基于双种群交叉学习的粒子群优化算法

粒子群优化算法因其支配参数少、收敛速度快、易于实现等特点被广泛应用,但是粒子群优化算法存在精度低、容易陷入局部优化的问题。为此提出一种基于双种群交叉学习的粒子群优化算法。在该算法中,整个种群被分为普通子种群和精英子种群。普通子种群采用综合变异机制,该机制通过设置概率参数使普通子种群随机选择朝着优秀粒子的方向或者保持自身方向进行变异,以侧重寻找可能解区域。精英子种群则采用交叉学习机制,将粒子的历史最优和全局最优个体进行交叉生成范例,从而引导粒子对可能解区域进行局部搜索,还提出了一种非线性惯性权重来平衡粒子的全局勘探和局部开发能力。为了验证算法的有效性,在十六个基准问题上进行测试并与其他七种粒子群优化算法变体比较,实验结果表明该算法在求解精度和收敛速度总体排名第一,验证了该算法求解性能优于其他粒子群优化算法变体。

“交叉学习”方法在临床生产实习中的应用与评价

论述了'交叉学习'方法的实施以及成效评价,指出'交叉学习'方法在临床生产实习中是行之有效的,有利于实习生主动地学习,有利于实习生临床思维能力的提高,可以更好地完成实习大纲的要求,是一种适合我国国情的较好的临床医学教学方法.

大学专业课交叉学习模式初探

根据当今学科交叉研究的大趋势,笔者提出了在大学本科专业课程中实行交叉学习模式的设想,并进行了探索性实践。针对工程力学专业断裂力学和计算力学课程,拟定了若干小论文题目,让学生以毕业设计论文的形式完成了交叉学习演练课题,培养了学生的学科交叉研究意识和能力,为大学创新教育摸索出了一条改革思路。

基于多路径残差网络交叉学习的图像超分辨率重建

基于残差网络的图像超分辨率重建方法能够获得质量更好的重建图像。而单一路径的残差网络学习不能够充分表达图像的先验映射信息。本文提出一种多路径残差网络交叉学习的图像超分辨重建方法。首先搭建单支增强深度残差网络进行图像超分辨率重建;再根据学习不同变换图像信息的需求扩展为多路径深度残差网络以学习图像不同形式下的信息,增强网络的表达能力;然后设计交叉多路径网络进行交叉学习,共享各网络的中间结果,提高各路径网络信息的利用。通过实验可验证本文所提方法相比其他几种图像超分辨率重建算法获得的结果主客观效果更好。

基于交叉学习的PET/CT双模态头颈部肿瘤分割

目的头颈部癌症是世界最常见的癌症之一,当前的主要治疗手段是放疗。放疗的规划依赖于精确的器官分割,这个过程通常由放射科专家手动完成。人工勾画肿瘤靶区是一项非常费时、费力的工作,因此,希望开发一种全自动的医学图像分割方法。方法在这项工作中,我们使用PET/CT双模态数据并关注如何更好地从PET/CT双模态信息中提取精确的融合特征信息。整个网络基于U-Net架构,在其中我们添加了残差学习模块和交叉学习模块,交叉学习模块的任务在于自适应地选择PET/CT的融合权重,从而获得更为精确的融合特征。结果与U-Net以及添加了残差网络的U-Net相比,在头颈部肿瘤数据集上实验结果表明该方法是最好的。本文所提方法的Dice相似度系数(Dice Similarity Coefficient,DSC)为0.9174,召回率(Recall)为0.9264,精度(Precision)为0.9212,相对U-Net分别提升3.22%、3.56%和0.44%;豪斯多夫距离(Hausdorff Distance,HD)为4.8859,体素重叠误差(Volume Overlap Error,VOE)为0.0826,相对体素误差(Relative Volume Difference,RVD)为0.1036,相对于U-Net分别下降0.1031、0.0283和0.0788。结论对比实验表明,本文提出的基于交叉学习的分割模型在头颈部肿瘤数据集上有效改善了分割结果,提高了分割精度。

团队参与式交叉学习法在《系统解剖学》实验教学中的探索与应用——以右江民族医学院为例

《系统解剖学》是一门医学基础必修课程,具有专业名词多、形态结构描述多和记忆知识点多的特点。针对解剖学知识枯燥难记的现状,结合“两性一度”金课标准要求,围绕“以学生为中心,教师为主导”教学理念,在《系统解剖学》实验教学中教师与研究生一同采用团队参与式交叉学习法进行实践研究,从课前、课中和课后三个环节进行综合精心设计,锻炼学生主动、视、听、说、胆、做、合作等能力,能有效地调动学生积极参与度、提升学生的综合素质和各方面能力。同时教师在传帮带以及研究生跟班教学过程中,该方法能增加研究生的观摩、学习的机会,能强化角色认同感,可以帮助研究生快速进入、转换角色,提升研究生带教质量,为研究生顺利开展教学实践打下坚实的基础。

