国内近15年英语写作自我效能感研究回顾及展望

本研究回顾和梳理了国内近15年(2005-2020)中国知网(CNKI)收录的有关英语写作自我效能感的研究。首先,通过数据介绍了现有研究的发展趋势,然后,详细分析和总结了当前关于写作自我效能感研究的主要内容。最后,分析现有研究中存在的不足之处并据此提出未来的努力方向。     

ECOC多分类算法在慕课数据挖掘中的应用

收集并整合多所高校学生的慕课学习行为数据，设计基于数据复杂度的纠错输出编码（ECOC）多分类算法。该算法利用数据复杂度降低多类之间的分类难度，从而提高算法的预测准确度。实验结果表明，在不同高校的慕课数据集的测试中，所设计基于数据复杂度的ECOC分类算法比传统的ECOC算法具有更高的分类准确度和鲁棒性，实现了学生学习成绩多等级的有效预测，为个性化教学奠定了基础。     

从郭熙到列维坦:山水画“三远法”与风景画焦点透视法之比较

中西方绘画艺术历经千年演变,在思想和技法上已各成体系,分别代表各自民族文化的审美主张,并随时代的发展而不断演化。文章结合中国山水画和西方风景画在审美意境上的差异,通过对比9世纪中国画家郭熙和19世纪俄罗斯画家列维坦的艺术成就,分析中西方绘画所采用的不同透视观察方法,研究中西方艺术家在世界观和审美取向上的差别,阐释中西方艺术品鉴标准。客观理解中西文化艺术差异,对理解世界多元文化共生、增强文化自信有着重要作用。     

《系统工程学报》投稿须知

本刊是中国系统工程学会会刊(双月刊),主要刊登系统工程理论、方法和应用诸方面的学术论文、综述及研究简报等文章.来稿要求未在其它公开发行的刊物或会议论文集上发表过.来稿应注意如下事项:1.思想新颖,观点明确,文字精炼,论证严密,不得泄露国家机密.2.用正式的国标简体字,横排书写,文字清晰,标点符号规范合理.     

一种基于类不平衡学习的情感分析方法

针对网络评论中普遍存在的负面评论较少而影响力却较大的类不平衡问题, 提出一种基于类不平衡学习的情感分析方法. 该方法利用深度学习训练过程中的概率输出, 以计算样例的信息熵作为影响因子构建交叉信息熵损失函数. 在IMDB公开数据集上进行实验验证的结果表明, 基于集成信息熵损失函数的双向长短期记忆网络能处理类不平衡问题; 对数据的统计分析结果表明, 该策略能提升基于双向长短期记忆网络的评论情感极性分类性能. 针对AUC(area under curve)指标, 使用集成信息熵损失函数的双向长短期记忆网络模型比未考虑类不平衡的深度学习模型在中位数上最多提升15.3%.     

晶体塑性有限元分析开孔对多晶板材力学性能的影响

基于 ABAQUS 子程序 VUMAT 二次开发平台, 将位错和孪晶的演化过程引入晶体塑性有限元方法(crystal plastic finite element method, CPFEM)中, 实现了多晶塑性材料力学行为的有限元模拟, 并通过试验和模拟结果的对比, 验证了所提出方法和二次开发程序的有效性. 应用含孪晶效应的晶体塑性有限元方法 模拟分析了孔洞对于板材开孔问题的影响, 结果表明: ① 当孔径小于板宽一半时, 强度损失采用线性近似估算值是偏于安全的, 而超过板宽一半时, 不宜采用线性估算值; ② 当孔距较小时, 孔径排布方式对开孔板材的韧性以及极限承载力有重要影响, 排布方式可分弱影响区、强影响区和过渡区 3 种模式. 对于承受单向拉伸荷载的板材, 开孔时应选择沿轴线排布的方式.     

基于码头闸口数据的集卡周转时间短时预测方法

为给车辆调度优化以及集卡预约系统设计提供重要参考,利用所采集的深圳市某港口的码头闸口数据,建立一种基于数据挖掘的集卡周转时间短时预测方法.首先,通过对码头闸口数据进行分析,获取车辆到达时间分布、任务类型、作业方式等集卡作业特征以及集卡在码头内的周转时间;在此基础上,利用循环神经网络并结合训练集数据,建立集卡作业特征与其周转时间之间的映射关系.其次,为减少随机波动对周转时间预测效果的影响,利用小波分解算法对循环神经网络拟合结果的残差进行高频噪声分离,并通过自回归模型拟合过滤后的低频序列.最后,将拟合后的循环神经网络与自回归模型进行结合,建立一种支持集卡周转时间短时预测的组合模型,并利用测试集数据进行有效性验证.结果 表明,相比单一的循环神经网络,该组合模型可以大幅提升预测精度.     

面向拥堵传播阻断的城轨站点分类

针对拥堵客流的传播阻断问题,研究了一种城轨站点分类方法.首先,通过分析影响站点拥堵传播阻断能力的相关因素,选取了站点客流量、站点运输能力和拓扑位置指标构建指标体系;其次,采用SOM神经网络和模糊分类算法对多指标数据进行分类,获取了不同时段下具有不同拥堵阻断能力的站点类别,实现面向拥堵传播阻断的站点分类;最后,采用北京市轨道交通实际运营数据对模型进行验证.研究结果表明:该方法能够在城轨系统不同时段下,随着客流量和运输能力的变化,准确识别不同类型的站点,并为后续研究城轨网络的大客流拥堵传播模型提供站点参数分析依据.     

目标电磁散射的面中心立方体网格FDTD方法

基于面中心立方体(face-centered cube, FCC)网格的空间结构, 由麦克斯韦方程出发, 推导了基于FCC网格的单轴各向异性介质完全匹配层(uniaxial anisotropic media perfectly matched layer, UPML)吸收边界条件以及近-远场外推边界条件的三维迭代式。通过典型算例, 先后验证了基于面中心立方体网格的时域有限差分(FCC-finite difference time domain, FCC-FDTD)方法的UPML吸收边界条件和近远场外推边界条件的正确性。最后通过计算金属球的后向雷达散射截面(radar cross section, RCS)比较了FCC-FDTD方法与传统FDTD方法的计算精度, 结果显示FCC-FDTD方法具有更高的计算精度。     

基于强化局部特征的3D点云分类与分割网络

在点云的处理过程中，许多深度学习网络未能充分考虑局部点之间的复杂关系，导致大量空间几何信息丢失。针对该问题，提出了一个强化局部特征的网络，用于点云的目标分类和语义分割。该网络通过设计编码单元对点的多方向信息进行编码；通过注意力机制学习采样分组后形成局部点云的特征。同时提出了一种新的多维损失函数，结合使用交叉熵损失函数与中心损失函数作用于分类任务。在数据集ModelNet40和ScanNet上进行了大量实验，结果表明：该网络在点云的目标分类和语义分割任务上表现出较好的性能。