自我效能理论与大学英语教学

从调整大学生英语学习策略、指导大学生英语自主学习、帮助教师提升教学效能感3个方面,探讨了班杜拉自我效能理论在大学英语教学中的应用.强调引导大学生有效运用已习得的英语学习策略并学会对不同英语学习策略进行选择,在自主学习中树立积极的自我概念并发挥情感因素的积极作用;用教学效能感理论调整教师的认知和行为,对自己的教学成效正确归因,并利用自身的效能感影响学生的效能感.     

杭州师范大学高分子工程与物理研究团队

杭州师范大学"高分子工程与物理研究团队"成立于2011年4月,是以高分子加工及应用过程中的物理问题为研究主线的教学研究机构。团队根据科研教学和企业的实际需求,研究开发新型材料,开展相关科学研究,同时为培养应用型人才、促进校企合作等方面提供支持。     

学生生活满意度及其影响因素——多水平分析研究

通过对11所中学2 471名学生的调查,对社会支持、积极应对和心理健康对学生生活满意度的影响作用进行多水平分析结果表明:(1)在个体层面,学生社会支持和积极应对对生活满意度存在显著影响,学生的社会支持、积极应对水平越高,其生活满意度也越高;(2)在团体层面,学校总体心理健康水平对学生的生活满意度存在显著的跨层影响作用,学校心理水平越高,其学生的生活满意度越高。     

基于SVM的“弹性系数-投入产出”电力需求预测分析模型

基于合理预测电力需求,是保证电网规划与产业发展合理性的重要依据,在我国优化产业结构、推进节能减排的环境下,电力中长期需求的变化面临更多不确定因素,考虑多个因素对电力经济发展弹性系数的影响,按照投入产出模型,运用支持向量机算法构建预测模型。以2000—2009年我国电力需求及GDP,产业结构的数据为样本,预测2010年的电力需求总量。通过与普通弹性系数回归预测、普通支持向量机预测方法对比,电力需求总量预测精度分别提高8.90%和3.98%。     

基于LS-SVM的超声导波管道缺陷二维重构

针对当前超声导波检测中的缺陷成像技术难点,提出了基于支持向量机的缺陷轮廓重构方法.通过实验和有限元仿真相结合的方式,获得不同大小缺陷的检测信号.采用最小二乘网络学习算法,选取缺陷回波数据作为支持向量机的输入,缺陷轮廓数据作为输出.建立了缺陷回波到缺陷二维轮廓的非线性映射,实现了缺陷轴向宽度和径向深度的二维轮廓重构,并与径向基神经网络重构效果进行了对比.实验结果表明,该方法速度快、精度高、泛化能力好,是管道超声导波定量化、可视化检测的一种可行方法.     

时滞不确定系统的支持向量机滑模控制

针对一类具有不确定性参数和状态时滞的系统,利用线性矩阵不等式(LMI)方法设计了滑模控制器,并且针对系统的不确定性,引入支持向量机(SVM)对其进行在线学习,获得不确定性部分的上界值,保证了系统的稳定性与鲁棒性,有效地降低了滑模控制固有的抖振现象,改善了系统的控制品质。仿真研究表明了此方法的可行性与有效性。     

闽西地区青少年自我责任心的特点及其应用研究

通过问卷,对闽西部分青少年学生自我责任心特点进行调查,发现：青少年自我责任心总体水平与学生所属的学校性质、年级、生源地相关;青少年自我责任心总体水平、自我责任情境水平与其父亲的受教育程度和家庭结构关系密切。     

一种新的氧化铝质量分数建模与控制策略

针对氧化铝质量分数的建模与控制问题,提出一种新的基于最小二乘支持向量机(LS-SVM)和预测控制的建模与控制策略。首先,针对LS-SVM建模时的参数选取问题,提出一种基于混沌优化的CHAOS LS-SVM算法获得最优氧化铝质量分数预测模型。然后,提出一种基于LS-SVM的氧化铝质量分数预测控制算法,采用混沌优化在线求解最优控制律。仿真结果表明:CHAOS LS-SVM算法建立的氧化铝质量分数预测模型,其泛化能力要比基于神经网络(NN)的氧化铝质量分数预测模型的强;基于LS-SVM的氧化铝质量分数预测控制算法,其控制精度要比基于NN的氧化铝质量分数预测控制算法的高。     

提升小波尺度自适应非线性预测算子构造方法

提出一种提升小波尺度自适应非线性预测算子的构造方法.通过相空间重构将剖分信号转换成训练样本,采用基于高斯核函数的支持向量回归机算法进行回归训练,给出所构造预测算子的结构,并说明基于高斯核函数实现最小均方误差原则的机理.通过仿真实验验证用所构建预测算子在故障诊断时具有较好的识别能力和较强的抗噪能力,在信号降噪时信噪比较高、效果良好.     

一种提高SVM分类速度的新方法

提出一种改进的支持向量机分类方法.通过引入分类圆心、分类半径、分类圆心距等概念,从而更加快速准确地删除非支持向量点,引入混淆度的概念,解决如何在样本严重混淆时进行剔除混淆点,保证算法的泛化性.实验证明,采用这种改进的算法能够在严重混淆的训练样本中保证准确度的同时提高支持向量机分类速度.