多视图交叉一致性学习的半监督水面目标检测

为缓解基于半监督学习的水面目标检测对有限标注样本过拟合的问题,提高无标注样本中目标提取的有效性,提出了基于多视图交叉一致性学习的半监督水面目标检测算法。首先,该算法通过数据增强的方式为训练样本生成不同的视图以丰富数据集的多样性;然后,利用所提出的多视图目标判别器为无标注样本在线生成伪标签,有助于提取无标注样本的有效信息;最后,利用所提出的多视图交叉一致性学习使同一目标实例的不同视图的输出实现交叉一致性正则化,以促进检测模型学习判别性的特征从而降低过拟合的风险。在海上和内河数据集上的实验结果表明:文中所提算法能够提高特征提取的判别性,对多类别的水面目标检测精度达到91.0%,比全监督检测算法提高了18.7%,比其他半监督检测算法提高了3.8%以上;在检测速度上,该算法达到13.1帧/s,基本满足实时性要求。所提算法通过多视图交叉一致性学习提高特征的判别性和缓解检测模型的过拟合风险,有助于提高半监督水面目标检测的性能。

基于迭代学习交叉耦合的轮廓误差控制方法研究

针对进给伺服系统传统控制方法产生的各轴特性不匹配、控制精度不佳、抗扰动能力不足等问题,提出一种基于自抗扰控制(ADRC)和迭代学习交叉耦合控制(ILCCC)的轮廓跟踪控制算法。对于空间任意轮廓曲线,所提算法在三轴联动条件下,通过不断的迭代学习过程,优化分配给各轴的轮廓误差补偿量,加快伺服轴动态响应的同时,有效抑制伺服系统的轮廓误差。在仿真平台下建立控制器数学模型,对空间直线和空间螺旋线轨迹进行了三维跟踪验证。研究结果表明:与ADRC控制算法和ADRC+PIDCCC控制算法相比,ADRC+ILCCC控制算法在轮廓误差的最大绝对值、累计值以及平均值等指标上均有很大改善,证明了所提算法的优越性。

构造型神经网络双交叉覆盖增量学习算法

研究了基于覆盖的构造型神经网络(cover based constructive neural networks,简称CBCNN)中的双交叉覆盖增量学习算法(BiCovering algorithm,简称BiCA).根据CBCNN的基本思想,该算法进一步通过构造多个正反覆盖簇,使得网络在首次构造完成后还可以不断地修改与优化神经网络的参数与结构,增加或删除网络中的节点,进行增量学习.通过分析认为,BiCA学习算法不但保留了CBCNN网络的优点与特点,而且实现了增量学习并提高了CBCNN网络的泛化能力.仿真实验结果显示,该增量学习算法在神经网络初始分类能力较差的情况下具有快速学习能力,并且对样本的学习顺序不敏感.

一种基于交叉特征学习的复杂事件检测算法

提出一种改进的事件检测算法,通过交叉特征学习实现相关样本的自适应利用。首先将相关性水平看成是有序标签,利用标签候选集中相邻两个相关性标签的最大容限准则进行模型学习。然后采用多核学习理论来定义标签加权问题,通过交叉特征预测来更新标签候选集合。重复上述步骤直到算法收敛为止,将最终获得的统一检测器用于事件检测。利用大规模TRECVID 2011数据集来测试本文算法,实验结果表明,就平均精度和Pmiss值而言,本文算法的检测性能优于当前其他算法。

基于双迭代学习-交叉耦合的双轴误差控制

在双轴高精度轮廓加工中,单轴的跟踪误差和双轴间运动不协调产生的轮廓误差都会影响加工精度。文章提出了一种基于双迭代学习-交叉耦合的双轴运动控制策略,将单轴的迭代学习控制(iterative learning control,ILC)与双轴的交叉耦合控制(cross-coupled control,CCC)以及轮廓误差的ILC相结合。单轴的ILC用来改善单轴的跟踪性能,减小单轴的跟踪误差;双轴的CCC用以增加各轴之间的匹配程度,减小轮廓误差;轮廓误差的ILC可以提高轮廓的跟踪性能,进一步削减轮廓误差。仿真结果表明,双迭代学习-交叉耦合控制系统不仅能够有效降低单轴的跟踪误差,而且能显著减小轮廓误差。

体育专业硕士生交叉学科学习的重要性分析——基于交叉学科发展情况

纵观现代科学发展的历史,科学学科在高度细分的基础上不断的呈现出综合、跨学科的交叉的发展趋势。通过对我国体育科学学科发展现状的分析得出交叉学科发展将会成为未来研究一大趋势且在体育研究中更加显示其潜力与优势。因此我国体育硕士研究生只有进行交叉学科学习才能紧跟时代主题的同时发挥交叉学科的发展潜力,提高创新性思维的同时实现科研成果的创新与突破。

