电路原理全英文混合式教学模式研究与实施——以大连民族大学为例

教学模式改革是高等教育的一个永恒课题。结合电路原理全英文教学的特点,以学生为中心,全面实施混合式教学模式,引入“雨课堂”等新型教学工具,改革课程评价方式,强化学习过程考核,学生的学习效果得到较大程度提升。     

模糊大脑情感学习的自适应噪声抵消方法

提出一种以模糊大脑情感学习(fuzzy brain emotional learning, FBEL)模型作为自适应噪声抵消器的噪声抵消方法，应用于信号处理问题。该方法通过FBEL模拟经非线性通道传输后的噪声信号，将噪声信号从含噪信号中过滤掉，达到消噪的目的；根据自适应学习算法，利用奖励信号和梯度下降法对FBEL模型的权重及参数进行在线更新，以适应噪声的变化。选取均方根误差和计算时间2个性能指标，采用自适应噪声抵消方法在不同网络中进行仿真比较，结果表明，应用该方法可以获得更好的滤波性能。     

基于混合流量预测的虚拟网络拓扑重构方法

目前在构建虚拟网络时, 为满足用户动态变化的带宽需求, 虚拟网络控制平台通常把虚拟链路带宽设置为流量最大值, 一定程度上造成了资源浪费。针对这一问题, 提出一种基于混合流量预测的虚拟网络拓扑重构方法, 利用基于参数优化选择的混合流量预测算法对下一周期的网络流量进行预测, 根据流量预测结果进行拓扑重构, 在避免出现乒乓效应的同时节省更多带宽资源。为了提高流量预测算法的精度与效率, 首先采用小波分解方法将流量数据分解为高频的细节时间序列和低频的近似时间序列, 然后利用基于粒子群优化的相空间重构方法, 对该时间序列进行特征提取构建训练样本。之后分别采用混沌模型对细节时间序列进行训练预测, 采用极限学习机(extreme learning machine, ELM)神经网络对近似时间序列进行训练预测。仿真结果表明, 所提的流量预测算法在保证预测精度的同时, 运行时间更短, 预测效率更高, 进而保证了拓扑重构方法可以节省更多的带宽资源。     

人工智能心理学研究的知识图谱分析

借助CitespaceⅢ对选自WoS的人工智能心理学研究文献进行知识图谱探析,结合自动聚类视图与议题标签展现了人工智能心理学领域的6个知识聚类:#0人工智能解决问题议题;#1人工与人类认知共性议题;#2人工智能学习议题;#3人工智能脑科学议题;#4人工智能环境认知议题;#5人工智能表征议题。在深入探究各聚类的核心与热点知识的基础上分析了人工智能心理学发展的各阶段特征:1.上世纪50年代图灵和米勒等人对机器认知与学习等概念的猜想与初探;2.70-90年代纽厄尔、西蒙和莱尔德等人基于模块记忆与层级分析对人工智能信息处理模型的系统性构建;3.本世纪初基于神经生理学的降维数据认知理论的发展;4.当下人工智能贝叶斯大脑与深度学习理论的兴起。     

基于互联网技术创新多媒体互动教学新空间

本文利用网络技术开发多媒体互动教学平台解决上述问题的可行性,提倡把互联网技术与传统多媒体教学进行深度融合,创造出多媒体教学的新生态,从而推动学生自主学习、提高学习效率。     

响应式自助微课学习平台的设计

通过对目前国内外微课教学及平台建设现状进行分析研究,在建构主义学习理论指导下,依据"响应式Web设计"理念,应用现代教育技术、移动通信技术、网络技术,将基于网络的微课拓展到移动教学中,设计了"响应式自助微课学习平台",为学习者构建了一个集自助、展示、学习、检测、交流、评价为一体的学习环境。     

类脑导航中基于差分Hebbian学习的网格细胞构建模型

网格细胞是动物大脑中与空间认知和导航有关的重要神经元,具有拓展至整个空间的六边形放电野。位置细胞是网格细胞重要的信息源,可以通过Hebbian学习生成网格细胞,但是现有模型对Hebbian学习的脉冲自适应函数或学习窗函数做了预先的墨西哥帽模型假设。针对该问题提出一种基于差分Hebbian学习的位置细胞至网格细胞模型,利用细胞放电率的变化自发产生墨西哥帽模型的输入关联,然后通过对位置细胞至网格细胞的突触权重进行竞争性非线性限制,生成具有六边形放电野分布的网格细胞。仿真结果表明,该模型可以为无人运行体类脑导航系统的构建提供借鉴。     

基于LMKL和OC-ELM的航空电子部件故障检测方法

针对航空电子部件故障样本获取困难以及检测准确率不高的问题,提出基于局部多核学习(localized multiple kernel learning, LMKL)和一类超限学习机(one-class extreme learning machine, OC-ELM)的故障检测方法。仅运用正常状态的小样本数据,给出了LMK-OC-ELM的数学表达形式,并在不同的门模型下推导了LMK-OC-ELM中局部核权重的优化方法;在获取局部核权重的基础上,定义了离线故障检测所需的统计检验量与阈值,以便工程实现。将所提方法应用于某型接收机,结果表明，在训练时间可控的前提下,与4种常见的一类分类(one-class classification, OCC)算法相比,所提方法可均衡地提高召回率、查准率和特异度,以LMK-OC-ELM-sig为代表,其在F1、曲线下方面积(area under curve, AUC)、G-mean和准确率4个指标上,比最近提出的局部多核异常检测(localized multiple kernel anomaly detection, LMKAD)方法分别提高了1.60%、1.57%、1.53%和2.23%。     

基于SAMME+ResNet的多相码信号识别方法

针对传统多相码信号识别方法在低信噪比情况下分类精度不高、类识别率不均衡和识别方法不具有通用性的特点,提出了一种利用集成学习中的多类指数损失函数逐步添加模型(stagewise additive modeling using a multi-class exponential loss function, SAMME)算法和残差神经网络(residual neural network, ResNet)的多相码信号识别方法。通过仿真实验对5类多相码信号进行了分类识别,验证了模型的有效性,分析了不同数量基学习器对模型的影响,最后与传统分类方法进行了对比。仿真结果表明,在信噪比低于6 dB的情况下,所提方法相对于单个残差网络提高了约10%的分类精度,同时缩小了类之间识别率的差距,相对于常用的分类方法也有很大的优势。     

基于神经网络的图像描述方法研究

自动识别和描述图像的内容是人工智能中一个重要的研究方向,它涉及计算机视觉和自然语言处理技术。针对这一难题,提出了一种由深层神经网络模型生成自然语言句子来描述图像内容的方法。该方法提出的模型由卷积神经网络(Convolution Neural Network,CNN)和循环神经网络(Recurrent Neural Network,RNN)组成,其中,CNN用来提取输入图像的特征生成固定长度的特征向量,该特征向量初始化RNN来生成句子。在MSCOCO图像描述数据集上的实验结果表明了该模型所生成句子的语法准确性和语义准确性,且优于先前的基线模型。