校外实习基地深度参与高校工程教育合作模式研究

高等工程教育关系到我国社会经济发展和产业升级,其教育和工程的两大属性决定了只有通过校企协同育人的深层次合作,才能保证工程科技人才培养的质量.本文通过分析目前我国校企协同育人过程中存在的问题及成因,探索和研究校外实习基地深度参与高校工程教育的有效模式.     

D3DQN-CAA:一种基于DRL的自适应边缘计算任务调度方法

为解决已有基于深度强化学习的边缘计算任务调度面临的动作空间探索度固定不变、样本效率低、内存需求量大、稳定性差等问题,更好地在计算资源相对有限的边缘计算系统中进行有效的任务调度,在改进深度强化学习模型D3DQN（Dueling Double DQN）的基础上,提出了自适应边缘计算任务调度方法D3DQN-CAA.在任务卸载决策时,将任务与处理器的对应关系看作一个多维背包问题,根据当前调度任务与计算节点的状态信息,为任务选择与其匹配度最高的计算节点进行任务处理;为提高评估网络的参数更新效率,降低过估计的影响,提出一种综合性Q值计算方法;为进一步加快神经网络的收敛速度,提出了一种自适应动作空间动态探索度调整策略;为减少系统所需的存储资源,提高样本效率,提出一种自适应轻量优先级回放机制.实验结果表明,和多种基准算法相比,D3DQN-CAA方法能够有效地降低深度强化学习网络的训练步数,能充分利用边缘计算资源提升任务处理的实时性,降低系统能耗.     

基于多尺度特征混合注意力的连续帧深度估计

目的 估计获取拍摄物体到相机之间距离的深度信息是单目视觉 SLAM 中获取深度信息的方法,针对无监督 单目深度估计算法出现精度不足以及误差较大的问题,提出基于多尺度特征融合的混合注意力机制的连续帧深度 估计网络。 方法 通过深度估计和位姿估计的两种编码器解码器结构分别得到深度信息和 6 自由度的位姿信息,深 度信息和位姿信息进行图像重建与原图损失计算输出深度信息,深度估计解码器编码器结构构成 U 型网络,位姿 估计网络和深度估计网络使用同一个编码器,通过位姿估计解码器输出位姿信息;在编码器中使用混合注意力机 制 CBAM 网络结合 ResNet 网络提取四个不同尺度的特征图,为了提升估计的深度信息轮廓细节在提取的每个不 同尺度的特征中再进行分配可学习权重系数提取局部和全局特征再和原始特征进行融合。 结果 在 KITTI 数据集 上进行训练同时进行误差以及精度评估,最后还进行了测试,与经典的 monodepth2 单目方法相比误差评估指标相 对误差、均方根误差和对数均方根误差分别降低 0. 034、0. 129 和 0. 002,自制测试图片证明了网络的泛化性。 结论 使用混合注意力机制结合的 ResNet 网络提取多尺度特征,同时在提取的特征上进行多尺度特征融合提升了深度 估计效果,改善了轮廓细节。     

低品位余热源新型双喷射式制冷系统研究

提出了用气-液喷射器代替机械泵,有效回收低品位余热能源的新型双喷射式制冷系统.该制冷循环本身不需要消耗电能.研究了气-液喷射器的运行特性和喷射系数与工作参数的关系,发现在一定范围内系统效率随工作压力提高而提高,然后下降.分析了双喷射式制冷系统COP与发生器温度、冷凝器温度的关系,模拟了不同余热温度条件下双喷射式制冷系统的运行性能,结果表明制冷剂R123制冷性能优于R134a.系统COP可达0.3.     

