感知任务多样性与心理需求对大学生体育锻炼意向的影响研究

目的:分析大学体育课中感知任务多样性与心理需求满意度对大学生体育锻炼意向之间的中介和调节效应。方法:使用体育教学感知任务多样性量表、体育教学基本心理需求满意度量表和体育教学动机量表对2033名大学生进行问卷调查,运用SPSS25.0和AMOS25.0程序验证有调节的中介模型。结果:感知任务多样性正向预测自主动机和负向预测无动机,心理需求满意度正向预测自主动机和负向预测控制动机。自主动机和无动机在感知任务多样性与大学生锻炼行为中起到中介效应,(β=0.498,中介效应量0.38),占总效应量51.52%。自主动机和控制动机在需求满意度和大学生锻炼行为中起到中介效应(β=0.529,中介效应量0.41),占总效应量60.32%。

基于一种蚁群算法的多机器人动态感知任务分配

多机器人系统在具有任务聚集特征的动态感知任务环境下执行搜集任务时,存在着由于任务分配不当而引起的冲突加剧问题.针对这一问题,提出了一种基于排斥信息素型蚁群算法的多机器人任务自主分配方法.进行了未知非结构化环境下的多机器人协作搜集仿真实验.仿真结果表明,采用本文所提方法可以实现多机器人搜集任务的自主分配,有效减少机器人的空间冲突,尤其在机器人数量较多的情况下,更能显示出该方法的优势.

基于深度强化学习的智联网汽车感知任务分配

随着智能/辅助/自动驾驶以及电动汽车技术的飞速发展,当前智联网汽车配备越来越多的传感器,拥有越来越强大的计算、存储和通信能力.作为智联网汽车中重要一类,出租车、滴滴等网约车(Mobility-on-demand vehicles)具有城市覆盖规模大和粒度细,以及空闲时间充足的优点.因此,利用这些智联网汽车现有的移动感知设备能够为城市大规模、细粒度、低成本的感知提供很好的机会.本文以出租车、滴滴等这一类重要的智联网汽车为研究对象,重点研究它们的感知任务分配问题,主要面临两方面挑战:一是智联网汽车载客收益(如出租车载客收入)以及汽车/感知任务分布具有时空动态性,导致智联网汽车的感知成本具有高时空动态性且很难建模和学习.二是感知任务的最优分配问题是NP-hard问题,具有指数级时间复杂度.同时,高移动性的智联网汽车对任务的实时分配要求很高.因此,如何对大规模的智联网汽车实现任务的最优实时分配具有挑战性.为了解决这两个挑战,本文提出基于深度强化学习的智联网汽车感知任务分配方法.通过深度强化学习模型对高时空动态性的汽车感知成本进行精确学习,然后基于学习结果进行感知任务的实时最优分配.具体地,针对挑战一,利用基于双注意力机制的循环神经网络挖掘汽车载客收益的时空相关性,并结合驾驶耗费模型,学习智联网汽车的感知成本.针对挑战二,首先通过问题等价转换和理论分析,证明该任务的最优分配问题具有单调子模目标函数和q-独立系统约束条件.然后,基于子模优化理论,联合考虑整体收益和边际效益,提出多项式时间复杂度的近似最优分配算法(近似率为1/2+c_(max)/c_(min)),其中c_(max)和c_(min)分别表示所有感知成本的最大和最小值.最后,基于两个大规模的智联网汽车数据集(重庆市,约12493辆车;纽约市,约超过1.13亿个行程),对所提方法进行深入全面的评估.实验结果表明,所提方法比7种对比方法平均提高载客收益的预测精度25.1%,提高任务分配的总感知效益37.7%.同时,面向城市道路违规停车监测应用,构建智联网汽车感知原型系统.基于该系统验证了所提方法的可行性和实际应用价值.

