工程教育学习风格分析及因材施教策略研究

在教学中尊重学习风格差异性,对贯彻执行因材施教原则及体现工程教育OBE理念具有重要作用.基于Felder-Silverman学习模型,对90名研究生的学习风格进行调查分析,获得受测试学生在信息的加工、感知、输入、理解四个维度上的学习行为偏好.针对学习风格差异提出相应教学方法、教学设计改进策略,以提高课程教学质量和学习成效.以研究生学位课程"最优控制"为例,设计了具体的教学改进策略,为探究个性化教学策略提供了支持.     

基于概率神经网络的高速公路事件检测

针对高速公路事件检测这一非线性分类问题,提出一种基于概率神经网络的事件检测方法。阐述了概率神经网络的结构与训练算法,分析了事件对交通流的影响规律,并合理地选取了概率神经网络的输入量,用高速公路管理部门提供的样本数据进行了仿真研究。仿真实验表明,基于概率神经网络的事件检测方法具有学习速度快、泛化能力好、检测准确率高等优点,具有良好的应用前景。     

探究五年制高师计算机教学中的“活”

五年制高师计算机教学通过教学方法的合理设置,激发学生学习的兴趣,培养学生自主学习能力,提高学生分析问题、解决问题能力,做到"以人为本,以人为目的",创建和谐和活的课堂教学。     

基于改进遗传算法的深度神经网络优化研究

深度前馈神经网络在分类和回归问题上得到了很好的应用,但网络性能极大程度上受到其结构和超参数影响.为了获得高性能的神经网络,首先对遗传算法的选择策略进行改进,之后利用该改进遗传算法,采用二进制编码与实数编码的混合编码策略对深度前馈神经网络层数、每层节点量以及学习率和权重进行优化.改进的选择策略,在最优保存策略的基础上从父代和子代合并的2n个个体中,以一定的概率选择部分适应值较差个体作为新父代,以增加种群多样性,避免陷入局部最优.同时引入dropout方法减少网络过拟合训练数据.使用Ring、Breast cancer、Twonorm、Heart、Blood、Ionosphere、Monk共7个数据集进行数值实验,并与其他相关文献中的算法比较,仿真结果表明,改进的遗传算法能搜索到较高性能的神经网络.     

“教学做”一体化教学模式考核评价体系的研究与实践

"教学做"一体化教学模式不仅要在教学内容、教学方法上对学生的学习起到促进作用,而且还需要利用科学、合理的考核评价方式调动学生学习的积极性。结合操作系统课程,制定考核方法进行实践,并对教学改革实践效果进行了分析。     

基于协同降维策略的电子鼻技术应用研究

本文提出了一种协同降维策略来优化特征维度进而提升电子鼻分类精度。该协同降维策略结合了无监督和有监督降维的优点实现原始特征的有效降维,并利用该策略实现不同品牌白酒的智能辨识。 首先,提取电子鼻检测数据的最大值、 稳态均值、积分值以及小波能量值作为特征值。其次,将无监督降维方式的核熵成分分析(KECA)引入对融合特征进行初步降维。再利用有监督降维方式的线性判别分析(LDA)进行再次降维得到最终的综合特征。最后,基于支持向量机(SVM)、概率神经网络(PNN)、随机森林(RF)对综合特征进行分类识别。结果表明,KCEA-LDA-SVM获得了最高的分类性能达96%,说明该协同降维策略可以有效提升电子鼻的检测性能。     

基于概率推理和决策树的教学系统的设计与实现

提出一种结合概率推理与决策理论来有效构建C＋＋智能教学系统ITS（Intelligent tutoring System）中学生学习模型的方法,以帮助ITS达到自适应教学的目的。首先,利用概率推理来识别学生的知识状态。其次,采用学习风格问卷调查（ILS）和机器学习的方法来分类预测学生的学习风格,并且实验数据也验证了这种方法的可靠性和有效性。通过将模块植入现有的ITS并投入实际的教学应用中,学生的反馈表明了本系统对提高学生的学习兴趣和学习效果具有积极作用。     

基于概率神经网络的入侵检测技术

提出一种基于概率神经网络的高效入侵检测技术。对网络数据处理、概率神经网络的训练与检测及其算法进行分析。在网络训练中,提出一种基于实验数据选择概率神经网络关键参数的方法,分析该方法的可行性。实验表明通过此方法能使入侵检测系统具有更高的检测精度和效率。     

基于学习风格理论的工程教育教学实践

学习风格理论丰富教育者对个体差异的认识,是现代教学方法改革的基础。文章阐述基于学习风格理论的教学研究,对比分析中西方工科学生的学习风格,提出根据学生的风格特点改进课程教学和建设创新虚拟实验室,践行"因材施教"的工程教育理念,以期为工程教学改革和提高人才培养质量提供借鉴。     

有序神经网络及在阳极效应预报中的应用

提出了利用有序神经网络研究铝电解槽阳极效应的预报问题。概述了铝电解槽及其阳极效应的基本情况，针对铝电解槽控制难题和传统方法的不足，选择有序神经网络用于阳极效应概率预报。描述了有序神经网络的基本结构、与传统单隐层BP神经网络的区别以及由此带来的网络映射性能的改善，并使用梯度下降原则推导了有序神经网络的学习算法。使用铝电解槽的现场数据对有序神经网络进行训练并检验，结果表明有序神经网络可以比传统神经网络更及时、准确地对铝电解槽阳极效应进行预报。     

基于特征嵌入的学生知识点熟练度预测

学生知识点熟练度是教师为学生制定学习计划的重要依据.为解决认知诊断中无法概率化学生知识点熟练度的问题,提出了将知识点作为特征嵌入的预测方法.该方法分别对学生和试题建立知识点向量,并且构造卷积神经网络进行监督学习,根据学生的答题情况不断调整他们的知识点熟练度.实验结果与现有的方法进行对比,验证了该方法的准确率的确有所提升.     

