学会读“闲书”

广东省1999年进行了"3 X"高考改革试验,在总结试验经验的基础上,2000年广东省的高考"综合科目考试"将进入"X",其内容为含政治、历史、地理、物理、化学、生物六科的大综合,同时江苏、浙江、吉林、山西四省高考也将采取"3 综合科目"方案,四省的"综合科目"第一年为小综合,即分文科综合(政治、历史、地理)和理科综合(物理、化学、生物)。国家教育部明确指出,高考科目改革实行"3 X"方案,"X"的最终形式为综合科目,2001年力争在全国推行。"3 X"是公平地设在每个考生面前的一道坎,综合能力和适应能力强、思路转换及时者将因     

知识库系统的知识表示方法及其在移动学习领域的应用

本文主要讨论的问题是知识表示,探讨关于不同知识类型、知识表示发展的不同阶段,所运用的知识表示方式.以及联系现在与计算机技术相关的无线通讯技术,来探讨知识库系统在教育领域发展趋势.     

基于协方差矩阵的主动学习方法及应用研究

由于工业过程采集的数据中常包含大量的无标签样本,而有标签样本数量少且人工标记成本较高,因此,提出一种基于协方差矩阵的主动学习方法。利用有标签样本建立高斯过程回归模型,并构建无标签样本之间的协方差矩阵,以协方差矩阵行列式的值作为评价指标。在挑选信息量较大的无标签样本的同时,衡量样本间的相似性,避免样本的冗余添加,最终在相同标记代价下提升模型预测精度。基于工业过程数据进行算法的应用仿真,验证了所提方法的可行性和有效性。     

基于协作式深度强化学习的火灾应急疏散仿真研究

火灾是威胁公共安全的主要灾害之一,火灾产生的高温和有毒有害烟气严重影响了疏散路径的选择。将深度强化学习引入到应急疏散仿真研究,针对多智能体环境提出了协作式双深度Q网络算法。建立随时间动态变化的火灾场景模型,为人员疏散提供实时的危险区域分布信息;对各自独立的智能体神经网络进行整合,建立多智能体统一的深度神经网络,实现所有智能体之间的神经网络和经验共享,提高整体协作疏散效率。结果表明：所提方法具有良好的稳定性和适应性,训练和学习效率得到提升,具有良好的应用价值。     

基于强化学习的连续型机械臂自适应跟踪控制

针对空间主动碎片清除操作中连续型三臂节机器人系统跟踪问题,提出一种基于强化学习的自适应滑模控制算法。基于数据驱动的建模方法,采用BP神经网络对三臂节连续型机械臂进行建模,并作为预测模型指导强化学习实时调节所提出滑模控制器的控制参数,从而实现连续型机器人运动的实时跟踪控制。仿真结果表明：提出的数据驱动的预测模型对随机轨迹预测的相对误差保持在±1%以内,能够高精度地反映系统动态特性。对比固定参数的滑模控制器,提出的自适应控制器在保证系统达到控制目标的同时具有更低的超调量和更短的调节时间,表现出更好的控制效果。     

基于仿真驱动的高速公路主动限速效用评价与推荐

传统的路侧被动限速方式对于特定的惩处区域以外缺少管控,间接导致车辆行为在时空上的不一致性甚至突变,影响了交通的通行效率与安全性。从车侧主动限速方式入手,提出主动限速效用评价与推荐方法,结合道路线形、交通流量、车型比例,开展多情景主动、被动限速交通仿真,利用安全间接分析模型及交通流运行状态,从安全与效率2个层面提取效用评价指标及其权重,采用集成学习方法进行预测分析。结果显示：主动限速方式相较于被动限速方式更有利于提高安全性和调节效率,而在主动限速方面,GBDT(gradient boosting decision tree)回归模型的预测稳定性和准确率更高(R²=0.984)。     

LWE问题的分析策略及格基约减算法综述

格公钥密码因其数学困难问题的平均/最坏复杂度等价性、代数结构的线性性和丰富的密码等功能而被普遍认为是最有发展前途的后量子密码.目前有大量格密码算法的安全性基于格上的错误学习(LWE)问题而设计.因此,研究LWE的求解算法对深刻理解格公钥密码算法的安全性至关重要.文章首先针对不同类型LWE问题的不同求解策略进行梳理和比较...     

基于Xception模型的遥感影像场景变化检测

由于遥感场景固有的语义特征,深度学习在场景分类中具有突出的语义特征提取能力,近年来得到了广泛的研究。然而,现有的基于深度学习的方法大多没有精细描绘场景几何形状,而是利用固定大小的滑动窗口来对影像分类,这些窗口可能由多种场景类型的混合像元组成,导致场景识别的可分离性低,细节粗糙,分类精度低。针对这一问题,将简单线性迭代聚类(Simple Linear Iterative Clustering,SLIC)与迁移学习相结合,实现场景斑块的精确分类,进一步提高场景变化检测的准确性。首先基于SLIC算法,考虑强度分布的相关性,将遥感影像分割成多尺度斑块;其次利用Xception模型结合迁移学习网络从多尺度斑块中提取深度语义特征,并基于softmax分类器计算概率,从而判别场景斑块的类别;最后,基于场景分类的结果提取地物的变化信息。实验结果表明,该方法能够适应不同尺度的场景识别,达到利用窗口网格检测方法的最高水平,提高了场景变化检测的精度和效率。     

基于深度学习的小样本墙壁缺陷目标检测及分类

近年来,无须人工干预的深度学习已成为缺陷图像检测与分类的一种主流方法。文章针对室内墙壁缺陷缺检测中数据集大多是小样本的问题,提出了相关的深度学习研究方法。首先,自制墙壁表面缺陷数据集（Wall surface defect dataset,WSDD）并对其进行数据标注,进而使用Faster RCNN和YOLOv5进行目标检测,两个模型的评价指标（Mean Average Precision,MAP）均高于0.517,表明本文采集的WSDD有效。然后,采用几种传统的数据增强方法（尺度调整、旋转和翻转）及图像拼接和图像融合的方法来扩充原始数据集的数量。最后,将增强前后的数据集分别用四种经典的深度卷积神经网络（ResNet34、ResNet50、DenseNet121、VGG16）模型进行测试,结果显示经过数据增强后,四种模型的识别精度明显高于增强前,分别为98.86%、99.47%、99.06%和90.25%,证明本文所采用的数据增强和深度学习方法缓解了数据集小样本的问题。