中国近代编辑出版工作者的矛盾心理分析

中国近代编辑出版是在旧制度已经衰败、新制度尚未建立的历史背景下发展起来的。西方文明与中国古老文明的冲突、旧思想与新思想的较量、公共利益与个体利益的矛盾必然存在。中国近代编辑出版工作者面对西学与中学、雅文化与俗文化、社会效益与经济效益的选择时,存在着矛盾心理,并为中国文化的近代化作出了贡献。     

中亚来华留学生汉语学习动机差异性分析

本文通过对新疆师范大学的中亚来华留学生学习动机进行调查,用差异性检验方法,从性别、学历方面进行数据统计分析,从而发现问题,得出结论,为留学生汉语学习动机问题的研究提供参考。     

高师生专业适应性与学习自我效能感的关系研究

运用《专业适应性量表》和《学习自我效能感问卷》,对600名高师生进行调查,研究结果是:(1)高师生专业适应性略高于平均水平,但并未达到理想状况。(2)专业承诺与专业自我效能感因子在性别上存在显著差异;专业适应性及其各个因子在年级上存在显著差异;专业承诺与专业自我效能感因子及专业适应性总体水平在科类上存在显著差异;非独生子女的专业适应性及其专业承诺、专业学习动力、专业自我效能水平显著高于独生子女的水平;担任过班干部的高师生的专业承诺、专业学习行为、专业自我效能感水平显著高于未担任过班干部的高师生。(3)高师生专业适应性及其各个因子与学习自我效能感及其各个因子均存在显著正相关,高师生的专业适应性能解释学习自我效能感54.2%的方差变异。     

多媒体教学在高校文学课中的应用

多媒体教学以其题材丰富形象、形式新颖、课堂信息量大、节约课堂时间等优势,确立了在现代教学手段中的主要地位。但现阶段的多媒体教学还存在一些需要改进之处。本文分析了高校文学课多媒体教学的利弊,探讨了多媒体教学应用中出现的问题,并提出了相应的改进对策。     

Bayes 试验分析中验前分布的表示

结合武器系统试验鉴定中的问题,研究Ｂａｙｅｓ方法运用中的验前信息表示问题。文中运用自助（Ｂｏｏｔｓｔｒａｐ）方法和随机加权法确定验前分布。对于多种信息源之下的验前信息,给出了验前分布的融合估计。对当前工程实践中常用的方法及存在的问题,提出了看法和处置方法。     

超精加工中压电陶瓷刀具位置的自学习控制

本文介绍了两种自学习控制方法——P积分学习控制和自校正调节器的参数学习控制,及它们在压电陶瓷刀具控制中的应用。本文的研究表明,用这种先进控制方法可以克服压电陶瓷的非线性和磁滞,实现很高精度的定位和零误差跟踪控制。     

基于动态贝叶斯网络的复杂网络抗毁性分析

复杂网络抗毁性是复杂网络在节点或边遇敌攻击后能继续维持基本功能的能力,是衡量军事信息网络鲁棒性和敏捷性的重要指标。针对复杂网络及对作战体系支撑能力的多指标、复杂化和动态演绎特点,在静态分析方法基础上,提出基于动态贝叶斯网络的抗毁性分析方法。建立了复杂网络抗毁性指标体系。构建了基于动态贝叶斯网络的复杂网络抗毁性评估模型,提出确定评估模型参数的方法。仿真验证了方法的可行性和有效性。     

面向监督学习的稀疏平滑岭回归方法

岭回归是监督学习中的一个重要方法,被广泛用于多目标分类和识别。岭回归中一个重要的步骤是定义一个特殊的多变量标签矩阵,以实现对多类别样本的编码。通过将岭回归看作是一种基于图的监督学习方法,拓展了标签矩阵的构造方法。在岭回归的基础之上,进一步考虑投影中维度的平滑性和投影矩阵的稀疏性,提出稀疏平滑岭回归方法。对比一系列经典的监督线性分类算法,发现稀疏平滑岭回归在多个数据集上有着更好的表现。另外,实验表明新的标签矩阵构造方法不会降低原始岭回归方法的表现,同时还可以进一步提升稀疏平滑岭回归方法的性能。     

基于逆向强化学习的舰载机甲板调度优化方案生成方法

针对计算机辅助指挥调度舰载机甲板作业的决策过程无法脱离人参与这一特点,引入基于逆向学习的强化学习方法,将指挥员或专家的演示作为学习对象,通过分析舰载机的甲板活动,建立舰载机甲板调度的马尔可夫决策模型(MDP)框架;经线性近似,采用逆向学习方法计算得到回报函数,从而能够通过强化学习方法得到智能优化策略,生成舰载机甲板调度方案。经仿真实验验证,本文所提方法能够较好地学习专家演示,结果符合调度方案优化需求,为形成辅助决策提供了基础。     

自适应交叉融合局部特征的空间目标小样本识别方法

针对空间目标在低频次观测的小样本识别场景中,不同姿态下图像表征变化剧烈导致的辨识性特征提取难、图像间特征关联难的问题,提出一种自适应交叉融合局部特征的空间目标小样本识别方法。在现有小样本学习框架上,引入基于自注意力和互注意力的特征交叉融合模块,自适应地学习局部特征之间的相关关系,提高不同姿态下特征提取的判别性和鲁棒性,有效挖掘支持集和查询集之间的相似性,提升存在表征差异条件下的特征关联准确性。同时,在损失函数中引入基于邻域密度的样本标签权重,以解决空间目标数据集中姿态不均衡导致的网络模型学习偏差问题。通过在不同数据集上的验证,证明提出的方法具有更高的识别精度。