基于CSCL的网络协作学习系统的结构模型

随着计算机技术和网络多媒体技术的不断发展,协作学习成为网络教育的一个新的热点。本文概述了计算机支持的协作学习(CSCL)的基本概念及理论基础,探讨了计算机支持的协作学习系统的几种传统结构模型,并在此基础上提出了一种基于CSCL的网络协作学习系统的结构模型。     

一种基于YOLOv5的小样本目标检测模型

深度学习技术在目标检测领域取得了显著的成果，但是相关模型在样本量不足的条件下难以发挥作用，借助小样本学习技术可以解决这一问题。本文提出一种新的小样本目标检测模型。首先，设计了一种特征学习器，由Swin Transformer模块和PANET模块组成，从查询集中提取包含全局信息的多尺度元特征，以检测新的类对象。其次，设计了一种权重调整模块，将支持集转换为一个具有类属性的权重系数，为检测新的类对象调整元特征分布。最后在ImageNet-LOC、PASCAL VOC和COCO三种数据集上进行实验分析，结果表明本文提出的模型在平均精度、平均召回率指标上相对于现有的先进模型都有了显著的提高。     

一种基于模糊核超球感知器的模糊分类模型

本文提出一种模糊核超球感知器（FKHP）学习方法,并介绍了一种基于FKHP这种学习方法的模糊分类模型.模型构建的基本思想是首先选择适当的核函数,将训练模式从输入空间映射到高维特征空间;然后,在特征空间中,利用提出的模糊核超球感知器学习算法,为每一类训练模式找一个覆盖该类别的训练模式的超球;将每个超球,看作为一个模糊划分,以超球中心和半径为参数,定义超圆锥体的隶属函数,并为之建立一条IF-THEN分类规则;最后,以超球半径作为规则的调整参数,进行规则的优化调整.本文介绍了模型的结构、分类规则产生算法以及规则的调整策略.     

构建学生模型关键问题的研究

如何有效评价学生的学习状态以及学生认知水平的表达,是建立智能导学系统的一个难点。本文主要基于认知水平和学习偏好的学生模型,对认知水平评价模型进行了完善;综合考虑了常用的获取学习偏好的途径,提出了本系统获取学习偏好的方法。     

一种基于个体趋势分析和评价算法的个性化学习模式

针对传统E-learning系统的不足,本文提出了一个新的基于推拉模式的交互式个性化学习评价环境。在拉模式中,通过信息采集和分析算法来发现学习过程中的弱点。在推模式中,选择合适的算法来建立个性化的学习评价模型。最后通过决策树理论提供给用户合理的建议。实验结果表明了本文所提出的评价算法的有效性和准确性。     

基于本体的虚拟自适应学习系统研究

为了根据学生的个性特征和学习进程动态地呈现教学内容，更好地满足学习者的需要，本文在描述自适应学习系统、语义网和本体的相关知识基础上，提出了一个基于课程本体和用户模型的虚拟自适应学习系统体系结构并描述了它的工作过程。     

一种基于个体趋势分析和评价算法的个性化学习模式

针对传统E-learning系统的不足,本文提出了一个新的基于推拉模式的交互式个性化学习评价环境.在拉模式中,通过信息采集和分析算法来发现学习过程中的弱点.在推模式中,选择合适的算法来建立个性化的学习评价模型.最后通过决策树理论提供给用户合理的建议.实验结果表明了本文所提出的评价算法的有效性和准确性.     

基于Wiki的移动校园学习平台的构建

为了满足移动用户随时随地学习的需求,本文构建了一个基于Wiki的移动校园学习平台(WPMC)。首先提出了一种灵活的多层次体系结构组织和管理移动用户彼此合作,这种方法被用来构建平台的体系结构以便平台能够适应动态复杂的移动环境。其次,本文基于不同粒度对平台中的移动协作进行描述,并给出了一种基于多Agent的协同工作模型。最后,本文给出了移动校园学习平台原型系设,通过实践证明本移动校园学习平台对Wiki功能扩展良好。     

基于Internet的协同学习系统的一个应用模型

从实现的技术手段方面讨论了两种基于Internet的协同学习模式;同步学习模式和异步学习模式,在此基础上提出了一个实用的、通用的和可扩展的协同学习系统的应用模型,并给出了一个运用该模型设计教学讨论系统的实例。     

利用不可逆热力学原理初步构建认知模型

学生学习的过程,是一个知识由无序到有序的过程。本文从不可逆热力学原理与熵理论出发,分析了影响学生学习的主要因素,初步构建了学生认知过程的基本模型,并结合化学教学实际提出了针对该模型中的不同变量应采取的教学策略。     

基于扩展虚存思想的微机存储器无限扩展方法

本文通过对IBM-PC微型计算机硬件结构的研究,针对其内存容量小,满足不了信息处理要求的问题,提出并实现了一种扩展虚存思想。借助于微机本身的总线结构及接口扩展槽,采用局部总线设计技术,在占用主机一个单槽及内存空间一个段的情况下,无须对其原有硬件作任何改动,就可使它的内存无限扩展。利用这一思想作成的扩展虚存板,可以满足存储大容量动目标序列图像的要求。     

局网仿真数学模型及其面向对象实现方法

从局网的基本关系式出发,为局网仿真系统建立了一种数学模型.与传统的性能模型不同,该数学模型把各种局网的差异隐蔽在5个映射之中,没有排斥实际系统中的任何细节.这些映射的功能可以由模拟局网的协议、传输介质和站点的对应对象来分别完成,形成面向对象仿真系统的基本结构.对象内部不同的结构和细化可以实现不同局网的差异和细节,而仿真系统的基本结构保持不变.令牌总线和混合CSMA令牌协议被作为范例演示了该数学模型的普遍适用性.     

