基于慕课的嵌入式课程教学模式研究

针对嵌入式课程的教学现状,以慕课教学思想为指导,嵌入式技术运用能力为目标,提出了一种结合课前协作学习、课上提问和讨论、课后作业和思考的教学模式.并在单片机及接口课程部分教学中进行研究,在教学实践过程中教师设计学习方案,布置学习任务,课上提问和总结,有效提高了学生的学习积极性和协作性,加深了他们对课程知识的理解.教学反馈表明,该教学模式的教学效果良好,为其它相关课程教学提供了可参考的经验.     

自动驾驶专利技术分析

汽车已经成为人们生活中举足轻重的交通工具,随着汽车工业、计算机技术以及计算机视觉技术的不断发展,智能化的自动驾驶技术能够大大减少交通事故并提高城市通行效率。本文对自动驾驶领域的专利发展状况和国内重要申请人进行了梳理,以期对自动驾驶在国内的发展提供一定的借鉴。     

文科生高等数学自主学习能力的培养

从学生心理、课堂教学、课后学习和考核方式等4个方面,阐述了文科生高等数学自主学习能力的培养问题.提出了引导学生重新认识数学,增强学习数学的自信心,合理选取教学内容,多种教学方法融合,注重章节总结,课后自主学习,改革考核方式等教学改革措施.这些措施以有利于调动学生的主动性和积极性为出发点,达到培养学生自主学习能力的目的.     

一类不确定线性系统的输出反馈鲁棒重复控制设计

重复控制将人类的学习机制引入控制系统,并在许多领域中得到广泛的应用。文中针对一类具有时变结构不确定性的线性系统,研究基于输出反馈的鲁棒重复控制系统设计问题。为了能精确地描述重复控制的特性,建立起能够独立调节重复控制过程中的连续控制行为和离散学习行为的连续/离散二维混合模型,以线性矩阵不等式(LMI)形式给出重复控制系统鲁棒稳定的充分条件,并利用该稳定性条件进行重复控制系统的参数设计。最后用数值仿真验证了文中所提方法的有效性。     

斯金纳自动机：形成操作性条件反射理论的心理学模型

操作性条件反射是动物学习的一种基本的机制,它表示所有的动物,从微生物到人类都是通过操作性条件反射来指导学习的．介绍了一种新的概率自动机,称作斯金纳自动机,它是形成操作性条件反射的一种心理学模型．通过热力学过程来模仿动物的学习过程,并且从蒙特卡罗方法以及Metropolis算法,和模拟退火算法中提出了斯金纳算法．在特定条件下,证明了斯金纳自动机是便利的、ε-最优的、最优的以及操作概率会以概率1收缩到一个稳定的根．斯金纳自动机使机器可以像动物一样自主地学习．     

视觉感知结合学习的自然图像轮廓检测

本文结合非经典感受野的视觉特性与机器学习的方法,提出了一种自然图像轮廓检测模型.当非经典感受野中的刺激与感受野中心刺激形成一种精确的空间结构时,将对中心产生一种增强效应;另一方面非经典感受野中抑制作用会降低同质成分的响应,我们将这两个机制分别用于增强光滑的轮廓和减少背景中与结构无关的干扰成分.利用逻辑回归概率模型将感受野中的信息与来自非经典感受野中的信息进行有效融合,并根据图像的手工标注数据库,通过学习方法获得一组最优的模型参数.自然图像的实验结果表明该轮廓检测方法能极大地抑制来自纹理的局部边缘,减少虚假轮廓,同时能增强具有一致空间结构的成分,避免轮廓缺失.最后利用Berkeley图像数据库定量地评价了我们方法的性能,并与相关方法进行了比较.该模型不仅为复杂场景中的轮廓检测提供了一个可行的策略,并有助于对生理视觉机制的理解.     

基于最大异类距离特征提取的SAR目标识别方法

合成孔径雷达自动目标识别是合成孔径雷达的一个重要的应用方面,如何在高维SAR图像中提取有效分类信息是制约自动目标识别的瓶颈问题.本文基于流形结构假设,提出了一种新的特征提取方法——最大异类距离特征提取,该方法融入了样本集类别信息和邻域信息,通过最大化异类样本的距离实现特征提取,以提高特征的可鉴别性.基于MSTAR数据库的实验已验证了本文提出的方法能够有效提高目标识别率.     

基于ConvLSTM的气象雷达回波外推

针对传统雷达回波外推方法存在数据利用率低、预报精度不高等局限,利用定标后的青海大学校内X波段天气雷达监测数据,建立ConvLSTM深度学习模型进行回波外推,并与传统光流法的外推结果进行对比.结果表明:(1)在不同的输入时长和外推时间中,ConvLSTM的精度都明显优于光流法,在第1.5小时内的平均预测误差比光流法低69...     

基于多模块关系网络的2D足迹分类

由于足迹数据的样本量有限,类间差小、类内距大,一般方法难以获取有效的足迹特征表示,导致足迹分类准确度不高.针对双模态2D足迹分类问题,文中提出一种基于小样本学习的多模块网络算法(MulRN),该算法在嵌入单元与关系单元使用了多个模块来提高网络的特征提取能力与特征度量能力,使用具有多分支结构的Inception模块与MR...     

基于耳蜗图多示例分析的音频场景分类模型

音频场景分类(Acoustic Scene Classification, ASC)是计算听觉场景领域最具挑战的任务之一。传统的ASC模型大多采用基于线性频率分析的手工特征加基于深度学习的分类模型方法。然而,一方面,由于基于线性频率分析的特征提取方法无法模拟人耳基底膜的非线性频率选择特性,从而造成特征分辨率低下的问题;另一方面,现有的分类模型无法解决由于音源复杂且音频事件高度重叠所造成的分类准确率低下的问题。为了解决以上问题,提出了基于耳蜗图多示例分析的音频场景分类模型,一方面采用中心频率按照等效带宽均匀分布的余弦滤波器组对信号频谱进行滤波以模拟人耳听觉感知特性;另一方面,通过引入多示例学习刻画整个数据结构的特点以提高分类准确率。此外,为了抵抗音频事件的频移影响,在多示例学习分类模型的分类预测整合器中采用平均池化方法。在DCASE 2018和DCASE 2019竞赛所提供的Task1a数据集上的实验结果表明,本文提出的模型比DCASE 2018竞赛所提供的基线系统以及传统的基于Log Mel特征提取和多示例学习的模型实现了更高的分类准确率,同时也验证了平均池化要优于最大池化。