浅谈初中英语听力中预测能力的培养

根据外语教学法专家W.M.Rivers和M.S.Temperply的统计，人们在语言文字的使用中，有45%的信息是通过听来完成的。因此，听力是英语学习的核心课程之一。而听力预测能力是听力教学中一项值得重视的技能，对学生来说，也是一种有效获得信息的方法。著名学者Underwood说：“预测是根据现实的感知和以往的经历，凭想象对将要出现的新形象做出推测、估计和预想的心理过程。初中学生认为英语听力是很难取得好成绩的。英语教师应该注重采取多种教学手段来激励学生学好英语，但不能忽略答题技巧的训练与培养。听力预测能够帮助学生们从容面对考试，确立在听力题取得好的效果的自信。     

考虑车辆间交互作用的驾驶意图预测方法

准确的意图预测可以帮助智能车辆更好地了解周围环境并做出更加安全的决策，从而提高自动驾驶的安全性，促进人机协同驾驶。为了对驾驶员未来的意图做出更加精准的预测，提出了一种交互式意图预测方法。首先，通过将隐马尔可夫模型（HMM）与高斯混合模型（GMM）相结合，在充分考虑周围场景信息后建立了行为识别模型，用于对当前的驾驶行为做出准确的判断。然后，考虑到交通场景复杂多变的特点，提出基于意图的轨迹预测方法规划出一条最佳的行驶轨迹，并采用最大期望效用理论对未来的驾驶行为进行推理。由于行为识别和意图推理模型综合考虑了交通态势的演变过程和车辆之间的交互作用，所以将两个模型得到的结果相结合可得到车辆最终预测出的驾驶意图。最后，在NGSIM数据集对所提出的方法进行验证，结果表明提出的行为识别模型能够提前0.2~0.3 s识别出车辆的换道意图，结合未来意图推理模型，能够更加准确地预测出车辆未来的驾驶行为，由此可提高车辆驾驶的安全性。     

由粗到精和特征筛选的精确回归预测方法及其在二语习得中的应用

针对数据分布不均匀且因素多而容易造成预测不精确的问题,提出一种结合由粗到精与特征筛选的精确回归预测方法.首先,由于数据分布不均匀且预测区间大,直接预测难以精确地拟合,提出一种由粗到精的预测方法,并使用决策树进行粗分类,预测目标所在的子区间,然后在子区间内实现精确的回归预测.其次,如果数据量少且特征因素多会引起过拟合,而且部分冗余特征会影响模型的预测精度,因此,提出一种基于特征筛选的回归预测方法以提高预测精度.在大学生的英语成绩与其人格因素数据集上进行相关实验,结果证明了由粗到精和特征筛选方法与传统回归模型相比精度更高且稳定性更好.通过提出的人格因素与英语成绩回归预测模型,可以制定合理的培养方案弥补学生人格因素中的短板,提升学生的自身竞争能力,从而更好地推动中国的英语教育.     

基于改进人工鱼群算法优化SVR的预测模型

为了降低参数的设定对支持向量机确度的影响,鉴于人工鱼群算法具有易陷入局部最优、收敛速度慢等问题,提出了一种基于改进人工鱼群算法(AFSA)的支持向量机的网络安全态势预测模型,并与GA-LSSVM、PSO-LSSVM及ABC-LSSVM模型进行对比分析。结果表明:文中提出的改进AFSA优化SVM模型性能优于其他比照模型,具有较高的预测精度,对网络安全态势值预测具有较好的效果。     

基于多元回归的高铁墩台沉降形变预测分析

高铁桥梁中的墩台形变在量级上呈现出较小的特征,且墩台在形变监测过程中时常会受到外界条件或随机噪声的干扰,使得采集的数据和后处理预测数据显现出较大的波动,给数据分析和后续的变形预测带来较大影响﹒本文将多元回归法引入到高速铁路桥梁的墩台变形分析数据预处理中,在顾及温度和荷载对墩台作用基础上,利用Matlab建立了多元回归预测模型﹒实验结果表明,相比传统的GM(1,1)预测模型,多元回归法具有一定的优势,预测结果与实际形变值更加接近﹒