高职高专英语教学中小组教学与学生自主性学习的研究

通过在课堂施行小组教学这一教学模式,根据对实验组与对比组成绩在实验前与实验后的对比．发现小组教学能显着提高学生成绩水平,并能促进学生自主学习和合作学习。     

动态环境下数据驱动Q-学习算法

针对动态环境下强化学习对未知动作的探索和已知最优动作的利用之间难以平衡的问题,提出了一种数据驱动Q-学习算法.该算法首先构建智能体的行为信息系统,通过行为信息系统知识的不确定性建立环境触发机制;依据跟踪环境变化的动态信息,触发机制自适应控制对新环境的探索,使算法对未知动作的探索和已知最优动作的利用达到平衡.用于动态环境下迷宫导航问题的仿真结果表明,该算法达到目标的平均步长比Q-学习算法、模拟退火Q-学习算法和基于探测刷新Q-学习算法缩短了7.79%～84.7%.     

工程系统理念与基于主题学习模式在课程建设中的统一

工程系统本质就是将科学、技术、工程实践融为一体的“工程模式”教育理念体系。本文通过对工程教育现状的分析及对工程系统理念的阐述,提出以基于主题学习模式来组织专业课程建设的若干思路,以求从本质上使专业课程的设置贯穿工程系统理念,迎合现代工程的实际需要。     

实时性远程答疑系统

主要探讨远程教育中实时性远程答疑系统的特点、功能、组成及其实现.它在远程教育中是非常重要的一环,对远程教育效果的提高起着重要的作用.     

基于RBF神经网络的在线分类挖掘系统

模式分类是RBF神经网络应用的一个重要方面.在线环境中数据集是经常变动的,采用批量式学习算法(如OLS算法)训练RBF网络会产生大量的重复训练,从而导致学习效率不高.为弥补这种不足,从梯度下降方法推导出一种增量式学习算法,用于在线环境中的RBF神经网络训练.最后将基此算法构建的在线分类系统用于IRIS分类问题.结果表明,该算法有较快的收敛速度,网络的在线分类性能良好.     

基于在线地图交通状态的关键道路动态识别方法

交通拥堵问题日趋严重,关键道路识别成为了交通领域的研究重点. 以在线地图的交通状态数据为基础,利用时空相关性理论计算道路交通状态的预测值和波动影响值,并通过Moran 散点图划分道路类型,提出了基于在线地图交通状态的关键道路动态识别方法. 首先,调用在线地图开发者平台API 采集路网的交通状态数据,利用集成学习动态预测交通状态;其次,分析交通状态波动的传播结构,以此量化道路对其近邻道路的影响值;然后,结合道路交通状态的预测值和波动影响值划分道路类型,进而识别出关键道路;最后,以实际路网为例,论证方法可行性.     

基于形态检测与深度学习的高空视频车辆识别

为了准确提取广域场景道路交通信息,本文融合形态检测与深度卷积网络,提出了无人机视频车辆定位及车型识别方法. 首先,基于形态检测建立候选目标提取算法,并构建了含244 520 个无人机视频车辆样本的深度学习图像基准库;然后,通过增加卷积层、池化层及调整网络参数等方法对AlexNet 进行重构,提出了改进模型AlexNet*;最后,建立了基于候选目标提取算法与AlexNet*的车辆识别方法. 验证分析显示：AlexNet*的图像分类F1 均值达 85.51% ,优于AlexNet(82.54% )、LeNet(63.88% )、CaffeNet(46.64% )、VGG16(16.67% ) 及 GoogLeNet(14.38%);本文车辆识别方法对小汽车及公交车的正检率、重检率和漏检率均值分别达94.63%、6.87%、4.40%,可有效识别无人机视频目标.     

多模式公交网络中考虑定制公交的活动与出行建模

近年来,由于一些新型交通服务的出现与迅速发展,多模式公交网络包含了更多的交通模式.定制公交作为一种创新的公共交通服务,在中国许多城市引起了人们的广泛关注. 针对包含定制公交的多模式公交网络,本文提出了基于活动的模型以模拟出行者的活动与出行行为.本模型探究了由于定制公交的出现,人们在多模式公交网络中的行为决策变化,并采用了超级网络以同时模拟用户的活动与出行行为.为研究定制公交的容量约束与预约机制,在模型中有效模拟了用户的逐日学习与调整过程.本文通过实例验证了所提出模型的有效性,结果显示,定制公交的运营显著影响了出行者的活动与出行行为.     

基于自适应迭代学习控制的列车自动驾驶算法

针对高速列车自动驾驶系统受到时变外部扰动和受限状态的情况,提出一种基于迭代学习控制的自适应控制算法. 基于Lyapunov 函数,利用列车运行过程中的状态偏差,推导出自适应迭代学习控制律和参数学习更新律. 构造类Lyapunov 函数的复合能量函数,通过迭代域的差分,证明其差分负定性和收敛性. 采用所提控制算法对列车跟踪性能进行计算机仿真和实例仿真验证,结果表明,所提出的自适应迭代学习控制算法对列车期望曲线跟踪具有较高的精度和较快的收敛速度,能够在较短的迭代次数实现对期望曲线的精确跟踪.     

基于Q-learning 的定制公交跨区域路径规划研究

考虑城市大客流通勤者跨区域出行需求,结合城市公交线网中乘客出行密集、客流走向规律等特点,提出一种跨区域定制公交的搭乘方案. 通过改进的Q-learning 模型对公交线路进行优化,为城市通勤者提供更加便捷和高效的出行服务. 通过综合路段拥堵状态、乘客需求及居民小区位置,设定了Q-learning 强化学习的奖惩函数,提升定制公交区域路径的直线系数、满载率、通行时间. 结果表明,所提出的改进方法能够降低通勤者跨区域通行的旅行时间,有效提高髙峰时段定制公交线网的通行效率.