针对新学习策略的弱小目标检测方法

基于深度卷积神经网络的目标检测在应用中展现出了良好的性能,然而,将其应用于弱小目标检测上依然性能欠佳。本文提出一种有效的弱小目标检测方法,使用改进的特征提取方法,利用尺度匹配策略选取合适的尺度进行小目标检测。同时在神经网络中设计自适应的融合模块,通过融合特征与接收域以增强目标环境特征。提出的方法在检测速度和精度上都具备良好的性能。有效解决了一般的框策略无法准确获取小目标的问题,新的策略使用自适应参数确定检测框。实验结果表明,提出的方法在视频数据中能够有效检测弱小目标,优于其它先进的目标检测方法。     

概率神经网络样例选择算法

提出一种概率神经网络样例选择算法,它包括两个阶段,第一个阶段利用概率神经网络计算样例的不确定性,第二个阶段利用计算出的不确定性选择样例.与压缩近邻规则、编辑近邻规则、约简近邻规则和迭代过滤算法四种代表性的样例选择算法进行了实验比较,实验结果显示在能力保持框架下,该算法的性能优于这四种方法.本文提出的算法具有下列特点:(1)学习速度快;(2)没有分类器的限制;(3)具有好的泛化能力.     

基于改进的ReliefF算法的神经网络集成分类模型

为进一步提高集成学习中各个神经网络的差异性,该文采用了一种改进的特征选择方法-基于概率抽样的ReliefF算法,并将其引入到集成所用的Bagging方法中。实验结果表明,该文提出的基于改进的ReliefF算法的神经网络集成分类模型的泛化能力优于Bagging方法。     

基于改进的ReliefF算法的神经网络集成分类模型

为进一步提高集成学习中各个神经网络的差异性,该文采用了一种改进的特征选择方法一基于概率抽样的ReliefF算法,并将其引入到集成所用的Bagging方法中。实验结果表明,该文提出的基于改进的KelietT算法的神经网络集成分类模型的泛化能力优于Bagging方法。     

概率神经网络在化工过程故障检测中的应用

提出将一种径向基网络的重要变形—概率神经网络(PNN)应用于化工过程的故障检测中。与其他网络相比,概率神经网络学习速度快,适合于故障检测问题。将概率神经网络用于Tennessee Eastman(TE)过程故障检测的仿真实验,将实验结果与BP网络进行比较,结果表明概率神经网络的网络设计时间明显少于BP网络,故障检测的准确率明显提高。该方法可行、有效。     

探究式教学在高中物理教学中的应用

高中物理教学的方式多种多样,不同物理教师会选择不同的教学方法。从我国目前高中物理教学来看,多数教师都会选择探究式教学方式,为学生抛出一系列物理问题,让学生通过自己或者小组进行探究学习,改变了传统的学生接受知识的学习方式,这既能提高学生的探究意识,还能提高学生的物理学习能力,具有较高的应用价值。本文针对探究式教学在高中物理教学中的应用策略进行简单分析。     

基于概率神经网络和K-L散度的样例选择

提出了一种基于概率神经网络和K-L散度的样例选择算法。该算法利用概率神经网络估计训练样例的概率分布, 利用K-L散度作为启发式来进行样例选择, 用该方法选出的样例大多分布在分类边界附近。与五个著名的样例选择算法CNN、ENN、RNN、MCS和ICF进行了实验比较, 实验结果显示, 算法的选择比更低, 训练出分类器具有更好的泛化能力, 提出的方法是有效的。     

软组合概率神经网络分类器人脸识别方法

概率神经网络分类器具有学习速度快、易于实现的特点,而且其输出是后验概率, 使得分类器的软组合变得容易。利用概率神经网络的这些特点,提出了软组合概率神经网络分类器人脸识别方法,该方法包括3步:(1)对人脸图像做不完全小波包分解;(2)用包含低频成分的小波子空间图像训练概率神经网络分类器;(3)用模糊积分组合训练好的分类器。将该方法与3种基于矩阵子空间的人脸识别方法在JAFFE、YALE、ORL和FERET 4个人脸数据库上进行了实验比较,结果表明,提出的方法在识别精度和CPU时间两方面均优于其他3种方法。     

最小一乘回归神经网络集成方法股市建模研究

提出了一种新的神经网络集成股市建模方法,采用偏最小二乘方法构造神经网络输入矩阵,利用Bagging技术和不同的神经网络学习算法生成集成个体,再用遗传算法选择参与集成的个体,以"误差绝对值和最小"为最优准,建立最小一乘回归神经网络集成模型,通过上证指数开盘价、收盘价进行实例分析,计算结果表明该方法具有较好的学习能力和泛化能力,在股市预测中预测精度高、稳定性好.