《C语言程序设计》课程教学改革建议

《C语言程序设计》课程作为高校计算机专业一门重要的学科基础课,对于学生程序实践能力的培养具有重要意义。然而在课程教学中往往存在学生失去兴趣、上课听懂但不能独立编写程序、课堂所学与实际应用需求脱节等现象。以上述问题为出发点,从改进教学内容和方法、加强实践教学,以及改革考核方式等方向进行探索和研究,以提高课程教学质量,增强学生的学习兴趣和编程实践能力。     

膜片封装下光纤激光水听器的低频动态响应

为了探究膜片封装光纤激光水听器中光纤激光器产生弯曲振动的机理,首先基于梁的横向振动理论建立了光纤激光器弯曲振动模型,之后根据实际的封装结构进行了有限元仿真,分析了光纤激光器的固有频率与光纤激光水听器频响之间的定量关系,最后批量封装了光纤激光水听器,进行实验验证。仿真及实验结果表明:光纤激光器两端采用一体化硬固定方式易使光纤激光器发生弯曲振动;当光纤激光器的一阶固有频率落在工作频段内时,在谐振峰附近,光纤激光器的中心波长发生非均匀漂移,此时在远离谐振峰的频段内,水听器频响的平均值约为-135 d B,谐振峰值约为-125 d B。本研究为光纤激光水听器封装工艺的后续改进提供了参考。     

两阶段不定核支持向量机

近年来,在机器学习的各个领域出现了越来越多不定的度量核矩阵,使得不定核支持向量机(IKSVM)得到了广泛关注。但是,现有IKSVM算法通常不能较好地解决高维数据所带来的信息冗余和样本稀疏等问题。针对此研究现状,对现有主流的IKSVM算法进行了研究,并基于再生核Kre?n空间(RKKS)中对IKSVM问题的稳定化定义,从理论上证明了IKSVM问题的本质为不定核主成分分析(IKPCA)降维后空间中的支持向量机(SVM)问题,进一步地提出求解IKSVM问题的新型学习框架TP-IKSVM。TP-IKSVM通过将IKSVM问题的求解拆分为IKPCA和SVM两个阶段,充分地发挥了IKPCA在处理高维数据的信息冗余和样本稀疏等方面的优势,同时结合SVM以有效分类。在真实数据集上的实验结果表明,TP-IKSVM的分类精度优于现有主流的IKSVM算法。     

散射占比对低倍CPC热性能影响的对比实验研究

搭建聚光比分别为1.5、2.0和3.0的复合抛物面聚光器(CPC)对比实验系统,在集热器进口温度110℃条件下,对比实验研究散射辐照占总辐照比例(散射占比)对3种聚光比CPC系统集热性能的影响,并对我国不同地区典型辐照资源条件下CPC聚光集热的热性能进行分析。结果表明:散射占比对低倍CPC集热性能有明显影响,对于同一聚光比CPC,CPC热效率均随散射占比的降低而提高;对于不同聚光比CPC,1.5×CPC在散射占比高时热效率最高,3.0×CPC仅在散射占比低的晴天具有最高热效率。     

硅球表面制备荧光分子印迹聚合物检测高效氟氯氰菊酯的研究

采用沉淀聚合法制备了以高效氟氯氰菊酯(Beta-cyhalothrin,BC)为模板分子的荧光分子印迹聚合物。以甲基丙烯酸甲酯为功能单体,三羟甲基丙烷三甲基丙烯酸酯作为交联剂。通过红外光谱、紫外光谱、扫描电镜、透射电镜、热重分析证明已成功地合成荧光分子印迹聚合物微球,并且具有良好的球形形貌(微球粒径约为200 nm,印迹层厚度约为20nm)、良好的单分散性和卓越的热稳定性。通过荧光检测实验可知,荧光强度与BC的浓度呈线性关系并建立了线性回归方程:I0/I-1=0.004 1c-0.018 6,R2=0.983 7,检出限为13.251 nmol/L。通过选择性实验说明,荧光分子印迹聚合物对BC具有较好的特异性识别性能。     

基于双矫正机制的源域无关域适应学习

标准域无监督域适应学习是从相关的源域学习知识迁移到目标域,通常假设源域数据在训练阶段是可直接使用的。但是由于隐私和安全问题,在一些现实的应用中,源域数据往往是不可直接获取的,如何有效利用目标域数据从而减少噪声类的输出或特征的产生是源域无关域适应学习的巨大挑战。为解决这个问题,提出了一个基于双矫正机制的源域无关域适应学习模型（source-free domain adaptation with dual-correction mechanism,DCM）。首先,探索目标域样本信息结构,对噪声类输出进行矫正;其次,采用教师—学生模型指导特征的学习,最大化高置信度特征间的一致性以及低置信度特征间的差异性。最后,在数字集、Office-31和Office-Home数据集上的实验结果证实了DCM的有效性。     

基于自监督知识的无监督新集域适应学习

无监督域适应(unsupervised domain adaptation,UDA)旨在利用带大量标注数据的源域帮助无任何标注信息的目标域学习.在UDA中,通常假设源域和目标域间的数据分布不同,但共享相同的类标签空间.但在真实开放学习场景中,域间的标签空间很可能存在差异.在极端情形下,域间的类别不存在交集,即目标域中类...     

基于AUC的分类器评价和设计综述

尽管精度(或总体错分率)普遍用作分类算法的性能评价指标,但存在诸如敏感于类先验分布和错分代价,忽略分类算法所得的后验概率或排序信息等不足。而接收者操作特性(ROC)曲线下面积则能度量算法在整个类先验分布及错分代价范围内的总体分类性能、后验概率和排序性能,因此在分类学习中受到越来越多的关注,由此涌现出众多研究成果。文章旨在对此作相对全面的回顾和总结,包括AUC作为性能评价指标的优势所在,基于AUC优化的算法设计,基于精度优化和AUC优化的算法间的关系以及AUC存在的不足及改进。