探讨学习策略,促进学生对学习策略的应用

本文分析了适合大学生的学习策略,探讨了促进大学生应用学习策略的方法,进而指出学习策略应成为学校教育过程中的一项重要内容。

基于ADDIE模型探索专业学位研究生的个性化规培模式——以风湿免疫科为例

目的:基于ADDIE模型,以风湿免疫科为例,探索建立双轨制模式下符合临床医学硕士专业学位研究生专业特点的个性化规培模式。方法:通过ADDIE模型,针对不同专业,分析临床学科交叉特点,在规范化培训方案基础上增加个性化教学内容。在风湿免疫科接受住院医师规范化培训的学员,按转科先后顺序分为试验组和对照组。其中试验组30人,对照组30人。试验组针对不同专业增加个性化教学内容。1个月后对个性化规培教学的效果进行评价,通过客观评价指标和临床带教的满意度进行评价。结果:采用个性化规培方案组学员对个性化规培方案持更加肯定态度(P<0.05);试验组临床综合能力较普通学员有明显提升(P<0.05)。试验组掌握知识更加全面,对自身专业及风湿免疫科交叉知识有更深刻理解,有利于工作后从事复杂的临床工作。结论:该研究基于风湿免疫科,通过ADDIE模型,初步探索建立符合专科特点的个性化住院医师规范化培训模式,使临床医学硕士专业学位研究生在规范化培训期间可以加强学科交叉知识的学习,培养临床科研思维能力,有利于新的教学模式的探索和推广。

多策略改进的乌燕鸥算法及应用

乌燕鸥算法(STOA)存在收敛缓慢、稳定性差、收敛精度低等问题,鉴于此,提出一种多策略改进的乌燕鸥算法(MISTOA)。首先,为增强初始种群的多样性,采用Cat混沌映射对STOA算法种群进行初始化。其次,将自适应权重因子和高斯函数改进了算法的迁徙位置更新方式,增强了算法的全局搜索能力。同时,结合自适应权重因子和邻代交叉学习策略改进了算法的攻击位置的更新方式,增强了算法跳出局部最优的能力。最后,采用高斯变异策略对乌燕鸥最优个体进行扰动,提高算法的全局搜索与局部搜索之间的平衡能力。利用7个测试函数和主梁轻量化设计对MISTOA算法收敛性能和工程实际应用能力进行了验证。结果表明:与其他5种先进的算法,MISTOA算法收敛性能更优,稳定性较好和鲁棒性较强。MISTOA算法可实现桥式起重机主梁质量减重率约为20.76%,优化结果优于已有的方法,因此,MISTOA算法可以高效地处理复杂的非线性约束的现实问题。

基于改进DPSO非退出故障下多无人机任务规划

针对非退出故障下多无人机(unmanned aerial vehicle,UAV)协同任务规划问题,提出了一种基于混合策略改进的离散粒子群算法(mixed strategy improved discrete particle swarm optimization,MSDPSO)。该方法首先采用Sobol序列进行种群初始化,提高解空间的覆盖率;然后,提出非线性时变策略,加快算法的收敛速度;并引入柯西算子,增强离散粒子群算法的搜索空间;同时,还提出自适应交叉学习策略,丰富种群多样性,进而提升算法的全局寻优能力。综合改进的离散粒子群算法不仅加快了收敛速度,并且解的最优性也得到了提高。此外,运用三次样条插值算法进行无人机航迹规划,最后,将改进算法在三维空间中进行无人机故障前后的对比仿真实验,结果表明:所设计的算法具有显著的寻优有效性,为部分无人机发生轻微故障后,多机协同执行任务规划的问题提供了理论依据。

“三明治”教学法在康复医学教学中的应用

“三明治”教学法（Sandwich教学法）是一种小班教学方法,最早由德国海德堡大学医学院进行了实践,深获学生好评.近年来,我国医学教育界将Sandwich教学法应用于国内医学教育,获得了师生的较好反响.整个教学过程中,学生在教师的引导下,以小组为单位进行小组讨论、同学交叉学习、同学学习汇报等环节,充分调动学生在课堂里的情绪,提高学生主动学习的积极性;并进一步提高学生自我学习、思考及探索新知识的能力.我们将此教学方法初步应用于康复医学的教学中,也得到了学生的普遍认可.现将此教学实践介绍如下.

跨学科教学实践与构想

文章总结合肥工业大学计算机与信息学院在跨学科教学方面进行的诸多实践,如学科大类培养模式、教改实验班探索、数字媒体方向建设等,并对如何进一步推动跨学科教学进行了构想,包括"网络、群体与市场"这门跨学科课程的开设计划以及如何推动跨学科选课等。

基于混合策略的自适应教与学优化算法

为提高教与学优化算法的综合性能,提出一种基于混合策略的自适应教与学优化算法。将随机性学习与有向性学习融合,提出一种自适应综合交叉学习策略,根据进化的不同阶段自适应地选择学习方式,增强算法对解的搜索能力;加入一种方向性的扰动策略,增大种群多样性,较大程度地加大了对搜索空间的探索力度,降低了种群陷入局部最优的可能。基于标准测试函数的仿真实验结果表明,本文算法可有效避免算法陷入局部最优,在收敛精度和收敛速度上有较大提高。