基于SPA的大学生自主学习能力评价的物元模型研究

物元模型是对事物特征进行数学描述的一种模型,集对分析(SPA)是可以处理确定性和不确定性问题的系统分析方法.大学生自主学习能力评价是高等教育的一项重要内容,科学的评估直接影响自主学习的最终效果.建立了基于SPA的自主学习能力评价物元模型,对影响自主学习能力的主要因素、发展态势和权重进行了分析,用物元理论进一步将事物的特征量化,得到大学生英语自主学习能力评价方法,通过实例对模型的合理性进行了验证.结果表明,SPA物元模型能够较好地评价大学生英语自主学习能力,是系统分析的一种科学、有效的方法,培养学生自主学习能力的研究和实践能最大化地帮助学生的英语学习.     

论远程开放教育中学员的自主学习

个别化自主学习模式的建立是现代远程开放教育预期的重要目标之一,文章就此问题指出目前在个别化自主学习中存在的问题,提出了相应的解决措施：加强对学员学习观念的更新,提供能够满足学生自主学习需要的教学资源,完善对自主学习的管理机制。文章最后为学员提供个性化的自主学习支持服务提出了具体的措施。     

网络教学系统中促进自主学习的设计

为了解决网络教学系统缺乏对自主学习支持的问题，应用学习理论指导，对促进网上自主学习的条件进行了研究，加强系统自主学习工具和环境的设计。据此提出一个促进自主学习的网络远程教学系统模型并加以实现，对实现的部分关键技术和应用的效果进行了阐述．实践结果表明，该系统可以有效促进网上自主学习的开展。     

试析学生自主学习能力培养前提下的小学语文教学

《语文课程标准》指出，教师应采取措施引导学生进行自主学习，培养学生自主学习能力。文章正是在这种背景下对自主学习基本概念及其教学策略作了阐述和分析，希望能够对小学语文自主学习方式的推广有所裨益。     

新课改下教师的四个转位及学生能力的培养

新课程改革强调发现学习、研究性学习、探究学习。这些学习方式充分体现了学生学习的自主性。即:规律让学生自主发现、方法让学生自主寻找、思路让学生自主探究、问题让学生自主解决。通过研究性、探究学习,让学生在自主学习中探究、在质疑问难中探究、在观察比较中探究、在矛盾冲突中探究、在问题解决中探究、在实践活动中探究。本文首先分析了新课改条件下教师的四个转位,继而又提出了在新课改的情况下,对学生能力的培养。     

基于多属性决策的自主等级评估算法

通过多属性决策的理论对自主能力进行评估,实现了混合主动交互的可变自主系统.结合水面无人系统的导航任务,给出了基于多属性决策理论的自主能力确定模型.利用该模型,能够评价当前形势下可行的自主等级,并基于用户偏好做出选择,解决了未知环境下无人系统自主等级合理确定的问题,具有较好的效果.研究结果表明基于多属性决策的自主等级确定...     

探索提高大学生英语自主学习能力的途径

文中概括总结了中外学者对自主学习内涵的理解,调查分析了大学生英语自主学习存在的问题,提出了从课堂教学和课外教学两方面探讨提高自主学习能力的途径：通过多媒体教学、实践教学、网络教学和自主学习系统等手段培养学生对英语的兴趣,解决自主学习中的问题,达到提高自主学习能力的目的。     

基于连接增强式学习的移动机器人控制

采用基于行为的控制方法，机器人在不知道外界精确模型的条件下，利用增强式学习自主完成给定的任务，机器人在学习过程中需要对行为状态进行记忆，连接增强式学习利用多层感知器逼近Q函数，泛化状态空间，节约了存储容量，仿真结果证明了这种算法的有效性，解决了基于查表增强式学习不适用连续状态空间的缺陷，为移动机器人进一步实用化提供了依据。     

