机载激光雷达数据的三维深度学习树种分类

针对传统基于激光雷达(Light Detection And Ranging,LiDAR)数据的树种分类方法难以直接且全面地利用点云的三维结构信息的问题,提出一种基于三维深度学习的机载LiDAR数据的树种分类方法.该方法直接从三维数据中抽象出高维特征,而无须将点云转化为体素或二维图像.以塞罕坝国家森林公园内白桦和落叶松...     

导弹突防后弹道机动调整策略强化学习

针对弹道导弹中段突防后飞行弹道与标准弹道产生较大偏离的弹道机动调整问题,建立了机动调整时机策略最优化模型。设计了机动调整逆序Q学习算法,采用Tile coding逼近器编码状态特征空间,并对其进行线性逼近。构建了Q学习算法与蒙特卡罗方法相结合的逆序更新策略机制,以对导弹机动调整最优时机进行训练。仿真测试分析结果表明,在给定场景参数下,通过10 000代强化学习算法训练得到的策略能够可靠地使用最少机动次数控制导弹突防后飞行弹道的调整决策,验证了方法的有效性。     

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。     

公共事业管理专业读书（文献阅读）训练探析

专业读书训练是公共事业管理专业的重要教学内容。本文在探讨专业读书教学目的和意义的同时，并提出了读书训练的原则、内容和方法，旨在帮助公共事业管理专业学生形成未来的公共事务管理者所需的职业素养。     

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。     

深度置信网络在导弹攻击区分类中的应用

针对传统导弹攻击区解算方法忽略双方态势变化等问题，提出运用深度置信网络的导弹攻击区分类模型。根据导弹命中情况与目标机动间的关系，将导弹攻击区划分为五类。通过分析影响导弹攻击结果的态势参数，构建导弹攻击结果预测模型。在实验部分，结合重构误差和测试错误率确定深度置信网络的网络结构，通过逐层提取数据法分析模型参数特征并且讨论微调数据的采样方式。使用反向传播神经网络和支持向量机进行分类有效性对比实验。实验结果表明：深度置信网络运行速度和预测准确度明显优于其他两种方法，满足实时性和准确性要求，所提方法具有良好的应用价值。     

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。     

混合式学习背景下在线学习策略的缺失及补偿

混合式学习已经成为当前教育趋势，对于混合式学习中的在线学习研究成果越来越丰富。本文通过网络平台问卷调查了混合式学习模式下大一新生在线学习情况，发现在线学习的最主要障碍之一是在线学习策略缺失，导致学习过程不顺畅。文章指出，针对在线学习的管理策略和元认知策略两方面，教师可以通过教学管理的具体手段给予干预，培养学生的在线学习策略，提高其学习效率，真正实现课堂教学和在线学习的高效融合。     

基于稀疏贝叶斯学习的扩展目标雷达关联成像*

雷达关联成像不依赖于雷达与目标的相对运动,是一种高分辨凝视成像方式。传统的关联成像方法未考虑复杂扩展目标的结构信息,在高分辨成像时的应用受到限制,为此提出一种自适应结构配对稀疏贝叶斯学习方法。该算法在稀疏贝叶斯学习的框架内针对扩展目标建立一种结构配对层次化高斯先验模型,然后采用变分贝叶斯期望-最大化算法交替进行目标重构和参数优化。该算法将某一信号分量的重构与周围信号分量联系起来,并能在迭代过程中自适应地调整表征各信号分量相关性的参数。实验结果表明,该方法针对扩展目标可以有效地进行高分辨成像。     

融合图嵌入的光滑主成分分析网络图像识别算法

主成分分析网络(principal component analysis network, PCANet)是一种简单的深度学习算法,在图像识别领域具有优秀的性能。将图嵌入思想融入PCANet,提出一种新的图像识别算法光滑主成分分析网络(Smooth-PCANet)。为了验证Smooth-PCANet算法的有效性,在人脸、手写体字符以及图片等不同数据集上构建实验,并将Smooth-PCANet与多种基于深度学习的图像识别算法作了对比。实验结果证明,Smooth-PCANet算法比PCANet获得了更高的识别性能,并且更有效地避免了过拟合,在小样本训练时具有显著优势。