基于闭环与反馈的“本研贯通”人才培养模式探究

“本研贯通”培养模式以其独特之处成为新工科拔尖人才培养的重要创新。该文探讨基于闭环和反馈的“本研贯通”培养模式在新工科拔尖创新人才培养中的作用和意义。分析该模式的设计理念及实施策略,确保学生在培养过程中充分发挥个体潜力,实现更有针对性的发展。探索如何构建培养模式质量保障机制,旨在确保整个培养过程科学、有序进行。基于闭环和反馈的“本研贯通”培养模式在培养目标、导师制度及学科发展方向等方面进行深度整合,有助于打破学科界限,培养具备创新能力和综合素养的新工科拔尖创新人才。

基于多尺度卷积神经网络的手机表面缺陷识别方法

针对手机表面缺陷难以精确识别的问题,提出一种兼具Soble算子、逻辑损失函数(logistic loss function,LLF)和多尺度卷积神经网络(multi-scale convolutional neural networks,MSCNN)手机表面缺陷识别方法SL-MSCNN。首先,构建了一种基于Sobel算子的邻域特征增强方法,排除了图像中光照、阴影等无关因素的干扰;其次,设计了一种基于MSCNN的缺陷识别方法,通过获得手机表面图像的多尺度信息,提高了手机表面缺陷的识别精度,同时,引入了LLF,通过降低梯度消失发生的概率加快训练的检测速度。实验结果表明:与其他手机表面缺陷识别方法相比,SL-MSCNN在准确率和效率方面具有更好的使用价值。

基于深度强化学习的多智能体分布式事件触发优化控制

为了解决多智能体系统在有障碍物的场景下协同运动控制中无线通信成本较高的问题,本文设计了一种分布式事件触发优化控制方法.该方法包括计算通信与控制的联合策略以及确定多智能体之间通信的触发条件,使多智能体无需实时或按周期地进行通信,从而有效降低数据传输总量,实现优化通信机制,达到降低通信成本的目的;同时为了使智能体能够避开其他智能体与障碍物,设计了一种基于指数函数的碰撞惩罚项,使智能体在接近障碍物或其他智能体的过程中受到按照指数式增大的惩罚,避免发生碰撞.将该方法应用于多智能体深度确定性策略梯度(multi-agent deep deterministic policy gradient,MADDPG)算法中,在添加障碍物的多智能体粒子环境(multi-agent particle environment,MPE)上的仿真实验结果表明,该方法可以在较好地完成多智能体协同控制任务的同时减少数据传输量,达到了优化通信机制、降低通信成本的目的.