探究性学习在信息技术中的尝试

随着以计算机和网络技术为核心的信息技术的快速发展,信息的获取、分析、处理及应用已成为现代人最基本的能力和素质。要使学生能够利用信息技术和信息资源解决实际问题,教师就必须教育学生＂学会学习＂,从传统的被动性学习转向自主探究性的学习。以任务驱动为导向,以学生实践操作能力为培养目标,让学生在任务的指导下自主学习,并在实践中总结、感悟,与任务进行交互,这种探究式学习方式激发了学生的自主性,从而在创新性、实践性等方面优化课堂。     

项目式学习模式在独立学院大学英语教学中的实证研究

近年来,以学生为中心,通过学生独立分析、探索、实践、质疑、创造等方法来实现学习目标、创造性地解决实际问题为本质特征的项目式学习模式已成为一种重要的学习理念和学习方式,受到了越来越多学者的关注和肯定。它能够促进教与学的行为改变,从而产生良好的教学效果,解决当前大学英语教学中存在的问题,改善学生的学习动机、培养学生的自主学习能力和语言运用能力,最终提高英语教学质量。     

基于机器学习算法的电网运行方式计算实践研究

电力系统中电网运行方式的变化会引起了电力设备参数的变化，运行方式的计算量会随着电网复杂程度的增加而逐渐增大，为解决这种工作量繁重而又重复性的工作，结合TensorFlow架构的优势和机器学习算法对电网运行方式计算进行实践研究，结合实际需求对线性回归算法、逻辑回归二分类算法以及深度神经网络算法进行对比分析，给出了性能评价指标.     

利用深度神经网络的无监督视频表示

在计算机视觉领域中,大多数的视频表示方法都是有监督的,需要大量带有标签的训练视频集,但标注大量视频数据会花费极大的人力和物力.为了解决这个问题,提出了一种基于深度神经网络的无监督视频表示方法.该方法利用改进的稠密轨迹(iDT)算法提取的视频块交替地训练深度卷积神经网络和特征聚类,得到可提取视频特征的深度卷积神经网络模型;通过视频的中层语义特征,实现了无监督视频表示.该模型在HMDB 51行为识别数据库和CCV事件检测数据库上分别进行了动作识别和事件检测的实验,获得了62.6%的识别率和43.6%的检测率,证明了本文方法的有效性.     

多Agent系统中的任务可调度问题

为了将Agent方法应用于应急系统等新领域,在对该类系统研究的基础上提炼出它们的公共特征,根据这些特征设计出一种MAS系统模型,并在该模型的基础上定义了相应的任务可调度问题.利用网络流模型对可调度问题进行了建模,证明了最大流算法可以求解该可调度问题,由此说明该问题是可多项式时间求解的.并且对于给定该问题的一个可调度实例,利用最大流算法还可在系统中找到一组Agent完成所有任务.通过对该网络流模型的进一步分析,得出并且证明了任务可调度判定的充分必要条件,利用这个结论可以快速判断当前任务是否可调度.     

基于多模态共享网络的自监督语音-人脸跨模态关联学习方法

现有的语音-人脸跨模态关联学习方法在语义关联和监督信息方面仍然面临挑战,尚未充分考虑语音与人脸之间的语义信息交互。为解决这些问题,提出一种基于多模态共享网络的自监督关联学习方法。首先,将语音和人脸模态的特征映射到单位球面,构建一个公共的特征空间;接着,通过多模态共享网络的残差块来挖掘复杂的非线性数据关系,并利用其中权重共享的全连接层来增强语音与人脸特征向量之间的关联性;最后,使用K均值聚类算法生成的伪标签作为监督信号来指导度量学习,从而完成4种跨模态关联学习任务。实验结果表明,本文提出的方法在语音-人脸跨模态验证、匹配和检索任务上均取得了良好的效果,多项评价指标相较于现有基线方法提升1%～4%的准确率。     

