人工智能背景下机器学习课程教学改革路径探索

在人工智能的背景下,机器学习技术的广泛使用不断催生人才需求,进而使得机器学习课程在高等教育人才培养上扮演越来越重要的角色。机器学习课程是一门多学科交叉课程,具有深厚的理论性、丰富的知识点以及抽象的概念等特性,造成了在有限的教学时间内如何帮助学生有效提升理解和掌握课程知识成为一个难题。基于此,本文从理论教学、实践教学、教材内容、课程考核评价方式4个角度出发,探索了机器学习课程的教学改革路径。

林业高校电子信息类专业人才培养模式研究

新农科建设为林业高校的教育改革提供了重要契机,特别是电子信息类专业的人才培养模式亟须适应当前产业发展的需求。本文以南京林业大学为例,分析了新农科背景下电子信息类专业人才培养的现状与存在的问题,提出以“目标导向、实践教学、学科融合、产教融合与动态反馈”为核心的创新人才培养模式。研究强调通过加强与行业的对接,提高学生的实践能力和创新能力,以培养具有现代素养的复合型人才。此模式不仅为林业高校电子信息类专业的发展提供新思路,也为国家乡村振兴与生态文明建设输送高素质人才助力。

油浸式电力变压器在线监测与智能预警系统设计

阐述针对油浸式电力变压器的在线监测与智能预警系统设计方案。系统集成温度传感器、溶解气体分析仪(DGA)和负载电流监测装置,能够实时监控变压器8项关键性能指标,包括数据采集、数据挖掘、参数预测、故障预警。在检测到异常时,系统能自动识别故障模式和趋势,并发出预警。

基于创新科研能力培养的“数字电子技术”课程教学改革策略探索

新一轮科技革命和产业变革要求高校培养的人才不仅要具有一定的专业基础知识,还要具备创新、科研等综合能力。课堂教学作为本科人才培养的主要阵地,应该改变传统“照本宣科”式的教学方法,注重学生创新科研能力的培养。文章基于“数字电子技术”这门课程探索了如何通过课程教学改革培养学生的创新能力和科研思维,包括引入该课程发展前沿优化教学内容、改革教学方法、增加设计性和综合性的实验实训以及引导学生结合课程教学内容申报科研训练项目等。文章通过对“数字电子技术”课程进行以上这些教学改革探索,以期为培养学生创新科研能力的本科教学提供参考。

基于不等匝绕组的交替极永磁电机转矩脉动抑制技术

交替极电机的永磁体被凸极铁心替换会形成不对称的空载气隙磁密,导致气隙磁密偶次谐波,进一步在相反电动势中感应出偶次谐波,增加电磁转矩脉动。当交替极永磁电机的极槽配合符合Ns=k(2P±1)(k是正整数,Ns和P分别是定子槽数和转子极对数)时,相反电势中会存在偶次谐波。为此,提出不等匝绕组技术消除交替极永磁电机的低次反电势偶次谐波,抑制电磁转矩脉动。首先推导了消除2次和4次反电势谐波的最优比例,然后以27槽30极电机为例,采用2维有限元方法对比分析了交替极和传统永磁电机的反电势和转矩特性,结果表明,采用不等匝绕组的交替极电机转矩脉动仅为1.2%,与传统电机相比下降了7.84个百分点,最后加工了不等匝绕组27槽30极交替极永磁电机对对理论和有限元分析进行了验证。

