结合低秩分解与多流融合的行为识别方法

运动信息对行为识别任务至关重要。现有方法仅利用了局部运动信息,忽略了全局运动信息的重要作用。为解决该问题,提出了一种基于低秩分解与多流融合的行为识别方法。通过3条支路分别提取视频的特征,第1条支路利用低秩分解提取全局运动信息;第2条支路提取视频的光流特征以得到局部运动信息;第3条支路利用原始视频作为输入,以保留完整的空域信息。将3条支路的预测结果进行后融合,得到最终的行为识别结果。通过多流融合,充分利用视频的多尺度时域运动信息和丰富的空域信息,提高现有模型的行为识别能力。实验结果表明,提出的方法优于现有模型的多流融合行为识别方法。     

罗氏平面上三种圆曲线的比较

本文证明：罗氏平面上的等距线在其高趋于无穷时以极限线为其极限位置     

实现操作人员控制策略的模糊神经网络方法

通过一个仿真实例的研究。阐述了实现操作人员控制策略的模糊糊神经网络方法，并讨论了模糊神经网络控制器的鲁棒性问题，仿真结果证实了该实现了方法的有效性。     

用智能模块进行水轮机综合特性曲线的计算机处理

介绍了用人工神经网络的智能模块进行水轮机试验曲线仿真处理的方法，这种方法无须去建立复杂的拟合曲线数学公式，而是采用人工智能技术提高了处理精度。     

曲线积分与路线无关性定理的推广

本文把在单连通区域上成立的曲线积分与路线无关性定理推广到复连通区域。     

本科生导师制--学生个性化教育的发展和延伸

导师制是充分发挥学生个性的一种教育管理手段,有利于对学生加强思想政治教育,有助于培养学生的能力、提高学生素质.本文主要探讨了在本科生中实施导师制的必要性和优越性,也对实施中的不足进行了研究,提出了自己的见解.     

蒙古语学习软件的设计与实现

介绍了蒙古语学习软件的设计思想，给出了书写软件的实现方法，以及基本字符与变形显现形式之间的对应关系．     

Learning-based force servoing control of a robot with vision in an unknown environment

A learning-based control approach is presented for force servoing of a robot with vision in an unknown environment. Firstly, mapping relationships between image features of the servoing object and the joint angles of the robot are derived and learned by a neural network. Secondly, a learning controller based on the neural network is designed for the robot to trace the object. Thirdly, a discrete time impedance control law is obtained for the force servoing of the robot, the on-line learning algorithms for three neural networks are developed to adjust the impedance parameters of the robot in the unknown environment. Lastly, wiping experiments are carried out by using a 6 DOF industrial robot with a CCD camera and a force/torque sensor in its end effector, and the experimental results confirm the effecti veness of the approach.     

关于数学学习习惯的调查与思考

对数学教育专业学生而言,不良的数学学习习惯是一个尤为值得关注的问题.它不仅严重影响了大学生数学学习的效率,是导致学生数学学习积极性不高的一个主要原因之一,而且极有可能对师范生将来的工作产生负面的影响.为此,在数学学习过程中应给学生多一些指导和帮助,促进学生养成良好的数学学习习惯.     

Optimal Response Learning and Its Convergence in Multiagent Domains

In multiagent reinforcement learning, with different assumptions of the opponents＇ policies, an agent adopts quite different learning rules, and gets different learning performances. We prove that, in multiagent domains, convergence of the Q values is guaranteed only when an agent behaves optimally and its opponents＇ strategies satisfy certain conditions, and an agent can get best learning performances when it adopts the same learning algorithm as that of its opponents.