Euler及N-S方程的二维四边形/叉树混合网格自适应算法

描述了一种基于直角叉树网格的Euler和N S方程自适应算法 .由于考虑了粘性的作用 ,提出并使用了四边形 叉树混合网格的方法 ,在几何表面附近生成贴体的四边形网格 ,外流场使用直角叉树网格 .采用中心有限体积法 ,对Euler及N S方程进行数值求解 ,对N S方程的计算中加入了B -L代数湍流模型 .在流场中 ,运用了网格自适应算法 ,提高了数值计算对激波、流动分离等特性的捕捉和分辨能力 .采用上述方法 。

基于混合神经网络的脑电时空特征情感分类

提出一种脑电图(electroencephalograph,简称EEG)数据表示方法,将一维链式EEG向量序列转换成二维网状矩阵序列,使矩阵结构与EEG电极位置的脑区分布相对应,以此来更好地表示物理上多个相邻电极EEG信号之间的空间相关性.再应用滑动窗将二维矩阵序列分成一个个等长的时间片段,作为新的融合了EEG时空相关性的数据表示.还提出了级联卷积-循环神经网络(CASC_CNN_LSTM)与级联卷积-卷积神经网络(CASC_CNN_CNN)这两种混合深度学习模型,二者都通过CNN卷积神经网络从转换的二维网状EEG数据表示中捕获物理上相邻脑电信号之间的空间相关性,而前者通过LSTM循环神经网络学习EEG数据流在时序上的依赖关系,后者则通过CNN卷积神经网络挖掘局部时间与空间更深层的相关判别性特征,从而精确识别脑电信号中包含的情感类别.在大规模脑电数据集DEAP上进行被试内效价维度上两类情感分类实验,结果显示,所提出的CASC_CNN_LSTM和CASC_CNN_CNN网络在二维网状EEG时空特征上的平均分类准确率分别达到93.15%和92.37%,均高于基准模型和现有最新方法的性能,表明该模型有效提高了EEG情感识别的准确率和鲁棒性,可以有效地应用到基于EEG的情感分类与识别相关应用中.

“二维码-APP-微课-网络平台”教学模式

传统教学需要和“二维码-APP-微课-网络平台”教学平台有效结合,加强混合教学模式运用实施,使互联网产品与设计教学相结合,互联网作为设计教学的辅助模式,线上线下融通,加大在线教育资源共享力度,扩大网络课堂教学资源辐射面,推动信息技术、智能教育融入教学全过程。随着互联网+思想和人工智能、大数据等新技术课改的不断深入,利用二维码、APP、微课等进行课程改革,需要创设情境,引入问题,探究知识,总结规律,适度迁移拓展。