基于互联网的基础课程线上线下教学实践

阐述课程教学中的线上线下混合教学模式，存在的问题，应对的措施，通过对现有网络资源的充分利用，将前沿理论知识以及行业热点融入线上课程教学中，从而促进对于课程的主动学习。     

两种Skyhook阻尼实现方式在柔性隔振平台中的对比研究

利用Skyhook 阻尼进行柔性隔振平台的主动隔振控制时，可以简单地通过调节控制增益实现对低频段隔振器模态共振响应的抑制，且不影响高频段的隔振性能。在实际使用中，Skyhook 控制有两种常见的实现方式，即积分加速度反馈和积分力反馈。为分析两种实现方式用于柔性隔振平台时所产生的减振效果的差异，基于柔性Stewart 型隔振平台，结合多个ADAMS和MATLAB联合仿真案例开展详细且直观的对比研究。结果表明，对于传统的柔性隔振平台，积分力反馈法会由于实际柔性铰链的残余刚度而不能完全抑制隔振器刚体模态的共振；并且对于有效载荷的低阶模态，同样以抑制低频刚体模态为目的而设计的积分加速度反馈主动控制比积分力反馈法有更好的阻尼效果。最后，给出了对于两种控制方式选取和相应平台设计的意见。     

基于卷积神经网络的5G蜂窝网络无线定位方法

5G蜂窝网络发展迅猛，其覆盖面积将逐渐增大，因此使用5G蜂窝网络进行定位是有研究潜力的研究方向。本文提出一种新的深度学习技术来实现高效、高精度和低占用的定位，以代替传统指纹定位过程中繁重的指纹库生成以及距离计算。该方法建立了一个特殊的卷积神经网络，并根据5G天线信号的接收信号强度指示、相位和到达角等特征量，选择合适的输入数据格式构造样本组建训练集，对该卷积神经网络进行训练。训练得到的卷积神经网络可以替代指纹定位中的庞大指纹库，非常有利于直接在5G移动设备端实现定位。虽然卷积神经网络在训练过程中需要大量时间，但在训练完毕后直接进行分类定位的速度非常快，可以保障定位实现的实时性。本文所实现的卷积神经网络权重与偏置所占内存不到0.5 MB，且能够在实际应用环境中以95%的定位准确率以及0.1 m的平均定位精度实现高精度定位。     

基于神经网络的谣言检测综述

由于传播媒介的多样化,信息数据量呈爆炸式增长,从海量的事件信息中检测到谣言变得十分困难。为了减少人工成本,提高谣言检测准确率,深度学习中的神经网络模型被用到谣言检测任务中。首先文章对多种基于神经网络的谣言检测方法进行了介绍,分析了多种神经网络谣言检测模型的检测过程,以及多种神经网络模型在谣言检测过程中的判断依据及其特征提取效果,然后对现有的谣言检测模型结构进行了归纳,总结了使用神经网络检测谣言的模块化流程,最后对谣言检测的方法提出了建议。     

结合结构学习的多头密集连接图池化模型

目的:利用图神经网络，构建带有结构学习的多头密集连接图池化模型并用于图分类任务。方法:首先，用图卷积神经网络提取节点的初始特征。其次，用多头密集连接网络学习节点重要性得分，并根据得分进行节点采样得到池化图。之后，对池化图中的节点进行结构学习，以保证图结构的完整性。最后，将学到的图表示放到分类器中，完成图分类任务。结果:与其他图分类模型在七个广泛使用的数据集上进行实验对比，我们构建的模型在五个数据集上的分类结果达到最优。结论:结合结构学习的多头密集连接图池化模型在图分类任务中具有先进性。