基于GRU-DRSN的双通道人体活动识别

人体活动识别(human activity recognizition, HAR)在医疗、军工、智能家居等领域有很大的应用空间。传统机器学习方法特征提取难度较大且精度不高。针对上述问题并结合传感器时序特性,提出了一种融合CBAM(convolutional block attention module)注意力机制的GRU-DRSN双通道并行模型,有效避免了传统串行模型因网络深度加深引起梯度爆炸和消失问题。同时并行结构使得两条支路具有相同的优先级,使用深度残差收缩网络(deep residual shrinkage network, DRSN)提取数据的深层空间特征,同时使用门控循环结构(gated recurrent unit, GRU)学习活动样本在时间序列上的特征,同时进行提取样本不同维度的特征,并通过CBAM模块进行特征的权重分配,最后通过Softmax层进行识别,实现了端对端的人体活动识别。使用公开数据集(wireless sensor data mining, WISDM)进行验证,模型平均精度达到了97.6%,与传统机器学习模型和前人所提神经网络模型相比,有更好的识别效果。     

新文科背景下高校外语教学改革路径创新 ——基于深度主动学习视角

针对新文科建设背景下中国高校外语教学面临的新挑战,文章借助深度主动学习理论,提出深度主动学习导向的外语教学理念,构建深度对话式外语教学模式和深度主动外语学习评估模式,旨在实现学用交互和学用互促的外语教学目标,进而为新时代外语教学改革提供跨学科研究新视角.     

基于深度学习的篮子期权定价数值算法

在标的资产价格服从Heston模型的条件下,对欧式篮子期权定价问题进行了研究.推导出篮子期权价格满足的偏微分方程,利用基于深度学习的倒向随机微分方程求解算法,克服维度诅咒,得到了篮子期权价格的近似数值解.通过与蒙特卡罗结果的对比,表明该算法克服了维度灾难,在高维情况下是准确且稳定的,为期权定价研究提供了新的方向.     

基于深度学习的通信网络数据关键特征挖掘

深度学习是挖掘数据关键特征的重要技术手段,为准确分析通信网络数据特征,并保障质量,提出基于深度学习的通信网络数据关键特征挖掘方法。选取接入率、可用性以及覆盖率等七个指标作为通信网络质量核心性能指标,将卷积神经网络与径向基神经网络相结合,构建深度学习网络结构,将该性能指标作为标签参数,将所得到的标签参数的聚类与求和结果作为深度网络的标签数据,通过前向传播将标签数据输入卷积神经网络的输入层内,经过不同隐层的变换与映射至输出层位置,并采用量子粒子群算法求解深度学习网络最优参数,输出通信网络数据关键特征挖掘结果。经实验结果表明,所提方法的通信网络数据关键特征挖掘率在95%以上,能够准确预测未来短时间段内的通信网络质量。     

基于LSTM模型对印度新冠肺炎疫情的预测

自2019年新冠肺炎疫情暴发持续到现在,无论对国家、社会、还是个人都产生了巨大的影响。部分国家及时采取了一些应对措施,但是依然无法完全控制住疫情的传播。目前,机器学习算法被用来预测新冠肺炎疫情的发展。使用长短期记忆(long short-term memory, LSTM)模型对收集到的印度累计确诊病例数据进行分析并预测印度疫情的变化趋势。使用适应性矩估计(adaptive moment estimation, ADAM)算法优化模型使模型参数达到最优值,将均方误差(mean square error, MSE)作为损失函数,不断训练模型后最终得到其准确度为87.49%。使用支持向量机(support vector machine, SVM)模型预测新冠肺炎疫情发展的研究比较广泛,将其与LSTM模型进行对比,利用相同的数据集得出SVM模型预测的准确度为73.25%,对比2组数值发现,在预测印度新冠肺炎疫情上LSTM模型的准确度更高。该方法在一定程度上为预测印度新冠肺炎确诊病例数的研究提供了帮助,有助于人们实时监控印度疫情。     

基于Arc-LSTM的人职匹配研究

提出了一种基于改进的长短时记忆神经网络(Arc-LSTM)和词嵌入(Word2Vec)模型相结合的自动匹配方法.首先采用连续词袋(continuous bag of words,CBOW)模型提取中文简历文本特征,从而构建词向量,提出一种基于ArcReLU激活函数和LSTM深度神经网络优化的Arc-LSTM网络,利用该...