算法

神经网络模型具有强大的问题建模能力,但是传统的反向传播算法只能进行批量监督学习,并且训练开销很大。针对传统算法的不足,提出全新的增量式神经网络模型及其聚类算法。该模型基于生物神经学实验证据,引入新的神经元激励函数和突触调节函数,赋予模型以坚实的统计理论基础。在此基础上,提出一种自适应的增量式神经网络聚类算法。算法中引入"胜者得全"式竞争等学习机制,在增量聚类过程中成功避免了"遗忘灾难"问题。在经典数据集上的实验结果表明:该聚类算法与K-means等传统聚类算法效果相当,特别是在增量学习任务的时空开销方面具有较大优势。     

大学英语教学中自主学习能力的培养

自主学习能力是当今信息时代人们为适应社会发展所必须具备的一种能力。要深刻理解自主学习的内涵、自主学习的理论基础、自主学习的必要性和可行性,探讨在我国当前的教育环境下培养学生自主学习能力的途径,教师在教学过程中应注重学生自主学习能力的培养,更好地发挥其指导者、组织者的作用。敦促学生充分发挥其主观能动性,积极参与教学过程,提高他们的英语综合应用能力和自主学习能力。     

基于自训练EM算法的半监督文本分类

为了提高计算效率,提出基于自训练的改进EM算法STEM。在每步迭代的E-step中,将中间分类器最有把握对其类别进行预测的未标注样本转移至标注样本集,并应用到M-step中进行下一个中间分类器的训练,从而引入了利用中间结果的自训练机制。文本分类实验表明STEM算法在大部分情况下的分类准确性都高于EM,并通过减少迭代提高了分类器学习的计算效率。     

几类基本学习认知模型

本文给出了几个类型的学习认知模型,并加以讨论     

依据心理学原理激发学生的学习动机

学习动机是直接推动学生进行学习的内部动力，学习动机与学习成绩显著相关，是学生学业的一个重要决定因素。兴趣、自我效能感、学习的价值感等内在动机对学习的作用更直接有效，而目标、教师期望、表扬和奖励等外部激励如果使用得当同样可以对学习产生积极的影响。根据心理学原理，我们可以通过培养学生对学习的兴趣、帮助学生建立自我效能感、养成正确的学习价值观、树立有效的学习目标、给予学生合理的期望等方法，来培养和激发学生的学习动机。     

面向射频指纹识别的高效IQ卷积网络结构

现有应用于射频指纹识别的卷积网络对时序同相正交(in-phase and quadrature-phase,IQ)信号的处理都是将其简单视为图像进行的,存在识别准确率低和计算量大的问题。针对以上问题,提出了一种基于IQ相关特征的卷积神经网络结构。该网络分步提取了IQ相关特征及时域特征,通过自适应平均池化获得了各通道特征均值,并用单个全连接层进行分类。实验结果表明,较传统卷积网络结构,所提网络在多种场景下的识别准确率更高,并且计算量更小。     

果蝇算法优化的相关向量机在电子装备中的应用

针对电子装备渐变故障预测问题,提出一种基于果蝇算法优化相关向量机的故障预测方法。该方法将原始时间序列数据进行相空间重构处理,并基于折交叉验证和果蝇算法优化相关向量机模型的核函数参数,从而建立故障预测模型,并以某型雷达发射机速调管监测数据对模型性能进行了验证。实验结果表明,相比已有方法,该方法在全局优化、收敛速度、预测精度以及预测可靠性方面都具有一定优势。     

大学生优柔寡断、适应性、自我调节学习与学业拖延的关系研究

研究旨在探索优柔寡断人格、适应性、自我调节学习与大学生学业拖延的关系,揭示学业拖延的影响机制,对大学生学业拖延的干预提供启示。选取1654名大学生开展了问卷调查,结果显示:(1)大学生学业拖延行为在中等偏下水平,学业拖延改变倾向在中等偏上水平,功能性拖延水平在中等水平;(2)优柔寡断与拖延行为呈正相关,情感适应性、自我效能与拖延行为呈负相关;优柔寡断、自我调节策略与拖延行为改变倾向呈负相关,适应性、认知策略与拖延行为改变倾向呈正相关;优柔寡断与功能性学业拖延呈负相关;自我调节学习与功能性学业拖延呈正相关;(3)大学生适应性在优柔寡断影响一般学业拖延行为中起到中介作用;自我调节学习、适应性在优柔寡断影响拖延行为改变倾向中起到中介作用;自我调节学习在优柔寡断影响功能性学业拖延中起到中介作用。     

异步非平稳干扰抑制方法

为解决单通道条件下异步非平稳干扰抑制问题,提出基于数据驱动的稀疏分量分析干扰抑制方法,旨在从接收到的混叠信号中恢复期望信号。该方法利用深度卷积神经网络对输入/输出端数据间的复杂映射关系的强大建模能力,实现了目标信号稀疏域的自适应选择、稀疏域中目标信号稀疏表示的自适应学习以及目标信号的自动恢复。与以往干扰抑制算法不同,所提方法在时域上完成了“端到端”的信号波形恢复,且对混叠观测无先验要求,相比现有方法更具普适性。仿真实验验证了所提干扰抑制方法在不同环境噪声和干扰信号强度及泛化测试条件下的有效性,对干扰的抑制性能显著优于现有算法。