基于增强特征提取的森林遥感图像行人小目标检测网络

林业作业人员常常由于复杂地貌而面对坠落、森林火灾等威胁,卷积神经网络结合无人机巡查的方法已经成为主流防范、搜救措施,但遥感图片中的行人小目标有特征少、定位精度要求高以及极易受背景信息干扰的特点。为了能够使森林遥感图片行人小目标检测的精度达到预期,在YOLOv4方法的基础上针对上述特点设计了增强特征提取的目标检测网络(EFEN),通过构建感受野增强模块(RFBA)并结合CBAM注意力机制,在充分利用遥感图片中的丰富上下文信息之余,对相关信息进行动态选择,增强特征的表示能力;基于高斯分布思想,将归一化Wasserstein距离与CIOU结合,提出了一种新的损失函数(GKCLOSS),降低了小目标检测任务中对位置偏差的敏感性;引入一种自适应分割训练检测策略,平衡正负样本,提高目标检测的准确性,进一步提高了检测精度。以河北省张家口市崇礼区采集的无人机行人图像为研究对象,实验表明,EFEN框架在小目标检测方面优于现有的深度学习网络,在与SSD、YOLOv5、YOLOv7等算法比较中平均查准率(mAP)均有所提升,在上述数据集上,mAP高达39.10%,证明了此方法对行人小目标数据的有效性。

基于ARIMA-PSO-LSTM的太阳能预测

太阳能是新兴的可再生能源之一,可将其转化为电能以供无线传感器网络(Wireless Sensor Networks, WSN)使用,对太阳能进行预测可以有效地利用能量,从而达到节省能源、维持网络持续稳定运行的目的。提出了一种新的组合预测模型来预测太阳能辐照强度,其中改进的粒子群优化(Particle Swarm Optimization, PSO)算法被引入寻找长短期记忆(Long Short Term Memory, LSTM)神经网络模型的最优参数。选取自回归差分移动平均(Auto-Regressive Integrated Moving Average, ARIMA)模型来预测太阳辐照数据中的线性分量;采用PSO算法来优化LSTM神经网络模型的超参数,有助于提高模型预测的精度和鲁棒性;采用优化的LSTM神经网络模型来预测数据中的非线性分量;最后将两个模型的预测结果进行叠加。实验结果表明,新的组合模型比ARIMA、LSTM等模型,具有更高的预测精度。

多视图低秩子空间的图结构学习多站点自闭症诊断方法

自闭症谱系障碍(Autism spectrum disorder,ASD)是一种最常见且具有遗传性的神经发育障碍疾病,具有社交沟通缺陷等多种症状。准确识别生物标记物对ASD的早期干预起到至关重要的作用。现有大量方法利用了多站点影像数据来增加样本量,从而提高了方法诊断的准确性,但是多站点间由于成像装置、成像参数和数据处理流程存在的差异造成的数据异质性影响往往被忽略。为了解决上述问题,本文提出了一种基于多视图低秩子空间的图结构学习多站点自闭症诊断方法(MVLL-GSL)。首先构建具有不同拓扑结构信息的多视图脑网络,然后分别将视图中不同类的样本分别投影到各自的低秩子空间,从而降低数据异质性的影响,最后使用图结构学习和多任务图嵌入学习相结合,并融入先验子网络和多视图一致性正则化约束,旨在从多视图低秩子空间中获得更具判别性和一致性的特征。使用自闭症公开数据库ABIDE(Autism brain imaging data exchange)对提出的方法进行验证。实验结果表明,MVLL-GSL方法提高了ASD的诊断性能,并解释了不同先验子网络与ASD发病机制的关联性。

基于深度强化学习的蜂窝网络中D2D通信资源分配

设备到设备(Device to Device,D2D)通信可以提升频谱利用率和系统吞吐量,但由于D2D通信存在干扰问题,资源分配难度较大。近年来,深度强化学习(Deep Reinforcement Learning,DRL)被广泛应用于蜂窝通信的资源分配。因此,提出了一种基于优势演员-评论员(Advantage Actor-Critic,A2C)的资源分配算法,该算法可以根据环境状态选择最佳的D2D资源分配策略。通过仿真实验验证了该算法在网络性能上的优越性,并与其他算法进行了对比,结果表明,所提算法在提高系统吞吐率方面效果最好。因此,该算法为蜂窝网络中D2D通信资源分配问题提供了一种新的解决方案,具有广泛的应用前景。

同步辐射光源束流控制系统的设计

阐述针对束流监测系统需要对束线位置进行精确测量和控制,设计一种通用数字信号处理系统。通过采用Xilinx的ZYNQ-7045芯片,使数字电路兼具FPGA并行处理能力和ARM灵活计算能力。