一种基于强化学习的车联网边缘计算卸载策略

计算密集型、时延敏感型车载应用的不断涌现导致资源受限的车载终端设备无法在短时间内处理大量的应用任务,而且卸载节点的动态变化特性在复杂多变的车联网场景中会导致任务候选卸载节点存在不确定性。针对上述问题,提出一种基于强化学习的计算卸载策略来实现任务卸载预判和计算资源分配。结合设备链接时间与通信半径等因素制定卸载节点发现机制,通过考虑时延与成本对车联网移动边缘计算卸载系统的影响建立效用函数,并以最大化效用作为优化目标将车联网中的卸载问题转化为优化问题,基于卸载节点发现机制采用Q-learning方法提出一种智能节点选择卸载算法求解优化问题,实现任务的智能卸载。仿真结果表明,在车联网场景中,提出的计算卸载策略可实现更高的系统效用。     

网络控制系统中任务与信息的优化调度

为了提高网络控制系统性能,解决网络控制系统中信息和任务相互约束的问题,设计了同时调度网络控制系统中任务与信息的算法.采用遗传算法优化调度序列,减小系统采样周期和端端延时,优化了系统整体性能.最终形成同步异构系统一个周期内的调度表,确定了系统每个子任务的执行时间和占用资源,解决了不同控制回路资源冲突问题和相同控制回路任务与信息执行顺序的约束问题,并且保证了每个子任务的实时性.仿真表明该算法是有效的.     

一种RING结构的工程保障任务并行调度方法

在作战工程保障过程中,工程兵工程保障任务重、时间紧,战场情况复杂多变。传统的任务调度策略没有实现静态和动态的结合。RING结构的并行调度是将作战工程保障指挥系统视为一个分布式系统,将系统内的若干要素构成环状拓扑结构,分调度和执行2个阶段来完成整个调度过程的方法。通过实例证明,该方法能较好的解决作战工程保障中任务调度问题。     

RM算法中减少抢占开销的任务微调算法

在基于嵌入式实时操作系统的实时应用中,由于任务抢占导致的切换开销对于整个系统是不可忽略的.提出了一种减少抢占发生的RM任务微调算法,通过对固定优先级调度抢占行为可推迟时间的量化分析,推导出受低优先级任务阻塞而造成的受阻任务集,以及在任意抢占时刻,推迟高优先级实时任务执行避免抢占发生的判定条件.仿真实验表明该算法在保证可调度任务集中所有任务满足时限约束的前提下,延迟高优先级任务的执行,减少抢占发生次数,通过减少抢占开销提高RM算法在实际应用中的可调度利用率.     

基于ADS-B数据的机场场面多目标行为识别

针对机场场面监控视频中存在多个飞机目标,且各种行为轨迹相似,难以通过轨迹进行行为判断的问题,提出了一种基于广播式自动相关监视(automatic dependent surveillance-broadcast, ADS-B)数据的机场场面多目标行为识别。首先,利用ADS-B信息通过透视变换的方法对视频中的所有飞机进行定位;其次,利用历史轨迹预测飞机一定距离之后未来时刻的位置,通过历史以及预测的目标位置划定每一架飞机的运动区域;最后,将多目标行为识别转换为多个单目标行为识别任务。在每一架飞机的运动区域中,通过多时间尺度的融合卷积完成对所有飞机的行为识别。针对性地制作了一个包含飞机各种行为的小型数据集为基于融合卷积的行为识别算法提供训练和测试,同时在多个具有ADS-B数据以及相应标定数据的场面监控视频中进行了验证,实验结果表明本文方法可以满足包含多个目标的机场场面飞机行为识别任务。     

一种面向个性化网络学习的协同学习任务生成方法

提出了一种面向个性化网络学习的协同学习任务自动生成方法.该方法以学习目标与学习小组中学习者的个性特征为输入,通过基于学习者认知水平的协作成员分组和基于耦合度的协同学习模式分配,生成符合学习者群体个性特征的协同学习任务,从而有效地解决了网络学习中个性化学习与协同学习相结合的问题.该方法已在实时教学系统中进行了测试,结果表明,相对无指导的协同学习,根据此方法所生成的学习任务的协同学习可有效提高学习效率.