基于自适应参数调节和动态分组学习的水波优化算法

针对浅水波理论易陷入局部最优、收敛速度慢的问题,提出基于自适应参数调节和动态分组学习的水波优化算法。通过分析控制参数的变化,采取了参数自适应调节机制平衡算法的全局搜索和局部开发能力;设计基于正余弦因子的动态分组学习阶段,有效增强了算法跳出局部最优的能力,从而提高了算法的收敛精度。仿真结果表明,与标准水波优化算法相比,改进的算法表现出了较好的竞争性。

可学习动态分组卷积神经网络的大规模点云分割

针对现有大规模点云语义分割算法提取特征时冗余干扰信息过多,导致神经网络分割性能较差的问题,提出可学习动态分组卷积神经网络架构,高效准确地实现大规模点云分割。对输入点云以分组的方式进行局部几何特征提取,并通过动态筛选和修剪冗余特征通道来减少无用特征信息对神经网络特征识别的干扰,进一步提高网络模型语义分割精度。构建位置编码模块,将点云位置特征映射到高维频域空间,使神经网络充分挖掘点云频域特征信息,增强特征的丰富性。对提取到的局部几何特征和全局单点位置特征进行融合,并构建可学习动态分组卷积神经网络,完成解码得到最终分割结果。实验结果表明,该算法在大规模点云分割数据集S3DIS和SemanticKITTI上的mIoU分别为69.6%和58.3%。与现有点云语义分割方法相比,所提出的网络模型具有更高的分割准确率和较低的参数量。

例谈学生学习力养成的教学策略——以“细胞器之间的协调配合”教学片段为例

学生学习力的个体差异常常导致学习活动被教师和学习力强的学生包办,学习力差的学生很容易失去思维时间和空间。在“细胞器之间的协调配合”教学实践中通过动态分组,先依据学习力分组,让学生在适宜问题的引导下独立思考,自信地完成对应层次的学习任务,再通过常态自然分组展示交流各自的学习成果。学生在良好的思维场域中交流,产生积极的情感体验,潜在的能力易被激发出来,达到知识能力的优势互补,最终提升学习力。