LoRa信号干扰分析与性能研究

LoRa(Long Range radio)系统在当前不断发展的低功率广域网(LPWAN)中处于相对领先地位。它的MAC层采用的是基于ALOHA的接入协议。该接入机制虽然简单易实现,但同时也容易加剧冲突和碰撞的发生,降低整个系统的通信性能。因此,需要研究多个终端同时占用信道资源时的相互干扰情况,而LoRa信号的扩频因子(SF)将决定信号的通信覆盖范围。因此,分析了干扰信号的SF与发送信号的SF相同以及不同时,干扰信号对发送信号解调性能的影响。实验结果表明,相同SF信号间的干扰影响相对较大,而干扰信号使用的SF与发送信号不同时,干扰的影响相对较小。通过理论分析,获得了接收端正确解调时所要求的信干比(SIR)。可见,不同SF的LoRa信号可看作伪正交。

基于级联循环网络的林木生长参数预测

【目的】树木的生长参数在林木性状评估、森林碳汇计量和优化森林经营策略等方面具有重要的意义。从激光雷达数据中精准提取林木生长参数并对树木未来生长参数进行预测,以期为林业数字化发展提供技术支持。【方法】本研究提出了一种基于人工智能的林木生长参数提取与预测方法,该方法以南京林业大学中的樱花、银杏、鹅掌楸、水杉4个树种为实验对象。首先,采用机载激光雷达获取4个树种样地的点云数据,并通过单株分割算法提取单棵树木点云。其次,基于圆拟合及高斯滤波的方法自动的从2016、2018、2020年的单棵树点云中提取胸径、树高、冠宽等生长参数,并辅以样地调查数据(2015、2017、2019、2021、2022年),构建不同树种的单棵树生长参数时间序列作为深度学习网络的训练样本集。最后,构造由两层门控循环单元(GRU)的林木生长参数预测深度学习网络,并引入注意力模块以弥补传统循环神经网络捕获长期依赖关系的不足。该网络以2015-2021年单株树木生长参数时间序列作为输入,依托训练数据及随机梯度下降算法使网络参数逼近真实树木生长情况,并用以预测2022年单棵树木的生长参数。【结果】深度学习网络在树高预测上表现最好,决定系数R^(2)均不低于0.83,均方根误差(E_(RMS))均小于0.50 m,在4种树中银杏树的预测结果最优(R^(2)=0.95,E_(RMS)=0.31 m)。在胸径、冠宽等参数的预测上,深度预测网络仍有着良好的表现,R^(2)均不低于0.81,胸径E_(RMS)小于2.50 cm,冠宽E_(RMS)小于0.32 m。在与线性回归和LSTM网络等林木参数预测方法的比较中,本模型预测效果良好(R^(2)≥0.86),误差较小。【结论】级联循环神经网络可有效地预测未来树木的生长情况,提高林木生长参数的预测精度,同时GRU和注意力机制的引入在林木参数的时序预测中有一定的鲁棒性,为森林的智能管理与可视化分析提供了新的思路。

一种面向车联网的零日攻击检测方法

由于缺乏攻击数据,车联网零日攻击检测通常采用基于异常的方法。但车辆实际行驶过程中环境复杂多样、行为模式多变,导致正常的行为模式会出现较大的差异,采用基于异常的方法容易导致高误报率。在车联网环境中零日攻击和已知攻击的攻击原理相似,受迁移学习的启发,基于条件生成对抗网络提出一种应用少样本学习的车联网零日攻击检测方法。首先,提出一种多生成器和多判别器的条件对抗生成网络模型。其次,设计了一种自适应采样数据增强方法,通过对已知的攻击样本进行数据增强优化该网络模型的输入样本以减少误报。为进一步缓解该网络模型的输入攻击样本过少带来的数据不平衡问题,在判别器中给出了一种协作焦点损失函数重点判别难分类数据。最后,基于F2MD车辆网络仿真平台进行了大量实验,实验结果表明所提方法对于零日攻击的检测效果和检测延迟均优于现有方法,为车联网零日攻击检测提供了一种有效的解决方案。