增量式神经网络聚类算法

神经网络模型具有强大的问题建模能力,但是传统的反向传播算法只能进行批量监督学习,并且训练开销很大。针对传统算法的不足,提出全新的增量式神经网络模型及其聚类算法。该模型基于生物神经学实验证据,引入新的神经元激励函数和突触调节函数,赋予模型以坚实的统计理论基础。在此基础上,提出一种自适应的增量式神经网络聚类算法。算法中引入"胜者得全"式竞争等学习机制,在增量聚类过程中成功避免了"遗忘灾难"问题。在经典数据集上的实验结果表明:该聚类算法与K-means等传统聚类算法效果相当,特别是在增量学习任务的时空开销方面具有较大优势。     

利用主成分分析的通信调制识别通用对抗攻击方法

深度学习容易被对抗样本所攻击。以通信调制识别为例,在待传输的通信信号中加入对抗性扰动,可以有效防止非合作的用户利用深度学习方法识别信号的调制方式,进而提升通信安全。针对现有对抗样本生成技术难以满足自适应和实时性的问题,通过对数据集中抽取的小部分数据产生的对抗扰动进行主成分分析,得到适用于整个数据集的通用对抗扰动。通用对抗扰动的计算可以在离线条件下进行,然后实时添加到待发射的信号中,可以满足通信的实时性要求,实现降低非合作方调制识别准确率的目的。实验结果表明该方法相对基线方法具有更优的欺骗性能。     

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。     

师生心理场探析

教育、教学的双边活动构成了师生心理场。本文从心理学与社会学的角度对师生心理场的运行机制作了简单的介绍,进而从"教"与"学"的双向活动中对师生心理场的诸多因素进行分析和评价,并就"教"与"学"活动在理论与实践的结合上做了一定的探索。     

如何提高学生《英语听力》课程的自主学习能力和效果

听、说、读、写是语言学习者必备的技能,而位居首位的听力,往往成为许多学生的绊脚石。仅仅靠有限的《英语听力》课堂时间,无法从根本上提高学生的听力水平。根据建构主义理论,听力的提高很大程度上要靠学生课后自主学习。而学生《英语听力》课程自主学习能力和效果的提高,取决于教师的课堂指导、书面作业及口头作业的选择。     

大学新生外语学习观念探析

我们采用问卷和访谈的方法,对50多名英语专业新生的外语学习观念进行调查。调查涉及:语言性质、语言学习性质、语言学习策略。提出大学新生作为处于转型期的特殊群体,其外语学习观念将直接影响学习结果。因此,教师必须了解学生的语言学习观念,尽早纠正不正确的观念,帮助学生有效地学习外语。     

多媒体教学在学前教育中的应用

多媒体技术在全世界范围内引起了教育界的广泛关注,其在大学、中学、小学的应用成果丰硕,在学前教育领域却是刚刚起步。我们应抓住机遇,及时地把多媒体技术引进学前教育领域。采用与21世纪教育发展相适应的多媒体技术是学前教育现代化的任务之一,是学前教育改革的一项重要内容。     

综合性大学师范生公共教育学学习态度调查研究

公共教育学是综合性大学教师教育专业的教育类课程的核心和基础,担负着培养学生教育教学所需要的现代教育理念、教育教学能力以及提高综合素质等多重任务。但近年来,师范生对公共教育学的学习态度,一直是阻碍公共教育学教学质量的一大难题。文章通过问卷和访谈的研究方法,调查师范生对学习公共教育学的态度情况,并从中发现由于教材,教学方式,学习方法,课程评价等因素的影响,师范生对公共教育学的学习态度比较消极,因此,通过引导,改变教学方式,提倡多样化的学习方法,建立多样化的课程评价方式等途径,积极促进师范生对公共教育学学习态度的转变,从而提高教学质量。     

基于时序特征编码的目标战术意图识别算法?

对战场目标战术意图的快速、准确和自动识别,是智能决策的前提和基础。目标战术意图通常由多个战术动作组合完成,因而目标状态呈现动态、时序变化特征。本文针对目标意图识别问题的特点,提出一种基于栈式自编码器（ SAE）的智能识别模型,设计智能识别模型的基本框架,提出一种基于时序特征的输入信号编码方法及相应的模式解析机制,通过将目标状态在多个时刻的时序特征和战场环境、目标属性等信息统一编码为输入信号,将军事专家的知识经验封装为模式标签,模拟人的推理模式与认知经验,实现对目标战术意图的智能识别。最后通过实验,分析预训练过程和网络深度对算法性能的影响,并通过与多层感知机（MLP）和逻辑回归分类器（LRC）识别准确率的比较,验证所提SAE算法的有效性。     

一种改进的粒子群优化算法

针对基本粒子群算法存在着收敛速度慢、效率低、易陷入局部最优等缺陷,为了更好地平衡全局和局部搜索能力,在粒子群算法中引入收缩因子,使算法中粒子不仅向种群最优的粒子进行学习,而且向种群中比自己优秀的所有粒子学习,增加了粒子的多样性。实验结果证明,与基本蚁群算法相比,改进的粒子群算法提高了收敛速度和效率,能一定程度地避免局部最优解的产生。