圆锥薄壳热应力分析的分布参数传递函数方法

为分析圆锥壳的热应力问题,建立了圆锥壳热弹性问题的基本微分方程,运用分布参数传递函数方法求解了受温度场作用圆锥壳的位移与热应力.计算结果表明,解析解与有限元解吻合良好.该方法可以对不同边界条件下圆锥壳的热变形和热应力问题进行分析,还可以推广到旋转壳母线形状为曲线的情况.     

多模态交叉解耦的少样本学习方法

当前的多模态少样本学习方法忽视了属性间差异对正确识别样本类别的影响。针对这一问题,提出一种利用多模态交叉解耦的方法,通过解耦不同属性语义特征,并经过特征重建学习样本的本质类别特征,缓解类别属性差异对类别判别的影响。在两个属性差异较大的基准少样本数据集MIT-States和C-GQA上进行的大量实验表明,所提方法较现有方法有较大的性能提升,充分验证了方法的有效性,表明多模态交叉解耦的少样本学习方法能够提升识别少量测试样本的分类性能。     

A misclassification cost‐minimizing evolutionary–neural classification approach

Machine learning algorithms that incorporate misclassification costs have recently received considerable attention. In this paper, we use the principles of evolution to develop and test an evolutionary/genetic algorithm (GA)‐based neural approach that incorporates asymmetric Type I and Type II error costs. Using simulated, real‐world medical and financial data sets, we compare the results of the proposed approach with other statistical, mathematical, and machine learning approaches, which include statistical linear discriminant analysis, back‐propagation artificial neural network, integrated cost preference‐based linear mathematical programming‐based minimize squared deviations, linear integrated cost preference‐based GA, decision trees (C 5.0, and CART), and inexpensive classification with expensive tests algorithm. Our results indicate that the proposed approach incorporating asymmetric error costs results in equal or lower holdout sample misclassification cost when compared with the other statistical, mathematical, and machine learning misclassification cost‐minimizing approaches. © 2006 Wiley Periodicals, Inc. Naval Research Logistics, 2006.     

基于学习矢量量化(LVQ)神经网络的雷达体制识别

由于现代战争中雷达体制的多样化、复杂化及其综合应用使得雷达体制识别中要处理大量复杂的高维数据,学习矢量量化(LVQ)神经网络不仅能处理有监督分类,而且相对于其他神经网络能以较小的计算量处理大量输入数据,所以采用LVQ对雷达体制进行识别,同时针对LVQ学习速率的变化可能引起学习算法不稳定,采用修正的学习速率算法.在简要介绍雷达体制和LVQ的基础上构造了LVQ神经网络对雷达体制进行分类.通过与径向基神经网络(RBFN)识别算法的仿真对比,证实了方法的有效性.     

二语习得理论在大学英语教学中的应用

如何能把英语学好,这是英语学习者最为关心的问题。而英语教育工作者关注的问题则是,如何能把教学搞好,教学工作的核心是什么。根据二语习得理论,关键是采取多种教学方式,对学生进行有效的语言输入,给学习者建立一个理想的英语习得环境。     

普通高校非英语专业新生英语学习观念和策略的研究

本文以问卷和面谈的形式对非英语专业大学一年级新生作了一次调查,通过定量和定性分析发现:(1)学生对外语学习中的个体差异,外语学习的内容和形式,母语在外语学习中的作用没有明确的看法;(2)学生普遍认同管理学习过程的重要性;(3)学生的学习观念和学习策略之间存在着很大的差距。并探讨了此调查结果对外语策略培训的启示。     

内隐学习对我国数学教学的启示

内隐学习的研究成果对我国的数学教学具有很强的启示意义,主要表现在:内隐学习揭示了数学知识的大量贮存将产生积累效应的特点,它可以有效地实现数学教学中的隐性目标,对数学概念的形成也有着巨大的影响。对学生数学学习的作用不容忽视。     

学员英语学习动机激发之管见

学习动机是直接推动学生进行学习的一种内在动力。学习者的动机和态度作为非智力因素对于英语学习起着相当大的作用,在对军校学员英语学习动机深入了解的基础上,提出了激发学员英语学习动机的具体对策。     

改进Laplace先验下的复数域多任务贝叶斯压缩感知方法

为了将现有的实数域贝叶斯压缩感知方法推广至复数域,利用改进Laplace先验假设,提出了一种复数域多任务贝叶斯压缩感知(complex multitask Bayesian compressive sensing using modified Laplace priors, CMBCS-MLP)方法,消除了测量噪声方差的影响,并推导了一种基于递归操作的快速算法。数值仿真表明：针对复数域稀疏信号重构问题,相比于现有方法,所提CMBCS-MLP方法具有更好的精确性和鲁棒性。     

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。