基于改进级联宽度学习的自适应认知诊断方法

针对现有的认知诊断模型信息利用不充分以及依赖局部作答信息而导致诊断精度低的问题,提出了基于改进级联宽度学习的自适应认知诊断方法。首先,提取题目的语义、参数等特征,采用无偏差加权进行融合。其次,提出了改进的级联宽度学习系统(improved cascade of broad learning system, ICBLS),旨在学习全序列作答信息,利用残差结构解决长序列学习遗忘的问题,采用网格搜索法确定最优参数组合,进而构建认知诊断模型。最后,经过非线性分类器实现知识状态的分类。以BP神经网络、Bi-LSTM、Bi-GRU为基线模型,在实际的接受性任务中进行了实验验证。结果表明,基于ICBLS的模型获得的最高模式准确率为95.74%,平均属性准确率为98.31%。并且,通过消融实验证明了题目的语义信息有利于模型更准确地发现被试的语言理解能力。     

基于语义分割的城市航拍图像匹配定位方法

针对无人机如何在无全球导航卫星系统(GNSS)或弱GNSS环境下确定自身的位置,以使无人机完成各项既定任务的问题,提出一种在城市环境中以无人机上搭载的俯视相机和高度计作为传感器,通过航拍图像和已知参考卫星图像进行配准以获得无人机绝对位置的方法．在配准之前,使用卷积神经网络对两幅待配准图像进行语义分割,提取两幅图像中的建筑物信息．与传统点特征匹配方法容易失败不同,利用两幅图像的建筑物排列信息配准,可以克服两幅图像可能存在的部分差异,如季节等因素的变化．本方法无须已知无人机的精确初始位置,可利用初始化算法在大面积范围内确定无人机的初始位置．在视觉里程计(VO)运行过程中利用最近点迭代(ICP)点云配准算法以消除漂移．最后,利用在谷歌地球中模拟的数据集,验证了本方法的有效性．     

采用LMS的Smith预估器参数在线辨识

基于LMS自适应预估理论,结合多层前馈神经网络,提出Smith预估网络模型,采用LMS算法,推导出单变量Smith预估器参数的在线辨识算法,并将单变量的在线辨识算法推广到多变量系统,提出多变量Smith预估网络模型和纯滞后时间τ及静态增益A的在线性辨识算法,对种模型、多种估失配的情况进行仿真实验,结果表明该算法具有良好的辨识有效性广泛的适应性。