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。     

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。     

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。     

基于不稳定性采样的主动学习方法

传统的主动学习方法往往仅基于当前的目标模型来挑选样本,而忽略了历史模型所蕴含的对未标注样本预测稳定性的信息。因此,提出基于不稳定性采样的主动学习方法,依据历史模型的预测差异来估计每个未标注样本对提高模型性能的潜在效用。该方法基于历史模型对样本的预测后验概率之间的差异来衡量无标注样本的不稳定性,并挑选最不稳定的样本进行查询。在多个数据集上的大量实验结果验证了方法的有效性。     

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。