谈体育教学中的合作学习

合作学习以其独特的教学形式与策略,被越来越广泛的应用于以学生为主体的教学设计之中。它在改善课堂教学气氛,增强学生团队合作意识,增进人际沟通与交流,开发创造性思维等方面有着显著效果。     

用改进的灰色关联度分析交通事故成因

改进的灰色关联模型与普通灰色关联模型相比,可以突出关联度的微小变化,且更加科学。通过实例,用改进的灰关联对道路交通事故成因进行了分析,并与普通灰色关联分析进行了比较,发现前者分析结果更具层次性、差异性,更容易识别事故主要、次要和潜在的成因。     

汽车雷达多目标跟踪的模糊数据关联

介绍了一种量测(新测目标)到目标(已知目标)之间的模糊数据关联方法，将模糊聚类均值方法和决策逻辑方法相结合，利用Mahalanobis距离代替聚类运算中的欧氏距离，使量测与目标预测值之间的相似性度量更准确，应用决策逻辑确定量测与目标预测值的关联关系。仿真表明这种方法简单，在杂波环境下，有较高的跟踪精度，这种方法可以用于道路条件下，基于汽车雷达的多目标的可靠跟踪。     

U/I知识联盟协同创新绩效的数理分析模型

设计了U/I知识联盟协同创新机制模型,分析了影响U/I知识联盟协同创新的六种相关函数关系,并借用Cobb-Douglas的思想提出了U/I知识联盟协同创新绩效的数理分析模型.     

对Apriori算法的进一步改进

介绍了关联规则挖掘的情况，并在分析关联规则的数据挖掘算法的基础上，针对Apriori算法和Apriori-1算法进行深入研究，提出了Apriori-2算法，新算法在计算候选大项集支持度所涉及的记录数目将小于事务数据库中原始的记录数目，提高了原算法的效率，具有一定的实用性．     

供应链中合作广告策略的Stackelberg微分对策模型

研究由单一制造商与单一零售商组成的供应链系统中的动态合作广告策略．制造商作为渠道的领导者设计动态广告支持计划优化和协调自身以及追随者零售商的广告策略．双方都可做长期和短期广告，制造商为零售商的2种类型的广告支付一定比例的成本．用Stackelberg微分对策模型描述制造商与零售商的动态广告策略，并根据动态规划原理求出反馈Staekelberg均衡解．结果显示，制造商对零售商的广告支持类型取决于双方的边际利润．在合作广告计划中双方的均衡广告策略中，制造商主要做长期广告以构建品牌商誉，零售商在制造商的支持下主要做短期广告以刺激销售．合作广告是供应链中的一种协调机制，可以提高零售商对制造商的战略跟随意愿．     

基于车路协同的无控十字路口行车方案

针对紧急车辆在无信号控制十字路口处通行效率低和事故频发的问题,基于SUMO与OMNet++的双向耦合车联网仿真平台Veins中搭建了车辆运动控制系统模型,设计路口处紧急车辆与普通车辆碰撞的判定方法和紧急状况下车辆避免碰撞行车措施,提出基于车路协同技术的无控十字路口紧急车辆行车方案.在Veins车联网仿真平台上对行车方案...     

多约束条件下无人艇和无人机集群协同航迹规划

[目的]为实现海上无人集群在执行任务过程中的安全航行和通信保持,开展无人艇(USV)和无人机(UAV)集群协同航迹规划问题的研究.[方法]采用禁入和禁出地理围栏进行场景建模,将规避威胁和障碍问题转化为地理围栏约束.针对平台之间的碰撞冲突和通信连接问题,提出基于时序检测的碰撞冲突和通信保持约束判断准则.以集群平均航行时间...     

基于Hopfield神经网络的雷达多目标跟踪

针对海上船舶雷达在多目标跟踪过程中实时性较差和不能快速响应的问题,提出目前密集杂波情况下多目标跟踪中最为有效的数据关联算法——联合概率数据关联(Joint Probabilistic Data Association,JPDA)算法。为解决JPDA随着目标增多的情况会出现的组合“爆炸”及计算量较大导致跟踪实时性较差的问题,从分析联合概率数据关联确认矩阵着手,依据Hopfield神经网络在解决旅行商问题(Travelling Salesman Problem,TSP)时的思路,提出基于Hopfield神经网络联合概率数据关联(Hopfield Neural Network Joint Probability Data Association,H-JPDA)来改进联合概率数据关联算法,通过简化矩阵拆分过程,显著减少计算量,提高跟踪的实时性。基于上述改进的神经网络联合概率数据关联算法,通过MATLAB对多目标跟踪进行仿真,仿真结果表明该算法能提高跟踪的实时性和快速响应能力。     

基于自然驾驶数据的跟车场景潜在风险评估

为弥补传统风险评价指标对相对速度较小的跟车场景危险水平评价能力的不足,减少跟车场景中追尾事故的发生,提出了跟车场景潜在风险的概念。将假定前车以较大制动减速度减速条件下的风险称为潜在风险,并构建了代表驾驶人在潜在危险跟车场景下进行避撞操作需满足的最大反应时间的参数时间裕度（TM）。由于追尾危险工况中常见采取的避撞操作可分为制动和制动转向两大类,分别对典型制动避撞过程和制动转向避撞过程进行了分析,从而推导出分别针对2种跟车潜在危险场景的TM计算方式。通过自动筛选与人工筛选结合,获得了中国自然驾驶数据库（China-FOT）中具有中国驾驶人特点的制动避撞危险工况87个和转向制动避撞危险工况40个进行分级,并基于图像处理方法提取了前车制动开始时刻的TM值,从而得到跟车场景潜在风险两级危险域的划分。结果表明：制动避撞场景下,本车车速过低和过高时,TM值的变化均不明显;而在制动转向避撞场景中,只有速度较高时阈值才保持不变。通过对正常驾驶视频的分析,引入对比组共计正常跟车制动工况163例和正常跟车转向变道工况151例的车头时距（THW）值,其统计分析结果与支持向量机分类结果均难以清晰描述跟车场景危险水平与本车速度之间的关系。为研究跟车场景潜在风险评价在自动驾驶中的应用,对于制动避撞场景,在设定TM值不变和相对速度不变的条件下,分别对基于TM的最小相对距离和距离碰撞时间（TTC）值进行了仿真,仿真结果显示,相比于TTC而言,TM的评价稳定性受相对速度影响小,在自动驾驶跟车策略开发和避免其发生责任追尾事故中有重要应用价值。