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。     

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。     

试论英语学习中词典的使用

词典是汇集词语进行解释、为人们释疑解惑的工具书。初级英语学习者主要依靠教师授课进行学习,而中高级学习者有更多的时间利用英语词典进行自学。词典是英语学习者的必备工具书,但学习者未能充分利用。因此,有必要对以英语学习词典为主的工具书的使用进行探讨,从而得出结论:要使学习者从词典中充分获益,有必要对英语学习者进行词典使用方面的训练。     

探讨研究生学习动机与培养质量的相关性

以往研究研究生的学习动机侧重于量化研究,本文试图从质性研究的角度对当代研究生学习动机进行探讨,归纳出不同的学习类型,分析当代研究生学习动机与培养质量的关系,以及目前由于学习动机造成的培养质量问题,以提高研究生培养质量。     

Visual-attention gabor filter based online multi-armored target tracking

The multi-armored target tracking (MATT) plays a crucial role in coordinated tracking and strike. The occlusion and insertion among targets and target scale variation is the key problems in MATT. Most state-of-the-art multi-object tracking (MOT) works adopt the tracking-by-detection strategy, which rely on compute-intensive sliding window or anchoring scheme in detection module and neglect the target scale variation in tracking module. In this work, we proposed a more efficient and effective spatial-temporal attention scheme to track multi-armored target in the ground battlefield. By simulating the structure of the retina, a novel visual-attention Gabor filter branch is proposed to enhance detection. By introducing temporal information, some online learned target-specific Convolutional Neural Networks (CNNs) are adopted to address occlusion. More importantly, we built a MOT dataset for armored targets, called Armored Target Tracking dataset (ATTD), based on which several comparable experiments with state-of-the-art methods are conducted. Experimental results show that the proposed method achieves outstanding tracking performance and meets the actual application requirements.     

学习策略在地理学习中的运用

有效学习方法能提高学生的学习效率,在中学地理学习中,掌握一定的学习策略是很有必要的。本文重点介绍了选择性注意策略、组织学习策略、构建整体结构策略、解决问题的思维策略四种简单而行之有效的学习策略,对提高学生学习地理的能力和效率均有一定帮助。     

The effect of deployment on first‐ and second‐term re‐enlistment in the US active duty force

Why should deployment affect re‐enlistment? In our model, members enter the military with naïve beliefs about deployment and use actual deployment experience to update their beliefs and revise their expected utility of re‐enlisting. Empirically, re‐enlistment is related to the type and number of deployments, consistent with the learning model. Non‐hostile deployment increases first‐term re‐enlistment but hostile deployment has little effect except for the Army, where the effect is positive. Both types increase second‐term re‐enlistment. Interestingly, first‐term members with dependants tend to respond to deployment like second‐term members. In addition, deployment acts directly to affect re‐enlistment, not indirectly through time to promotion.     

民汉大学生自主性学习对比研究——以新疆财经大学民汉学生为例

自主学习是大学生除课堂学习之外最主要的学习形式,也是提高大学生自身素质的重要手段。新疆是多民族聚居地区,民汉大学生学习融合成为新疆教育的一大特色。在学习融合的过程中,民汉学生的自主性学习是否存在差异,成为关注的内容。本文通过调查问卷的形式,对民汉大学生的自主性学习的现状与影响因素进行了对比研究,发现民汉大学生自主学习差异不大,根据问卷调查的情况,提出了加强民汉大学生自主学习的建议。     

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。     

模拟海深条件下提升阀流动特性的实验研究

水压传动技术应用于深海环境可以直接从海洋中吸水加压,高压水作功之后可以直接排入海洋,不需要水箱和回水管道,大大简化了系统,具有独特的优势。然而,在深海作业时,液压元件的工况同陆地相比有较大的差异,海深压力相当于在元件出口加了一个背压。文中用背压来模拟海水压力,对以水作介质时背压对提升阀口流量特性的影响进行了实验研究。研究结果表明,背压使得流量饱和更容易发生;有背压时的流量系数比没有背压时的流量系数大;当阀芯和阀座有叠合时,背压对阀口流量特性的影响比阀芯和阀座没有叠合时的影响大。