基于云计算的资源延迟感知任务调度优化

针对网络任务调度不合理延迟率高的问题,笔者提出基于云计算的资源延迟感知任务调度优化研究,通过构建任务模型和资源消耗模型,建立云计算的资源延迟感知任务调度模型,将资源延迟感知任务调度集成到滚动优化,形成具有资源延迟感知能力的调度优化算法,对模型进行求解实现任务的合理调度。经实验证明,使用基于云计算的资源延迟感知任务调度优化方法,有效降低了网络延迟率。

基于任务感知关系网络的少样本图像分类

针对关系网络(RN)模型缺乏对分类任务整体相关信息的感知能力的问题,该文提出基于任务感知关系网络(TARN)的小样本学习(FSL)算法。引入模糊C均值(FCM)聚类生成基于任务全局分布的类别原型,同时设计任务相关注意力机制(TCA),改进RN中的1对1度量方式,使得在与类别原型对比时,局部特征聚合了任务全局信息。和RN比,在数据集Mini-ImageNet上,5-way 1-shot和5-way 5-shot设置中的分类准确率分别提高了8.15%和7.0%,在数据集Tiered-ImageNet上,5-way 1-shot和5-way 5-shot设置中的分类准确率分别提高了7.81%和6.7%。与位置感知的关系网络模型比,在数据集Mini-ImageNet上,5-way 1-shot设置中分类准确率也提高了1.24%。与其他小样本图像分类算法性能比较,TARN模型在两个数据集上都获得了最佳的识别精度。该方法将任务相关信息和度量网络模型进行结合可以有效提高小样本图像分类准确率。

基于感受野注意力卷积的自动驾驶多任务感知算法

可行驶区域分割、车道线检测及交通目标检测等作为自动驾驶感知的关键部分,并行执行对智能车辆的算力要求较高,多任务感知算法能够实现实际应用中精度与速度的权衡。针对多任务感知算法中路况复杂、目标受遮挡等难点,通过改进YOLOP网络,提出一种基于感受野注意力卷积(RFAConv)的多任务感知算法。将主干网络中的部分卷积替换为感受野注意力卷积,根据感受野中图像特征的重要程度动态分配卷积核权重以提高网络的特征提取能力;重构特征金字塔网络,使用高效跨尺度融合模块替换原有的跨阶段层次模块,充分保留特征融合的有效信息,并使用内容感知特征重组模块作为上采样方法,减少特征融合时上采样的信息丢失;使用MPDIoU函数计算回归损失,解决真实框与预测框之间同比例但不同大小的问题,进一步提高对交通目标的检测能力。在BDD100K数据集上的测试结果表明,该模型在可行驶区域分割、车道线检测及交通目标检测方面检测精度优于其他多任务模型甚至单任务模型,同时保证了网络实时推理性能。

基于群智感知计算的多终端引擎任务分配仿真

随着通信平台种类的不断丰富,选择合适的终端对任务进行分配非常有必要,于是提出基于群智感知计算的多终端引擎任务分配方法。为了解决因环境等存在多方面差异而导致适配技术不同的问题,设计了多终端协同内容适配服务适应更加复杂的环境。根据用户连接的网络和可用终端生成网络组合方式,通过AHP计算出网络权重对网络进行评估,综合考虑带宽、功率和费用三个指标将用户偏好分为两类构建判断矩阵,使用户的服务质量最高。最后采用任务需求特征提取方法对感知任务类型的关键词进行提取,选择出与感知任务匹配度更高的终端引擎参与任务,确保任务的效率,以及资源利用的最大化。实验结果表明,所提方法可以较好的体现出用户的偏好程度,任务类别提取准确率较高。

基于视觉行为的健康信息甄别中任务难度感知变化预测研究

[目的/意义]任务难度感知反映了用户健康信息甄别过程中的认知状态。预测用户预期难度到体验难度的感知变化,有助于健康信息平台服务方和管理方为用户提供针对性的服务,提高用户甄别效率及体验。[方法/过程]通过受控实验收集用户健康信息甄别过程中查询、浏览和查看详情三类基本活动下的注视和扫视行为数据,并分别分析预期难度和体验难度下用户视觉行为差异,获取能表征用户感知难易的视觉行为指标,进而借助机器学习方法建立两阶段预测模型实现从预期难度到体验难度感知变化的预测。[结果/结论]健康信息甄别中用户预期难度在查询和浏览活动下的注视行为具有显著差异,而用户体验难度在三类活动下的视觉行为均具有显著差异,据此构建的预测模型方案能够有效预测用户任务难度感知的变化,且对用户任务难度感知增加或持续易时的预测效果最优,准确率超过90%。

