照顾别人先照顾自己——基于扎根理论的高校心理咨询师自我照顾实证研究

高校心理咨询师是心理咨询服务来访者学生重要的专业性求助对象,自我照顾水平的高低极大关联着高校心理咨询师自身及来访者的利益。研究对高自我照顾水平且经验丰富的高校心理咨询师进行半结构化访谈,基于扎根理论总结出自我照顾特征,包括自我照顾的觉察、认知、方法、挑战/增强、演化、结果六个维度,并结合数据论述了自我照顾的过程,从而为高校心理咨询师自我照顾的培训和干预提供依据。     

大学生在线学习投入对深度学习的影响研究——学习环境的调节作用

为探讨学习环境、学习投入和深度学习之间的内部关系和作用机制,本研究对重庆某高校的598名参加在线学习的在校大学生进行问卷调查。研究发现：1.学生总体深度学习处于中上等水平;学生的学习经验和学习能力是影响大学生深度学习的重要因素。2.大学生在线行为、情感、认知投入对在线深度学习有正向影响作用。3.在线学习环境对学习投入与深度学习的影响有调节作用。良好的在线学习环境中资源获取的方式和支持服务等方面的体验,能促进学习者的学习投入从而提升学生深度学习水平。研究对大学生在线深度学习的影响因素提供了实证依据,期望其研究结果及结论对大学生在线深度学习的研究提供重要的参考价值。     

烟草企业党建与业务工作的深度融合研究

加强企业党建工作和业务工作的深度融合是提高烟草企业市场竞争力,实现烟草企业社会价值的根本路径。面对全球经济日益复杂的情况,如何把党建工作、企业文化和业务工作进行深度融合,是企业党建工作者需要考虑的问题。本文根据多年的工作实践和探索,从新时代烟草企业发展新要求出发,以烟草企业党建与业务工作深度融合的重要意义为出发点,初步探讨了推动烟草企业党建与业务工作深度融合相互促进的具体研究策略。     

基于域泛化的无监督机器设备异常声检测

在基于声信号的机器设备异常检测中，机器运行时发出的声音可能会因机器运转状态的改变而发生变化，环境噪声也会改变场景中的声学特征，而传统的机器异常声音检测系统会因为声学特征的改变导致正常的声音被错误地标记为异常。针对这一问题，提出了基于域泛化技术的无监督机器异常声音检测方法。首先，将声信号的对数梅尔谱图输入深度学习神经网络模型，结合域混合方法和坐标注意力机制模块，提高系统域泛化能力和异常识别性能；然后，在DCASE开源数据集上进行实验，与两种基线评估系统的A_UC和pA_UC得分进行对比。结果表明，所提出的方法在域泛化条件下的异常检测性能得到明显提升。     

“感谢”，使中国海军“现代化”——有感于一份关于描述中国海军军力的报告

2005年12月25日,圣诞节,日本《产经新闻》、美国《国防新闻》周刊(之前)深度报道,美国国会研究服务部日前完成了一份关于描述中国海军军力的报告。这份题为《中国海军的现代化对美国海军军力的意义》的报告,长达近80个页码。其散布的核心观点是:中国海军正在展开“全球最具野心”的扩张,目前已经成为美国海军的“主要威胁”。记得圣诞夜,我随小年轻们一道,还欢天喜地地过了一回“洋节”,意想和西方一道欢庆祈祷世界的和谐、宁静、平安,哪知,西方的部分却在圣诞节的外衣下,已然炮制了一本(这里完全可以强     

对军事信息系统军民融合深度发展若干问题思考

推进军事信息系统军民融合深度发展,必须以习主席关于军民融合深度发展的一系列重要论述为指导,研究军事信息系统军民融合深度发展的战略目标和体制机制,论证军事信息系统军民融合建设发展和拓展保障领域,探讨军事信息系统军民融合建设运用的方法、模式等基本理论问题.     

基于深度强化学习的作战实体智能感知与决策研究

为解决战场上作战实体的自主感知与决策问题,构建了一种基于深度强化学习的智能感知与决策框架,主要包括态势数据预处理、态势感知、行动优化和知识库4个模块,并通过单智能体无人机突防实验验证其应用效果,为解决作战实体的自主感知与决策问题提供了一种可行的技术途径。     

面向文书的情报关键信息抽取算法

文书是作战指挥过程中,流转各类重要信息的主要媒介。随着大量信息化武器装备的使用,指挥过程中需要处理的数据量激增,带来较大的文书编写及阅读理解工作量。同时,以自然语言为主的文书内容,无法很好地与基于格式数据的指挥控制系统结合,迫使作战人员充当编码/解码器,降低了指挥控制效率。因此,提出一种以BERT+BiLSTM+CRF为基础的情报文本关键信息抽取算法,自动抓取情报文本中的要素、时间、地域、动作、属性等关键信息,将情报文本转换成格式化信息数据,减轻作战人员读取信息、录入信息的工作量,并为指挥信息系统下游业务提供支撑数据,使文书内容可以更好地转换为指控系统所需格式数据,提高各类信息流转效率。     

融合图嵌入的Smooth-PCANet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。然而PCANet在构建网络卷积核时只关注了图像的主分量信息,忽视了近邻像素点之间的位置关系。而通常情况下,图像的相邻像素点具有空间强相关性,因此利用图结构保持像素点的位置近邻关系更有利于网络提取有效特征。因此,我们将图嵌入思想融入PCANet,提出一种新的图像识别算法Smooth-PCANet。为了验证Smooth-PCANet算法的有效性,我们在人脸、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。     

基于CNN的三相逆变器开路故障诊断及其样本条件分析

为了合理选择样本条件以实现高效的智能化诊断,以及克服智能化方法中传统反向传播(back propagation, BP)网络权值较多、局部信息提取能力不足的问题,对基于卷积神经网络(convolutional neural network, CNN)的开路故障诊断方法进行研究,并以典型的三相两电平逆变器为具体对象,着重分析样本时长、样本数量变化时,CNN方法相较于BP网络方法在网络权值数量、训练稳定性、诊断准确率上的量化优势。结果表明,基于CNN的方法可在权值数量远少于BP网络方法的情况下构建深度更深的诊断模型,并在更短样本时长、更少训练样本数量下实现高效、准确的开路故障诊断。