人手柔性触觉感知特性

提出了一种新颖的基于弹性梁有效变形长度控制的柔性触觉感知再现方法,并研制了柔性触觉感知装置.通过在该柔性触觉装置上进行实验,对人手的柔性触觉感知特性进行了研究,得出一些结论.刚度越大,分辨率越低,随着刚度的增大,相比较的2个物体间需具有更大的刚度差异才能够分辨.当人们触摸物体时,习惯的次数为2～6次,按压频率主要分布在0.3～1.3 Hz.实验点的刚度越大越难记忆.连续感知的正确率要明显高于不连续感知的正确率.本实验方法简单有效,得出的实验结论不仅可用来改进触觉再现装置的设计,而且为触觉再现技术的研究提供了生理学依据.     

二值图像的自动表述

提出了一种通过对图像中物体的边缘进行描述来表征二值图像的方法 .该方法对二值图像进行边缘提取、周线跟踪、特征点提取、边缘分割及曲线匹配 .经处理后的图像由一系列描述物体边缘的数学方程来表征 ,有利于图像数据压缩及重构 .     

空间多样化约束下的移动k近邻查询

考虑为移动中的查询对象连续返回k个距离近并且满足空间多样化约束的对象，提出了空间多样化约束下的移动k近邻(SDC-MkNN)查询.在此，满足空间多样化约束代表对象之间的相互距离大于距离阈值.为了高效处理SDC-MkNN查询问题，提出了两种基于安全区域技术的算法.算法均通过减少重新计算查询结果的次数来提高查询效率.其中一种为精确算法EA，可连续返回精确的查询结果；另一种为近似算法ρAA，可连续返回具有近似率保障的近似查询结果.采用真实数据集验证了所提出算法的有效性.     

基于凸面几何学的凸体Yee元胞建模

为了解决利用时域有限差分(finite difference timedomain,FDTD)方法实现凸体的电磁散射特性数值计算中,普遍遇到的Yee元胞建模问题,该文提出了关于凸体的一种新的Yee元胞建模方法。其主要思路是利用凸面几何学的理论判断空间任意一点和凸体每一个体元之间的位置关系,进而可以判断此点与整个凸体的位置关系,由此建立了凸体的Yee元胞建模方法,此种方法称为凸体的凸面几何学Yee元胞建模(convex geometry Yee cells model building of convexobject,CGYCMBCO)方法。CGYCMBCO方法给出了4个凸体的Yee元胞建模的实验结果,实验结果表明CGYCMBCO方法适用于任意凸体,能给出任意凸体的Yee元胞。     

基于凸面几何学的凸体Yee元胞建模

为了解决利用时域有限差分(finite difference timedomain,FDTD)方法实现凸体的电磁散射特性数值计算中,普遍遇到的Yee元胞建模问题,该文提出了关于凸体的一种新的Yee元胞建模方法。其主要思路是利用凸面几何学的理论判断空间任意一点和凸体每一个体元之间的位置关系,进而可以判断此点与整个凸体的位置关系,由此建立了凸体的Yee元胞建模方法。此种方法称为凸体的凸面几何学Yee元胞建模(convex geometry Yee cells model building of convexobject,CGYCMBCO)方法。CGYCMBCO方法给出了4个凸体的Yee元胞建模的实验结果,实验结果表明CGYCMBCO方法适用于任意凸体,能给出任意凸体的Yee元胞。     

一种基于背景减法的运动目标检测算法

针对静止摄像机下的运动目标检测问题,提出了一种基于背景减法的运动目标检测算法.首先利用无拘束学习方式迅速建立多个可靠的RGB颜色背景模型,然后在运动目标分割过程中,及时地根据场景变化对背景模型进行更新,同时利用色度信息及局部交叉熵信息去除阴影,得到较为精确的运动目标.在对用普通USB摄像头获取的视频序列实验中,该算法显示了良好的性能.     

基于背景差分的运动目标检测方法

针对静止摄像机下的运动目标检测问题,提出了一种基于背景减法的运动目标检测算法.通过对一组连续视频进行处理,从中得到不含运动目标的背景图像.再利用背景差分的方法提取出运动目标.在确定比较阈值的过程中,一改以往通过实验不断调整的做法,提出了动态阈值的概念,从而增强了检测效果,提高了算法的可实施性.融入了高斯模型关于背景更新的算法,克服了由于背景突然改变而造成的误检测.实验结果表明,通过背景差分与高斯模型相结合的方法,在有诸多不确定性因素的序列视频中构建背景有较好的自适应性,能迅速响应实际场景的变化,为准确地检测出运动目标提供了必要的基础.     

复杂环境中一种基于深度学习的异常检测方法

为了解决复杂环境中异常检测的问题,提出一种基于深度学习的检测方法。首先,通过引入(you only look once,YOLO)检测,将卷积神经网络回归法提取的物体时空特征,输入到长短期记忆模型(LSTM),追踪复杂环境中个体的运动轨迹。然后,评估相邻个体间运动轨迹的依赖性。最后,采用编码-解码框架训练LSTM模型,预测物体未来的运动轨迹;根据物体未来运动轨迹的异常概率,最终完成异常检测。实验结果表明,解决了复杂环境中运动物体间的相互干扰问题;在时间和空间鲁棒性评估上,优于其他轨迹追踪的方法,从而证明了本方法的有效性和可行性。