基于移动学习的对外汉语教学实践与思考

以对外汉语教学中遇到的实际问题为切入点,探讨运用移动学习观念解决当前对外汉语教学中存在的种种瓶颈问题,阐述运用移动学习方式促进对外汉语教学的实践与思考。     

关注艺术专业大学生外语学习中情感因素的必要性研究

本文从人本主义教育理论、情感过滤假说、建构主义学习理论、情绪生理学理论四个方面阐述了关注大学艺术生外语学习中情感因素的必要性,以期对艺术专业师生的外语学习和教学有所启示。     

浅谈财政税收工作存在的问题及深化改革

在我国经济快速发展的同时,对财政税收工作也越来越重视,但目前的税收工作与经济体制稍有不服,还需深化改革。在此首先分析了财政税收工作中出现的问题,然后提出了一些解决对策。以期对以后的工作中提供一些参考。     

基于课外学习的高职学生英语应用能力实证研究

以建构主义教学观为视角，研究课外学习对提高学生英语语言应用能力的有效性。实验结果表明，课外学习是构建英语语言学习环境的有效手段，对高职英语课堂教学有很大的促进作用，对提高学生的英语语言应用能力有明显作用。     

夯实大学人才培养的基石——先秦诸子思想的启示

<正>大学作为培养人才,传播思想的地方,与时代的发展动向密切相关。但现在大学中存在这样的问题,对财富的过度追求带来的可能是大学生选择专业时以就业率和热冷门作为重要依据。更重要,如章开沅先生所言:"目前的学校‘重教书而轻育人’,没有真正把知识传授与品格陶冶密切融合在一起。"实际上,大学的终极目的并不是培育迎合社会喜好的专门人才,而应该是培育有道德情怀、能推动人类社会发展与进步的高素质人才。培育仁爱为核心的君子品格。以仁爱为核心的君子品     

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。     

基于协方差矩阵重构的单基地MIMO阵列无网格DOA估计方法

提出了一种单基地多输入多输出(multiple-input multiple-output, MIMO)阵列中的协方差矩阵重构的无网格波达方向(direction-of-arrival, DOA)估计方法。该方法通过降维处理将MIMO阵列等效为信噪比(signal-to-noise ratio, SNR)提升的均匀线列阵,将目标方位估计问题转化为混合范数最小化(mixed norm minimization, MixNM)稀疏信号重构问题。进一步给出了与该稀疏重构问题等价的基于网格的凸优化问题,并模型化为半定规划来求解。为了解决网格大小影响估计性能的问题,利用了等价均匀线列阵的托普利兹结构,模型化为半定规划问题来重构无噪声协方差矩阵,最后通过范德蒙分解来估计目标方位。与传统的基于MixNM方位估计方法相比,该方法减少了优化变量个数。与其他离网格方法相比,该方法估计精度不受网格大小的影响,且能够估计相干源目标。实验仿真验证了该方法的有效性。     

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。