深度元学习在无人驾驶中的应用前景

在无人驾驶发展的初期,科学家们依靠数学方法与计算机视觉领域的相关技术创造出无人驾驶算法,其性能和安全性都不是很理想。近年来,随着深度学习的不断发展,无人驾驶领域出现了越来越多与深度学习相关的优秀算法。与传统算法相比,与深度学习相结合的无人驾驶算法有着更为优秀的性能,无人驾驶技术也随着深度学习的发展不断向商用化推进,其中具有代表性的产品即为近年来美国特斯拉公司生产的车辆,其拥有较为完善的辅助驾驶系统,可以将其看作一款非常典型的无人驾驶产品。本文将从目标检测以及目标跟踪两个领域分析深度元学习在无人驾驶领域中的应用前景。     

基于产教融合的增量式案例驱动教学模式

通过对目前应用型人才培养在实现过程中所面临的困境进行分析,针对软件开发类课程教学过程中存在的不足,提出将基于产教融合的增量式案例驱动教学法引入教学,给出上述教学模式在实际授课中的设计及实现方案,以软件开发类课程为载体探讨遇到的问题并提出建议。     

基于核主元分析法的核电厂设备状态监测技术研究

为解决核电厂传统监测手段的局限性，提出将核主元分析法（KPCA）引入核电厂设备在线监测领域中，并设计了监测模型建设方法以及在线监测策略。为验证算法的有效性，将其应用在国内某核电机组电动主给水泵的真实监测案例中。仿真结果表明，KPCA算法可适应核电厂设备监测的要求，能比现有阈值监测手段提供更为早期的故障预警。同时，相比于常规的主元分析法（PCA），KPCA算法能够提取各变量之间的非线性关系，识别出设备不同的运行模式，有效减少误报警。      

多流多科目实时数据处理算法的设计与实现

随着飞行试验测试技术的快速发展,单架次需要处理的试飞科目越来越多,而多科目处理参数分布在不同的网络流中,这对机载实时数据处理的效率带来严峻的挑战。利用“合并-处理-分流”的方法,设计一种多流多科目网络数据实时处理算法。该算法将多科目处理参数按照参数名、采样率等信息进行整合形成合并参数列表；在实时处理时根据合并参数信息实时处理多网络流中的数据,并将处理结果存储在数据缓存中；最后将多科目数据进行分流即可得到处理结果。测试结果表明,该算法可实际应用于多流多科目数据处理中,大幅提高实时处理的效率,同时可以得到准确的数据处理结果。