基于ADALINE网络的自适应滤波技术的应用

要实现噪声环境下的通话非常困难,传统的低通滤波器对语音伤害比较大,而且无法满足环境变化的要求。本文设计了一个ADALINE(线性自适应神经网络)来实现语音信号的降噪处理。其中网络的系数经实地采集数据进行训练,训练方法采用Widrow-Hoff学习方法,经过实地语音信号分析,证明了经过训练的自适应滤波器可以较好地适应噪声环境,得到满意的语音信息。     

浅谈移动学习的教育应用及需要注意的问题

在新的教育改革的背景下,移动学习作为一种崭新的远程学习形式,让学习者摆脱时间和空间的限制,真正的做到在任何时间、任何地方根据需要进行自主学习。移动学习代表着未来的学习趋势,作为一个新兴的研究领域,其在学校教育的应用研究还非常有限。本文探讨了移动学习在教育中的主要应用及需要注意的几个问题。     

我爱名车,更爱古堡

很多人,尤其是中国人,对于城堡的好奇程度不亚于外国人对于中国功夫一探究竟之心。古堡的魅力大抵在于它的神秘莫测。古堡的主人一般来说都是有头有脸的人物,或国王王后,或商贾权贵,他们与古堡一起演绎了许多神秘的故事,与清宫秘史相     

学习邓小平理论 开创高校档案工作新局面

中共中央《关于在全党深入学习邓小平理论的通知》号召：“全党要认真学习邓小平理论,高举邓小平理论伟大旗帜,把建设有中国特色社会主义事业全面推向二十一世纪。”全国各行业正在兴起深入学习邓小平理论的热潮。在这种新的形势下,我们高校档案工作者要认真学习,探入领会,用邓小平理论武装头脑,解放思想,务实创新,积极开创高校档案工作的新局面。     

基于超星学习通的混合式教学应用于国际贸易实务课程的教学效果分析——以吉林农业科技学院为例

随着移动互联网技术的蓬勃发展,各大网络教育平台应运而生,高等教育课程也随之发生了变化。以超星学习通为代表的网络教育平台,在补齐线下教学短板、打破时空限制、丰富课堂内容、推进混合式教学等方面具有显著优势。国际贸易实务课程是一门实践性极强的课程,该课程进行混合式教学意义非凡。文章基于超星学习通平台,从学生的满意度和学习效果两个方面对国际贸易实务课程混合式教学的教学效果进行整体分析,总结出存在的问题,并提出了针对性的对策。     

混合交通流环境下基于改进强化学习的可变限速控制策略

现有的可变限速(VSL)控制策略灵活性较差,响应速度较慢,对驾驶人遵从度和交通流状态预测模型的依赖性较高,且单纯依靠可变限速标志(VMS)向驾驶人发布限速值,难以在智能网联车辆(CAVs)与人工驾驶车辆(HDVs)混行的交通环境中实现较好的控制效果。对此,结合深度强化学习无需建立交通流预测模型,能自动适应复杂环境,以及CAVs可控性的优势,提出一种混合交通流环境下基于改进竞争双深度Q网络(IPD3QN)的VSL控制策略,即IPD3QN-VSL。首先,将优先经验回放机制引入深度强化学习的竞争双深度Q网络(D3QN)框架中,提升网络的收敛速度和参数更新效率;并提出一种新的自适应ε-贪婪算法克服深度强化学习过程中探索与利用难以平衡的问题,实现探索效率和稳定性的提高。其次,以最小化路段内车辆总出行时间(TTS)为控制目标,将实时交通数据和上个控制周期内的限速值作为IPD3QN算法的输入,构造奖励函数引导算法输出VSL控制区域内执行的动态限速值。该策略通过基础设施到车辆通信(I2V)向CAVs发布限速信息,HDVs则根据VMS上公布的限速值以及周围CAVs的行为变化做出决策。最后,在不同条件下验...     

黄骅港智慧车站视频智能化应用研究

为提升车站自动化、智能化水平,提高人员作业安全性,有效减轻劳动强度,基于黄骅港站既有监控、监测、调度通信等设备现状,结合车站在实际生产作业和管理中对视频业务的需求,分析视频系统利旧、可用性及智能化等要求,采用增强现实和视频分析技术,设计开发黄骅港智慧车站立体防控云防系统。通过现场验证,该系统在有效保证调车作业安全的同时,降低了室外作业人员劳动强度,减少车站作业人员数量,可解决黄骅港站不同业务场景的管理问题,为铁路智慧车站建设提供思路。     

山岭隧道爆破效果神经网络评价模型及爆破参数优化决策方法研究

针对山岭隧道爆破开挖普遍存在的超欠挖过大、渣体块度不适等问题,分析了造成这些问题的主要因素,确定了隧道爆破开挖效果评价指标体系,建立了以爆破块度和超欠挖量为预测目标的隧道爆破效果神经网络评价模型,提出了基于深度学习的隧道爆破渣体块度实例分割算法,形成了山岭隧道爆破参数优化决策方法,进而开展了工程应用与验证。结果表明：（1）基于深度学习的隧道爆破渣体块度实例分割算法检测出的块体大小与真实值误差小于6.9%（置信度为95%）,实现了隧道渣体块度样本数据的快速获取;（2）经148组工程实践样本数据训练后的隧道爆破效果神经网络评价模型能够较为准确地预测出爆破渣体块度与超挖量;（3）爆破参数优化后试验断面的平均线超挖量均在10%左右,较原方案降低了50%以上;实测得到的渣体块度与超挖值与模型预测结果一致性良好,偏差小于20%。     

基于DCNN-BiLSTM的滚动轴承性能退化因子构建方法

针对如何从多维度特征中提取滚动轴承性能退化信息,构建性能退化因子的问题,提出一种基于DCNN-BiLSTM的混合输入网络。首先利用连续小波变换和24个典型时域频域特征计算公式分别得到滚动轴承振动的二维图像数据和一维时间数据,之后将两种不同维度的数据分别输入至混合输入网络进行训练,然后输入测试集数据得到滚动轴承的性能退化因子,最后利用单调性、预测性、鲁棒性对得到的性能退化因子进行评估。试验结果证明,混合输入网络结合DCNN和Bi-LSTM的优点,可有效提取滚动轴承性能退化信息,得到的性能退化因子综合效果较好。     

基于深度学习的交通标志识别

图像识别技术是无人驾驶实现的关键,交通标志识别是图象识别的重要研究方向。选用MATLAB的AlexNet深度神经网络模型,通过迁移学习对交通路标数据集进行训练,将训练结果与传统的局部二值模式和方向梯度直方图进行对比,得到AlexNet模型的交通路标识别准确度为98.79%,后两者分别为86.3%、97.6%,AlexNet模型更优。