幼儿对受助者的能力评价及任务难度感知的作用

受助者接受他人的帮助可能向旁观者发出某种信号——受助者无法完成目标任务,即受助者是无能的。本研究采用行为实验法考察3~5岁幼儿对受助者的能力评价,并探究任务难度的感知能否提高幼儿对受助者的能力评价。结果表明:4岁是幼儿对受助者能力消极评价的年龄转折点。4岁后,幼儿认为受助者能力不如未受助者,即消极评价受助者能力;任务难度感知可以提高4~5岁幼儿对受助者的能力评价。本研究结果有助于理解幼儿如何评价受助者的能力以及如何减少接受帮助带给受助者能力的消极评价。

多机协同自主任务规划系统研究综述

针对多机协同自主任务规划显著提升无人机任务感知效能、提高任务执行能力的现状,对其关键技术进行阐述,主要包括知识表示、通感一体化、任务调度及航迹规划等技术。针对知识表示技术,阐述基于任务环境上下文感知的知识库构建方法,进而对多域融合知识图谱构建、动态知识图谱更新与共享方法进行分析总结;针对通感一体化技术,分析了环境适变、灵活可扩的多机协同通感一体化架构,进而揭示多机协同通感一体化理论能限,阐述面向任务差异性需求的资源共享方法;针对任务调度及航迹规划技术,阐述资源适配的多机协同自主任务调度方案,并对基于动力学模型的航迹控制策略及不完美环境下的鲁棒控制机制进行分析总结。

任务难度感知对翻译策略的影响研究

基于叶克斯-唐德逊法则,将任务情境引入翻译策略的微观行为研究,考察任务难度情境作为外在感知因素对学习者的直译策略与意译策略的影响作用。基于147个英语类专业学生样本数据的实证结果表明,任务难度感知对意译策略存在显著的正向预测力,其与直译策略则呈现U型的非线性关系,且在U型线的极值点前后,学习者对翻译策略的使用发生质的改变。研究发现为翻译教学理论与实践提供了全新的研究范式与实践启示。

异构多平台信号处理任务调度研究

简单的并行计算或单一异构平台已经无法满足计算量大、复杂度高的信号处理和任务调度需求,异构多平台系统已经成为信号处理和任务调度的发展趋势。针对提高平台的吞吐量、处理器的利用率以及任务的感知等问题,文中对异构多平台信号处理模型进行了研究,并利用有向无环图对调度任务和软硬件资源建模。基于已提出的调度算法,对任务调度进行了归纳总结、对比分析,发现基于任务感知的混合调度算法能够较好地满足平台调度需求。利用基于任务感知的混合调度算法解决信号处理中的任务调度将是未来研究发展的趋势。

基于部位感知的驾驶场景行人检测方法

针对驾驶场景下的行人检测面临的环境复杂、行人密集和尺度跨越大等问题,提出一种智能驾驶场景下的端到端行人检测方法。为减少特征金字塔直接对特征相加造成的信息损失,引入双向特征增强模块(Bidirectional Feature Enhancement Module,BFEM),在双向通道上使用级联融合增强各层特征包含的信息。针对检测器在行人遮挡场景下感知力不足的问题,提出一种注意力部位感知模块(Embedding-based Attention Part-aware Module,EAPM),模块使用任务感知注意力增强特征前景特性,同时为人体部位添加了可见性损失,以此来增强模型对人体结构的感知经验。此外,改进任务感知注意力结合空间分组思想,增强子特征信息,减少噪声干扰,以此增强检测器的分类能力。在CrowdHuman和Citypersons数据集上对模型进行评估,实验证明了方法的有效性,在CrowdHuman中与基线相比提升了2.39%的AP值、2.21%的Recall和3.08%的R_(M)^(-2)值,取得了91.55%AP,89.88%Recall和43.90%R_(M)^(-2)的结果,在Citypersons中取得了44.4R_(M)^(-2)的结果。

移动感知器网络中基于随机游走和协作关系的任务分发算法

关于移动感知器网络中感知任务的分发问题,目前学术界已经有了诸多相关研究.然而,这些研究很少涉及到多个智能体协作完成复杂感知任务问题.针对这种情况,首先,通过分析移动感知器网络的结构特征、智能体相互之间、以及智能体和感知任务之间的关系,本文提出了智能体之间协作关系强度和智能体对感知任务适应度两个概念,并讨论了二者对于移动感知器网络中感知任务动态分发的作用.其次,在上述概念的基础上,将二者融合为偏好因子,提出了基于随机游走和协作关系的任务分发算法(TDCR,Task Distribution With Cooperative Relationship),通过该算法达到提高任务分发效率的目的.最后,将TDCR与Personal Rank算法(PR)、HITS算法对比分析,表明所提出的算法TDCR在任务分发效率和准确度等性能指标上有较好的提升.

