基于深度学习的液相流粒子图像测速估计

为了提高粒子图像测速算法的精度以及在不同流体场景下的泛化性能,本文提出一种改进的深度学习模型PIV-RAFT-2P,可同时用于单相流和物体入水两相流的液相速度场估计。针对粒子图像和光流数据集图像数据的不同特点,对光流循环全对场变换模型进行了改进;自主构建相应的单相流和两相流粒子图像测速数据集,用于模型参数的训练和优化。最后通过在数据集和真实粒子图像上对提出的方法进行验证。研究表明:本文提出的模型在单相流和物体入水两相流粒子图像测速估计上都取得了高精度的估计结果,具有较强的泛化性。同时,该模型具有参数量少、推理速度快的计算效率优势。

基于眼动追踪技术的教师呈现形式对视频教学效果影响的研究

目前,绝大部分在线课程都是以视频的形式呈现。教师作为教学活动的主体,在课堂上的行为会对学习者的学习效果效果产生很大影响。但是目前教学视频的研究更多地集中在教学内容,而很少关注教师主体。本文对不同教师呈现形式的MOOC学习效果进行量化研究,其中对陈述性知识和程序性知识学习过程中被试的眼动数据进行分析,数据分析表明老师形象呈现所带来的指导效果有助于学习者更多的关注到视频教学的过程中去,同时在不增加学习者心里负荷水平的情况下使学习者的心理努力水平得到了提升,而且教师大窗口形式呈现能够有效地提高MOOC学习者陈述性知识的学习效果。该研究结果为MOOC在线学习的教学视频方案设计提供了一定的参考。

基于轻量化深度学习模型的粒子图像测速研究

粒子图像测速(PIV)作为一种非接触的、全局的间接流体力学测量技术,能够从图像中获取流体的速度场,从而揭示流体的运动规律。随着深度学习技术的发展,用深度学习技术来进行粒子图像测速具有很重要的研究价值和广泛的应用前景。基于光流神经网络,提出了一种改进型轻量级卷积神经网络,在提高粒子图像测速精度的同时,减小了模型的参数量,提高了测试速度。首先,将目前能够获取最优刚体估计的光流神经网络架构进行了改进,采用人工合成的粒子图像数据集进行有监督训练。然后,将训练得到的网络模型与当前最先进的用于粒子图像测速的深度学习模型进行对比评估。实验结果表明,本文提出的基于轻量化深度学习模型的粒子图像测速模型在不损失精度的同时,模型参数量减小了9.5%,测试速度提高了8.9%。