工作场所学习视域下中职学校深化校企合作的策略研究

中等职业学校是国家培养技能型专业人才的重要场所,校企合作是职业教育发展的基本趋势。当前中职学校在校企合作中面临着企业动力不足,重工轻学,学徒制建设不完善等问题。本文从史蒂芬·比例特工作场所学习的视角出发,在分析工作场所学习内涵和特征的基础上,提出深化校企合作的策略,如完善校企合作课程体系、建设全面参与的新型学徒制、引企入校的办学模式、以绩效和胜任力为驱动等工作方法。     

深入学习领会习近平关于斗争精神重要论述

进入新时代以来,习近平在讲话中多次提到斗争精神。这些关于斗争精神的重要论述,科学回答了新时代发扬斗争精神、增强斗争本领的重大理论和实践问题,是运用辩证唯物主义和历史唯物主义方法论,基于马克思主义特有品质得出的必然结论和提出的时代要求。我们要学习领会习近平关于斗争精神的重要论述,并深入贯彻到进行伟大斗争的实践当中。     

基于任务的舰船质量监督组织结构熵评价模型

为了科学评价、选择与优化组织结构,分析了常见组织结构对舰船质量监督的影响。首先,综合运用熵和二元语义的基本原理与算法,提出了基于任务的舰船质量监督的时效、质量与柔性度及其权重的计算步骤与方法;然后,构建了舰船质量监督组织结构熵评价模型;最后,进行了算例分析,结果验证了该模型的实用性。     

对象边框标注数据的弱监督图像语义分割

针对图像语义分割应用中像素级标注数据费时昂贵的问题,主要研究以对象边框标注数据为代表的弱监督模型下的图像语义分割方法。使用基于金字塔的密集采样全卷积网络提取图像的像素级特征,并用GrabCut算法转化对弱监督数据进行数据标记,通过将图像特征和标记数据进行联合训练,构建了基于金字塔密集采样全卷积网络的对象边框标注弱监督图像语义分割模型,并在公开数据集上进行了验证。实验结果表明,所构建的弱监督模型与DET3-Proposed模型、全矩形转化模型以及Bbox-Seg模型相比,达到了更好的分割效果。     

OFDM系统中深度神经网络指导的IQ不平衡补偿算法

正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)是现代移动通信中一项重要的物理层通信技术,并且OFDM系统要求子载波间严格正交。然而,在实际系统中,振荡器和滤波器等器件的非理想特性会导致同相正交(In-phase and Quadrature-phase,IQ)不平衡,从而破坏子载波的正交性,严重影响OFDM系统的性能。通过研究IQ不平衡对OFDM系统的影响,提出了一种并联深度神经网络架构下的IQ不平衡补偿算法。该算法利用了深度神经网络不依赖于模型的特点,直接从接收到的频域信号恢复原输入信号的二进制序列,并利用干扰信号来自镜像子载波的先验知识来初始化模型驱动的神经网络,加快其网络优化的收敛速度。仿真结果表明,该算法能有效地补偿IQ不平衡失真,并且在幅度和相位失真的补偿上,其性能都优于传统的基于导频的最小二乘补偿算法,证明了深度学习方法解决物理层问题的优越性。     

基于在线学习的频谱感知次序策略*

认知无线电允许次级用户在频谱没有被主用户使用时动态地接入频谱进行数据传输。动态频谱接入是解决无线电频谱资源短缺和使用效率低下问题的有效方案,而频谱感知是实现动态频谱接入的关键挑战之一。次级用户的感知能力有限,为了快速找到频谱空闲概率最大的频段从而获得更多的频谱接入机会,研究了频谱感知次序问题。考虑到频谱空闲概率会随时间变化且对次级用户不可知,提出了一个在线学习框架,把频谱感知次序问题规约成经典多摇臂赌博机问题,并利用在线学习方法——满意折现汤普森抽样算法(satisficing discounted Thompson sampling)处理优化问题。仿真结果表明,和其他算法相比,所提算法可获得更多的频谱接入机会并且能够跟踪频谱空闲概率的变化。     

基于卷积双向长短期神经网络的调制方式识别

针对现有卷积神经网络方法下调制识别时间较长、网络较复杂等问题,将卷积神经网络(Convolutional Neural Networks,CNN)与双向长短期记忆神经网络(Bi-directional Long Short-Term Memory,BiLSTM)相结合,提出一种基于CNN-BiLSTM的调制方式识别方法。利用CNN卷积运算提取信号的空间特征,利用BiLSTM提取到信号的时序相关性,利用softmax层输出识别概率,达到多调制识别的目的。实验结果表明,在没有信道和噪声等先验信息的条件下,该方法的识别性能得到了进一步提升,能有效识别16QAM、64QAM等11种调制类别,且该方法的复杂度较低,大大节省了训练识别时间,具有较好的工程应用价值。