群体智能“深度团队”的拔尖大学生创新科研能力培养模式研究与实践

拔尖大学生以团队的形式参加科研活动,是高校培养创新型人才的有效模式。但由于本科生存在的现实压力,例如:课业学习、兴趣爱好、社会兼职或社团活动等,组内成员很难做到步调一致。导致大学生团队申报项目时热情高涨,中间执行时逐渐冷却,疏于过程管理,缺乏专业引领,团队松散短暂,效果不佳,难继初衷。针对这些问题,提出"群体智能"的"深度团队"模式,即在群体智能理念指导下,招募并组建导师负责制的拔尖大学生深度团队,实行相对固定的物理空间、导师子群项目驱动、团队深度协作、长效过程管理和多节点考核的培养模式。培养实践证明,该模式可充分发挥团队及个体的最佳优势,同时又互为补充,提高科研课题的效率,促进大学生对某一兴趣点的纵深挖掘,强化学生的技术厚度,提高他们的学术理解和协作意识,进而有效地培养拔尖大学生的创新科研能力。

拔尖大学生深度创新能力的培养模式探索与实践

我国高校已开始普遍重视大学生的创新能力培养,但仍存在浮于表面、平均主义、落实不力等问题,尤其缺乏面向拔尖大学生的培养对策和实施模式。而高校创新型人才培养,特别是精英大学生的创新能力培养,已上升到支撑国家未来发展的战略高度,探索拔尖大学生的"深度创新能力"培养模式已刻不容缓。培养深度创新能力的改革模式可采取"项目子群驱动""团队灵活协作""长效过程管理"和"多节点考核"的结构框架。该模式强调团队整体进步咬合需求,着眼于集体协作和创新。通过实践,该模式可较好地建立长周期稳定的大学生团队,通过项目子群衍生驱动和灵活过程管理,培养学生深度科研能力,调动个体主动性,激发兴趣和求知欲。该模式是培养拔尖型大学生深度创新能力的有益探索。

高质量LMSCT时频分析算法及其在雷达信号目标检测中的应用

针对线性调频小波变换(CT)引入的调频率参数不能完全匹配信号的瞬时频率及算法抗噪性能不佳等问题,提出高质量的局部最大值同步压缩线调频小波变换(LMSCT)算法,改善CT时频分布图能量扩散幅度出现的偏差.所提算法的核心思想是通过局部最大值同步压缩操作重新分配CT的频率点.实验结果表明,LMSCT算法具有较高的时频聚集度,并且能够较好地抑制噪声的干扰,在低信噪比的情况下仍然保持良好的时频聚集度.在IPIX处理雷达信号分析中,LMSCT算法能够较为清晰地描绘目标信号的时间-频率联合分布特性,并且确定目标出现的距离单元,为海杂波背景下的IPIX雷达信号小目标检测提供判断依据.

新生婴儿与老年人红细胞物理特性对比实验

目的通过比较新生婴儿与80岁以上老年人红细胞物理特性(细胞表面积、体积和剪切弹性模量)及与总胆固醇、糖化血红蛋白等生理生化参数的相关关系,分析不同年龄和生化参数对红细胞物理特性的影响。方法采用微量吸管技术测量新生婴儿和80岁以上老年人的红细胞表面积、体积和剪切弹性模量,对数据进行统计分布分析、相关性分析和回归分析。结果80岁以上老年人红细胞体积、表面积、剪切弹性模量均值都比新生婴儿红细胞相应参数要小,同年龄组内单个人样本间的红细胞力学参数均值相差不大。新生儿红细胞几何参数分布与老人相比更为集中,而剪切弹性模量分布比老年人红细胞的更分散。新生婴儿红细胞物理特性与总胆固醇和出生孕周相关性高;老年人红细胞物理特性与舒张压和糖化血红蛋白的相关性高。结论新生婴儿与80岁以上老年人的红细胞物理特性有明显差异,影响不同年龄红细胞物理特性的生化指标也不同。

基于NDSST的非平稳信号时频分析算法

应用时频分析方法研究含噪非平稳信号的时间-频率联合分布特性,De-shape SST (De-shape synchrosqueezing transform)算法具有良好的时频表现,但其抗噪性能及算法的鲁棒性还有待提高。提出基于非线性匹配追踪(nonlinear matching pursuit, NMP)分解的De-shape SST算法(nonlinear matching pursuit De-shape synchrosqueezing transform, NDSST),利用NMP良好的重构特性对非平稳信号进行稀疏重构,再进行De-shape SST时频分析,提高算法的抑制噪声能力和鲁棒性的同时,保留了良好的时频分布聚集度。数值仿真实验结果表明,对于单频、变频、线性调频和组合变频信号,NDSST算法可以得到高锐化度的时频分布表示,并且在低信噪比(sinal noise ratio, SNR)条件下依然具有优越的抗噪声性能。在金属破裂样本信号分析应用中,NDSST算法能够清晰地得出金属发生破裂的时间-频率范围,为工程实践中设置监测传感器的阈值提供判断依据。

从离散速度模型到矩方法

为了求解动理学方程,我们通过研究一维情形下的离散速度模型,发现通过对离散速度点使用自适应技术可以直接得到Grad矩方程组.作为一个统一的认识,矩方程组可以看作是对离散速度点自适应的离散速度模型,而离散速度模型可以看作是取特别形式的"矩"的矩方程组.这使得我们可以在一致的框架下来理解离散速度模型和矩方法,而不是将它们对立起来.为了建立这样的一致框架,最近在[2]中发展的正则化理论是根本性的.