基于应用能力提升的仿真实验课程体系实验综述——以合肥学院为例

为了在有限的条件下培养学生的专业能力,合肥学院运用现有的教学条件模拟企业的实际运营,结合模块化教学方式开展仿真实验教学的改革。在模块化实验教学中,通过物理仿真教学法(橡皮泥沙盘仿真实验)与计算机仿真(物流仿真软件)教学法相融合并循序渐进实施应用,从而取得良好的实验教学效果。     

开放性社会学习者模型实证研究

为帮助学习者准确了解自己和其同伴在学习过程中进展,并引发学习者元认知和社会比较学习体验,笔者运用社会比较理论,设计并开发了基于表格的开放性社会学习者模型TableOSLM,其采用表格可视化形式呈现学习者本人、组和学习同伴的学习进展,在实证研究方面,通过问卷调查、实验研究法和面对面访谈等方式收集数据,评价结果表明:TableOSLM能引发学习者在学习规划和自我反思两个维度上的元认知学习体验和在比较方式和自我完善两个维度上的社会比较学习体验;学习者对TableOSLM在有用性、易用性和满意度3个方面都表现出较高的认可度.     

基于深度学习的牙刷姿态识别方法

针对牙刷分拣中的定位问题,在确定牙刷位置的基础上采用深度学习实现牙刷姿态识别.对牙刷图像进行去噪增强,通过阈值分割提取感兴趣区域,计算图像的几何矩获得牙刷的方向角和外接矩形,以外接矩形的中心作为牙刷位置.用矩形框内的牙刷图像训练残差网络模型,当模型正确率达到要求时保存该模型,用于判断图像中牙刷的姿态.测试结果表明,该方法可以快速准确地实现牙刷的位置确定与姿态识别,为机器人分拣提供牙刷位姿信息.     

数字经济中基于察觉-动机-能力模型的创新扩散机制

数字经济时代下,创新扩散的模式和机制正随着经济环境的变化发生重大变化。鉴于此,本文对数字经济中的创新归纳出信息数字化、组织网络化、用户参与化等特征,基于察觉-动机-能力分析模型对创新的扩散机制进行过程建模,并基于多智能体仿真分析创新扩散。仿真结果表明,随着信息数字化的发展,创新扩散的网络分布不均匀性增加,引起信息资源高效配置和创新扩散的快速迭代;组织网络化带来产业组织在多个层面的集聚,拉近了企业之间的创新距离;用户参与化使得消费者成为创新的贡献者,增加了创新参与者的数量,企业也因此能够更为精确地捕捉用户需求。数字创新中的三种效应共同作用,改善了技术扩散的速率和规模。     

自供电旋转轴系监测系统设计

针对旋转轴系监测系统中传感器相关电路需要外部电能输入的问题,设计了一种基于自供电轴系的监测系统.基于电磁感应原理设计自供电系统结构,给出理论模型,设计整流稳压电路,测试数据测量模块和无线传输模块.结果表明:在不同转速下,该旋转轴系监测系统可以在无须外界电能输入的情况下,将轴系参数发送至上位机.测试数据符合实际值,可以实现旋转轴系监测系统的自供电.     

基于深度学习的中医古文献临床经验抽取

中医古文献蕴藏着丰富的临床经验，是古代中医在行医过程中对临床诊疗的经验性总结，体现了中医学形成和发展的理论框架和思想基础.然而这些宝贵的临床经验不仅量大，而且分散在不同的文献中，使得中医从业者手工很难快速全面地获取它们，文献检索工具也只能提供文档级别的信息筛选，无法为这种细粒度的信息获取提供支持.此外，古汉语相对于现代汉语的不同特点也限制了主流文本分析工具的使用效果.为此本文提出面向临床经验获取的中医古文献信息抽取任务，用于识别古文献中描述临床经验的文本片段，手工标注了样本数据用于这种抽取模型的训练和测试，并设计了基于深度学习的序列标注器用于完成该任务.考虑到标注数据量小可能带来的过度拟合问题，本文引入对抗训练和虚拟对抗训练来增强模型的泛化能力.一系列充分的实验验证了模型的有效性，表明利用信息抽取技术从古文献获取中医临床经验具有可行性，为这一新的信息抽取任务提供了有希望的研究基线和可复用的标注数据集.     

基于概率神经网络的地铁车站易损性分析

基于深度学习方法提出了一种地震响应概率模型，并基于此模型推导了地铁车站结构极限状态超越概率的计算公式，以评价结构的地震易损性。首先采用主成分分析对地震强度指标进行正交化和降维；为了克服传统地震响应概率模型中地震动强度指标与结构地震响应指标服从对数空间线性分布假设的局限性，基于BP神经网络建立趋势模型以预测结构的地震响应；基于概率神经网络建立误差模型以描述基于统计的趋势模型与基于物理机制的数值模型之间的误差，以拓展残差的齐次方差正态分布假设的严格限制。最后，以上海典型2层三跨地铁车站为算例，计算得到其易损性曲线。结果表明，基于深度学习建立的趋势模型较好地模拟了地铁车站结构地震响应随地震强度指标第一主成分的非线性变化特征；建立的误差模型准确地描述了趋势模型预测值的残差随地震强度指标第一主成分的方差非齐次特征。     

基于深度学习的Stack Overflow问题帖分类方法

针对基于正则表达式和传统机器学习的分类方法分别存在模式手工提取困难和性能瓶颈的问题, 提出一种基于深度学习的问题帖分类方法, 采用深度文本挖掘模型TextCNN和融合注意力机制的TextRNN构建分类模型. 实验结果表明, 基于深度学习的方法在多数问题目的类别上的分类性能优于已有基准方法, 且使用的Adam优化器优于SGD优化器, 使用Glove预训练的词向量优于使用随机生成的词向量. 该方法以提问目的对帖子进行分类, 可为分析Stack Overflow(SO)上的帖子讨论主题增加新维度.