基于改进欧几里得聚类的激光雷达障碍物检测

针对传统的欧氏聚类算法无法同时对近处和远处的障碍物点云进行精准检测和分割,容易造成错检和漏检的情况,提出一种欧氏聚类算法的改进方法,可以根据点云与激光雷达之间的距离动态地选择阈值,从而快速且准确地完成聚类.实验表明:该方法能同时对近处和远处的障碍物点云进行快速且准确的聚类.     

重大科技基础设施内涵演进与发展分析

重大科技基础设施是大科学时代的标志,是产生重大原创性、引领性成果的关键支撑,已经成为国家科技竞争力的象征和创新格局演化的重要变量.新一轮科技革命正孕育兴起,要加快重大科技基础设施布局建设,催生重大科学发现和关键技术突破,牢牢把握创新主动权,增强自主创新能力,推动科研范式升级和组织方式变革,实现科技自立自强成为国家发展的战略支撑,为建设世界科技强国厚植科技创新根基.     

关于工程图学教学改革的几点思考

从工程图学课程的教学实践出发,探讨了当前工程图学教学中存在的一些不足以及在教学改革中需要关注的问题。工程图学课程的教学内容要紧随时代发展的需要,更加突出课程的实践性,以满足现代工程设计对制图知识和能力提出的新要求;在教学过程中,应充分激发互动效应,以促进教学效果的提升和教学目标的达成;工程图学课程的培养目标需更关注学生动手能力、创新能力及团队合作能力等综合素质的提高。     

“面向对象的设计与分析”课程思政的教学设计及实践

文章以课程“面向对象的设计与分析”为研究对象,首先探讨该课程思政教育的必要性、可行性。然后,从挖掘“思政”元素、探索融入路径与设计思政教学案例等三个方面阐述本课程思政教学的设计方案。并且,以“‘三省六部制’案例融入包图设计”的教学为例,介绍本课程思政教学的具体实施。在“面向对象的设计与分析”课程引入思政教育,有助于帮助学生克服困难、以提升知识习得能力;强化实现民族复兴责任感及职业道德感,有助于实现全面育人的目的。     

数学建模中智能优化算法教学方法探究

优化数学模型在数学模型中具有重要地位,智能优化算法作为求解优化模型的常用方法,具有求解能力强,算法设计简单,易于实现等特点.但是学生在利用智能优化算法求解优化模型时往往会遇到很多困难.从教学内容中算法选择要有重点,教学设计要注重学生实际,教学手段要灵活多样3个方面探讨数学建模中智能优化算法的教学方法,对提高教学效果有一定的帮助.     

埋入式传感器与沥青混合料的交互影响研究

为研究埋入式应变传感器与沥青混合料的交互影响,利用ABAQUS有限元软件,建立了在四点弯曲加载条件下埋入应变传感器的梁试件有限元模型,分析了荷载大小、传感器测力杆长度和传感器封装材料模量等因素对沥青混凝土梁试件及传感器的力学响应与应力集中的影响.研究结果表明:传感器埋入沥青混合料梁试件后,在梁试件上与传感器法兰相接触的沥青混合料发生了应力集中的现象,但应力集中系数较小,最大值仅为2.95.传感器的测力杆也发生了应力集中现象,其应力集中系数最大值为26.83,远高于梁试件的应力集中系数.     

普通高校生物师范生和教育硕士教学实践能力调查分析

采用问卷调查法,针对生物本科师范生及教育硕士的教学实践能力进行调查和分析,对生物本科生和生物学教育硕士在教育实习期间的教学能力、实验技能、专业知识等方面进行对比分析.根据研究结果提出了几点思考,以期为师范院校在生物专业师范生及教育硕士培养方面提供参考.     

考虑多种损坏构成特征的沥青路面预防性养护决策方法

由于沥青路面损坏构成的多样性, 相同的路面状况指数(pavement condition index, PCI)可能代表不同的损坏组合. 当多种损坏并存且损坏程度接近时, 用PCI和主导损坏(最严重、扣分最多的路面损坏)难以得到具有针对性的养护对策. 因此, 通过对PCI的深入分析, 明确了主导损坏代表性不足的路段, 以现行预防性养护决策方法为基础, 补充了一种考虑损坏构成特征、更具针对性的决策方法. 以上海城市道路近5年的检测、养护数据为分析基础, 首先利用有序聚类算法将路段按PCI水平分组, 分析了不同阶段路面损坏构成和差异水平; 然后, 针对多种损坏并存且损坏差异不显著的路段, 根据预防性养护的实施效果筛选了能够反映正确预防性养护经验的有效养护路段; 最后, 基于有效养护路段建立并对比分析了2个基于BP(back propagation)神经网络的养护决策模型. 结果表明: 当PCI水平介于优良(84.4~93.0分)时, 不同损坏程度接近, 主导损坏代表性不足; 考虑多种损坏构成特征的BP神经网络模型表现出更高的决策精度, 测试集决策正确率达86.20%, 优于仅考虑主导损坏的模型(58.50%). BP神经网络与传统决策树法结合能够优化沥青路面决策过程, 提高养护对策选取的针对性.     

一种基于类不平衡学习的情感分析方法

针对网络评论中普遍存在的负面评论较少而影响力却较大的类不平衡问题, 提出一种基于类不平衡学习的情感分析方法. 该方法利用深度学习训练过程中的概率输出, 以计算样例的信息熵作为影响因子构建交叉信息熵损失函数. 在IMDB公开数据集上进行实验验证的结果表明, 基于集成信息熵损失函数的双向长短期记忆网络能处理类不平衡问题; 对数据的统计分析结果表明, 该策略能提升基于双向长短期记忆网络的评论情感极性分类性能. 针对AUC(area under curve)指标, 使用集成信息熵损失函数的双向长短期记忆网络模型比未考虑类不平衡的深度学习模型在中位数上最多提升15.3%.