基于任务进度感知的异构Hadoop云平台任务调度方案

针对异构Hadoop云计算平台中任务调度问题进行了研究,并分析了现有推测执行调度和LATE调度方案的缺陷,提出一种基于任务进度感知的自适应任务调度方案。首先,根据当前计算节点上的任务进度情况,估计任务近似完成时间(ATE),以此确定掉队者(straggler)任务;然后,以平均节点任务进度的25%为阈值,将节点分为慢节点和快节点。当straggler后备任务达到一定阈值时,将其优先分配到快节点中执行。实验结果表明,提出的方案能够为异构Hadoop平台合理分配任务,有效降低了任务完成时间和响应延迟,同时提高了平台吞吐量。

基于并行空频注意力引导的任务感知目标跟踪算法

现有孪生网络目标跟踪器已表现出不错的性能,但对于复杂场景中存在的相似目标误检以及包围框偏移等问题,表现却仍不尽如人意。针对此问题,文中提出了一种新的两阶段孪生目标跟踪算法,该算法由目标提议阶段与任务感知验证阶段组成。第一阶段结合并行空频注意力模块,充分挖掘目标图像的表观特征,增强目标的抗相似物体干扰能力,提高鲁棒性。第二阶段针对检测任务中分类回归任务的差异,对目标分类和位置回归进行任务感知验证,分别获得适用于分类和回归的精准候选框,得到候选目标的识别得分及位置精调。此外,针对训练与测试任务中分类回归计算冲突问题,以及分类回归任务对于正负样本计算存在数量、对象偏差问题,采用GFocal Loss对损失函数进行优化以解决以上问题。实验证明,文中算法在有效性、可靠性以及预期平均重叠率上获得了较大的性能提升,并满足实时跟踪要求。

提升任务感知度的协同学习平台设计

计算机支持的协作学习(CSCL)能够充分发挥计算机技术的优势,更好地促进协作学习的实现。协作学习包含社会感知、任务感知、概念感知、工作空间感知四种成分,其中任务感知直接影响着学习者的学习成绩。本文调查并分析了北京某高校本科生对网络平台中协作学习功能模块的使用情况,间接验证了"任务感知对协作学习效果起着重要作用"这一观点,并从任务感知理论出发,在现有网络平台设计的基础上,增加了创新性平台协同功能设计,旨在增强成员的任务感知度,从而提升CSCL的应用效果。

全极化雷达的多任务压缩感知目标识别方法

为有效利用全极化雷达高分辨距离像(High Resolution Range Profile,HRRP)的丰富特征信息和全极化样本中各单极化HRRP均对应于相同目标姿态的特性,提出一种基于多任务压缩感知的全极化雷达目标识别方法。该方法约束在不同极化字典中选择来自相同角域的字典原子对相应极化方式下的HRRP进行表示,可以有效利用不同极化HRRP之间的相关信息提高目标识别性能。基于电磁散射数据对所提出的方法进行了测试,实验结果证明了方法的有效性。

基于多任务贝叶斯压缩感知的稀疏可重构天线阵的优化设计

建立方向图可重构天线的联合稀疏模型,基于多任务贝叶斯压缩感知理论提出一种稀疏可重构天线阵的优化设计方法.该方法在实现方向图精确重构的同时可以大幅减少天线数量,节省平台空间,降低设计成本.首先基于多任务贝叶斯压缩感知理论建立多目标方向图的稀疏优化模型,根据权值向量的先验概率分布,利用快速相关向量机估计超参数的最大后验概率来得到多组阵元位置及其激励,实时改变激励以获得不同方向图的稀疏逼近.仿真验证了该方法能够以较少的阵元个数和较高的方向图拟合精度快速实现方向图重构.

自恋型领导对员工主动行为的影响——基于不合规任务感知的中介作用

基于资源保存理论,自恋型领导对员工的主动行为具有负向影响;员工的不合规任务感知对其主动行为具有负向影响,并在自恋型领导与员工主动行为之间起到部分中介作用;员工的核心自我评价不仅正向调节自恋型领导对员工不合规任务感知的直接影响,而且正向调节不合规任务感知在自恋型领导与员工主动行为之间的中介效应。