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。     

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。     

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。     

基于小波域字典学习方法的图像双重稀疏表示

提出了一种有效地结构化字典生成算法以及图像双重稀疏表示方法.在Rubinstein等提出的图像双重稀疏表示模型的基础上,引入小波零树结构,将同一空间位置对应的同方向跨尺度小波基函数的线性组合作为新的基函数,并通过K-SVD学习算法得到线性组合系数,由此得到了一种更加切合图像方向特征的结构化字典学习算法.在此基础上提出了相应的图像分解与重构算法.遥感图像M项逼近实验以及压缩仿真实验表明,本文提出的结构化字典比已有的字典具有更好的图像稀疏表示效果.     

含噪稀疏信号重构的l0范数期望值最小化方法

压缩感知理论是对信号压缩的同时进行感知的新理论,而如何通过有限的测量值重构稀疏信号是压缩感知理论中的核心问题。针对测量值受噪声污染的含噪稀疏重构问题,提出了近似l0范数期望值最小化方法。该算法基本思想是将含噪稀疏重构问题转化为近似l0范数期望值最小化问题,并利用噪声的统计特征将随机最优化问题化简为常规的最优化问题,然后采用最速下降法求解。数值仿真表明,本文提出的方法具有更好的重构精度,且计算量较小。     

改进的前向信息修补算法及其应用

前向信息修补算法可以对离散动态贝叶斯网络的缺失数据进行预测,该算法只适用于所有观测节点是相互独立的网络,却不能处理观测节点有依赖关系网络的缺失数据。针对该算法的这一缺陷,提出了改进的前向信息修补算法,在分析离散动态贝叶斯网络的缺失数据具有二种基本形式的基础上,推导出了每种形式的相应预测公式。继而构建了用于识别威胁源离散动态贝叶斯网络的模型。仿真实验验证了改进的前向信息修补算法的有效性。     

面向诸元计算精度鉴定的二次抽样试验设计方法

针对诸元计算精度常规试验方法的缺点和不足之处,提出了"二次抽样"的试验设计方法,在一次抽样的基础上,通过对试验结果进行分析,进行第二次有针对性的抽样试验,并采用贝叶斯估计方法,对两次相关联的试验结果进行综合评价。最后采用该方法对某型炮兵指控系统的诸元计算精度进行了检验,证明了该方法的实用性和有效性。与常规试验方法相比,二次抽样法对诸元计算中各变量不同值域的权重进行了重新分配,其计算结果对被试装备的实际性能更具有指向性。     

知识图谱的预警探测体系探测效能贝叶斯评估方法

战争中,预警探测体系作为典型的复杂系统,其探测效能发挥情况的有效评估一直是亟需人们研究解决的重要现实问题.突破了传统效能评估方法的局限,在分析了知识图谱技术、贝叶斯评估方法基本原理的基础上,提出了基于两者综合运用的预警探测体系探测效能评估新方法,利用专家知识和实验数据构建知识图谱,并进一步使用贝叶斯网络方法实施知识推理...     

ARCS动机模型在初中英语语法教学中的应用

语法学习能在一定程度上保证语言的地道性、流畅性和实用性。但就目前来看,英语学习者学习语法的积极性普遍不高,不少英语学习者抱怨英语语法项目琐碎繁杂、语法学习枯燥无聊。针对此现状,本文尝试将ARCS模型的四类动机策略整合于初中英语语法教学,以期有效激发并维持学习者的语法学习热情,提高语法教学效果。     

Real-time prediction of projectile penetration to laminates by training machine learning models withfinite element solver as the trainer

Studies on ballistic penetration to laminates is complicated, but important for design effective protection of structures. Experimental means of study is expensive and can often be dangerous. Numerical simu-lation has been an excellent supplement, but the computation is time-consuming. Main aim of this thesis was to develop and test an effective tool for real-time prediction of projectile penetrations to laminates by training a neural network and a decision tree regression model. A large number of finite element models were developed;the residual velocities of projectiles fromfinite element simulations were used as the target data and processed to produce sufficient number of training samples. Study focused on steel 4340tpolyurea laminates with various configurations. Four different 3D shapes of the projectiles were modeled and used in the training. The trained neural network and decision tree model was tested using independently generated test samples using finite element models. The predicted projectile velocity values using the trained machine learning models are then compared with thefinite element simulation to verify the effectiveness of the models. Additionally, both models were trained using a published experimental data of projectile impacts to predict residual velocity of projectiles for the unseen samples. Performance of both the models was evaluated and compared. Models trained with Finite element simulation data samples were found capable to give more accurate predication, compared to the models trained with experimental data, becausefinite element modeling can generate much larger training set, and thus finite element solvers can serve as an excellent teacher. This study also showed that neural network model performs better with small experimental dataset compared to decision tree regression model.