基于优化教学资源推进线上线下混合式教学模式改革

立足于课程发展的实际情况,将线上线下互动相结合,根据课程改革的实质要求将在线面对面授课、网络授课以及移动授课完美对接。创新的教学模式需要教师能够在课堂教学当中把需要讲解的课堂知识点和信息技术有机结合起来,在教学过程中实现课堂教学与网络教学的结合,这种教学模式能够配合学生的时间和能力来开展,从而提升学生自主学习的能力。混合教学是把学生作为教学活动的主体,在多种教学手段的支持下,采用最适宜的教学方法的教学模式,将教学活动分解为不同的模块,为每一个模块制定教学目标,在多种教学手段的支持下,在连续的教学活动中,采用最适宜的教学方法,完成对学习者学习活动的引导、指导、辅导和学习效果评价的教学模式。     

一种融合极限学习机和改进烟花算法的混合式目标跟踪技术

针对背景杂波干扰、目标外观形变导致的跟踪精度差的问题,论文提出了一种基于融合极限学习机和改进烟花算法的混合式目标跟踪技术(OSELM-FWA).该技术在提取图片特征信息时,为了剔除冗余信息、保留边缘轮廓处的颜色信息,提出梯度稀疏矩阵作为特征信息提取工具来提取图片的颜色特征信息;同时为了提高运动模型的预测精度,提出了一种改进烟花算法来生成候选目标样本,该算法不同于传统烟花算法采用固定不变的常量作为爆炸半径参数,而是在其基础上加入目标的运动速率量来调整烟花半径参量,而且为了控制烟花的多样性,该算法还根据烟花置信度方差的变化情况动态调整烟花的变异概率,将烟花的多样性维持在最优范围内;另外为了及时地更新目标外观模型,利用目标的置信度变化率来调整更新样本数目,随后运用在线极限学习机增量的学习相应数量的目标信息.最后,论文将该跟踪技术在标准数据集OTB上进行对比实验,通过实验得到该跟踪技术在处理复杂环境下的目标跟踪问题时,不仅兼顾跟踪的实时性而且拥有较高跟踪精度.     

基于遗传算法的高速列车头型多目标优化

高速列车的气动阻力与列车的外形,特别是头部外形有着密切的关系.为了改善列车气动性能降低列车运行的气动阻力,建立高速列车的三维参数化模型,以高速列车头部所受的阻力和升力为优化目标,通过FLUENT软件与Isight软件多学科优化联合仿真分析方法,利用Sculptor软件对车头部分网格自动变形,基于计算流体力学,实现对高速列车流线型头型进行减阻的多目标自动优化设计.优化完成后,得到影响优化目标阻力和升力的关键设计变量,并对优化设计变量和优化目标之间的非线性相关性进行分析.通过对比原始流线型列车气动性能发现,列车头部的长度对阻力的影响比较大,列车头部的高度能够对列车所受到的升力产生较大的影响.     

二次特征融合的YOLO目标检测算法

为解决YOLO目标检测算法精确度低的问题,提出一种二次特征融合的YOLO目标检测算法.使用改进的可分离卷积模块来对传统的卷积模块进行改进,从而减小网络的模型,保证目标检测的速度;将卷积块之间的残差连接改进为密集连接,从而增大感受野;对于输出的三个不同大小的特征图进行二次特征融合,将高层特征信息与下层特征信息结合,让下层信息充分融合上层信息,从而提高对图片特征提取的能力.在PASCAL VOC 2007、WiderFace数据集上实验的结果表明,该方法对于目标检测的精度有明显的提高.     

融合纹理和颜色特征的显著目标检测

针对在无监督情况下,图像中显著性目标的不确定问题,提出了一种基于纹理和颜色特征的显著目标检测算法.首先,利用Gabor滤波器提取图像的纹理特征,构造背景模型.结合图像边缘信息更新背景先验信息.其次,利用颜色对比度来获取显著特征,利用贝叶斯增强来提高检测效果.最后,在MSRA和ECSSD两个公开数据集上,将论文算法与其他6种算法进行对比测试,实验结果表明论文算法综合性能优于其他几种算法,对目标的尺度和数量都具有较强的适用性和鲁棒性.     

基于SSD算法的智能定员检测研究

为了保障企业生产线的安全生产,针对生产线定员检测问题,论文提出了一种基于SSD目标检测算法的生产线定员检测算法,在传统SSD算法基础上优化了小尺寸目标的检测效果.该算法通过在ResNet101网络和添加的卷积层上选取适合的特征层进行提取多尺寸图像特征,然后产生一连串大小固定的边框和相应概率,最后使用非极大值抑制法得到最佳的预测值,实现对生产线人员数量实时监控.论文实验通过对生产线人员检测数据集进行测试,SSD ResNet模型在该数据集上达到了87％的mAP,从人员准确率的角度验证了该算法的有效性.     

多目标规划模型在航迹规划中的应用

智能飞行器是由动力装置驱动,并在计算机系统自动引导进行的。航迹规划是实现飞行器智能导航并成功完成任务的技术保障。本文针对智能飞行器飞行过程中受到飞行器的最小转弯角限制以及定位误差的影响,提出了基于A*算法的多目标规划的数据模型以及寻求最优航迹规划路径的算法,并用两个校正点数据集进行了验证。结果显示,改进后的A*算法可以快速地规划出满足限制条件的最优路径。     

无人机群目标搜索的主动感知方法

为提升蚁群搜索算法在规模大的栅格环境中对未知目标的搜索效率,提出基于蚁群算法的主动感知搜索框架。该框架通过应用历史环境信息来选择无人机的运动方式,并由无人机运动方式和感知域信息得到新的环境信息,从而实现无人机群的智能自动化搜索功能。新方法计算出一种具有探索偏好的未搜索概率,可使无人机搜索时偏向未搜索程度高的栅格,以此来提高算法的搜索能力。同时,以未搜索概率和信息素作为运动方式决策的依据来建立一种新的运动方式选择机制。该机制不仅考虑了目标可能出现的区域,又可兼顾未知区域,从而可实现无目标先验信息条件下的搜索过程。仿真结果表明,此算法在规模大的栅格环境中,与现有算法相比具有更高的搜索效率,并且得到的目标分布信息将更加全面。     

融入类贡献抑制因子的灰度级模糊C均值图像分割

基于灰度级模糊C均值图像分割算法具有分割速度快的优势。由于无损检测图像中背景类和目标类差异较大,该算法不能有效地将目标分割出来,故提出改进的基于灰度级的模糊C均值算法。构建了一种与类大小反向相关的类贡献抑制因子表达式,将之融入目标函数后能够降低较大类对目标函数的贡献,这可避免较小类的聚类中心受较大类的影响而靠近较大类的聚类中心。最小化新的目标函数可得新形式的隶属度和聚类中心表征形式。采用类大小差异较大的无损检测图像进行试验,结果显示本文算法得到的分割图像视觉效果良好,而且指标G_mean也更高,进一步提升了基于灰度级模糊C均值算法适应能力。