高校一线教学单位三全育人体系的探索与实践:以电子科技大学信息与软件工程学院为例

高校的一线教学单位是高校思想政治教育的具体工作组织和执行单位,因此“三全育人”的实效与一线教学单位的育人体系科学性密切相关。目前,在推动“三全育人”工作过程中,一线教学单位存在全员育人体系化不强、全程育人吸引力不足、全方位育人覆盖面不够的问题,应该科学规划、完善机制,让全员有责、全过程有主线、全方位有落点,形成全员、全过程、全方位育人的系统化格局,构建覆盖全员的两支队伍、贯穿全过程的纵向贯通、横向共建支部模式、全方位三级课程思政、四课堂育人的一体化思政育人体系,不断提升育人实效,以期为一线教学单位思政育人工作的开展提供借鉴。

创新型工程人才进阶式培养路径探析——以电子科技大学软件工程专业为例

结合国家和社会发展对创新型工程人才的需要,针对国家教育部"卓越工程师教育培养计划"对创新型工程人才培养的要求,为更好地支撑和完善人才培养中第一课堂的不足,以电子科技大学软件工程专业为例,构建了通过文化驱动激发学习源动力、打造工程教育支持系统拓展第一课堂、搭建立体架构创新创业平台提升培养实效的三阶体系。

探析以二级辅导站为依托的大学心理健康教育模式——以电子科技大学信软学院心理辅导站“成长吧”为例

近年来大学生心理问题频发,社会对大学生心理健康的关注度越来越高。如何构建行之有效的心理健康教育模式,帮助大学生树立健康意识,优化心理素质,增强心理调适能力,预防和缓解心理问题显得尤为重要。本文阐述了二级心理辅导站建立的意义、定位及作用,并且重点对此种教育模式进行探析。

新时期高校关心下一代工作探析--以电子科技大学为例

习近平总书记指出:祖国的未来属于下一代,做好下一代工作关系到中华民族的伟大复兴。广大老干部、老战士、老专家、老教师、老模范等离退休同志是党和人民的宝贵财富,在高校中应充分利用离退休干部资源,积极开展关工委工作则至关重要,这关系到广大青年学生政治人格的塑造和政治能力的培养,以及政治方向的端正和政治立场的坚定。本文以电子科技大学为例,深入探析了如何在高校做好关心下一代工作的举措,增强工作的时效性。

基于低对比度红外图像时空信息的气体泄漏检测

气体泄漏事故造成的危害是多方面的,如环境污染、人员财产损失、火灾爆炸。红外热成像作为可实现大范围快速成像的定性探测技术被广泛使用,相比一般红外图像,气体红外图像的对比度更低,边缘更加模糊,不易识别。针对上述问题,本文提出一种基于混合高斯背景建模的低对比度气体红外图像泄漏检测方法。首先,在预处理阶段,提出时域自适应帧间滤波算法实现红外图像的降噪和细节保持;然后,基于空域信息和梯度信息约束,提出时空混合高斯背景模型实现泄漏气体目标的前景的初步提取;最后,为更好地去除前景检测中干扰的运动目标,利用改进的快速鲁棒的模糊C均值聚类方法实现气体区域的自适应分割。实验结果表明,在5 m的泄漏距离下,该检测算法可有效提高准确率,弥补气体区域空洞问题,降低其他运动物体的干扰,气体泄漏检测准确率在92.3%~96.3%,与其他算法相比具有显著的抗干扰和区域分割能力。

量子模糊信息管理数学模型研究

为了高效处理大数据所具有的复杂性和不确定问题,将“不确定性问题+直觉模糊集理论+量子计算”交叉融合,构建基于直觉模糊集理论的量子模糊信息管理数学模型。为了验证该模型的可行性、合理性和有效性,设计了不确定性环境下基于参数化量子线路的量子模糊神经网络仿真实验。实验结果表明,基于该模型的量子模糊神经网络模型能更客观、准确、全面地反映不确定性问题中各对象所蕴含的知识信息,从而提高算法处理大数据的准确性。

信息与软件工程专业学生职业能力教育的思考与探索

电子科技大学作为教育部"卓越工程师教育培养计划"第二批试点高校,电子科技大学信息与软件工程学院针对卓越工程师人才培养,结合国家信息化建设的目标,学院在培养理念革新、培养团队建设、培养方式改革、教学资源整合、强化实践性教学、教学管理改革的等六个方面进行探索,走出一条适合本学院软件人才培养特色化道路,培养出一批具有较强工程能力、国际化视野、系统化思维能力的高层次、复合型的软件人才。

基于成果导向的软件工程实践教学模式研究

针对工科学科基础实验教学中固定题目、过程模型、知识点、技术应用和考核中一报告定终身的“4固定1单一”问题,以工程能力提升为目标导向,基于软件工程全生命周期,构建了“5阶协同”的全生命周期实验教学模式,并基于此设计了“二要素,量、质结合”的过程和结果考核相结合的评价考核模式。该教学模式将授课教师设计固定实验转变为学生自主设计,能够培养学生探究性学习、创新型、自主性学习能力。通过OBE达成度、成绩正态分布结果进行验证,学习效果有效提升。

基于DS的电子战多信息PCA融合方案

该文提出一种新型主成份分析(PCA)电子战信息一体化融合方案。该方案基于信息融合DS理论,采用PCA分析法对数据进行收集和降维处理;再对特征层数据建立基本信任分配函数,实现基于特征的数据融合;最后对电子战系统信息进行智能诊断和挖掘等,有效实现电子战系统中故障检测和分离。进一步,通过大数据挖掘对设备状态进行评估,及时发送给控制系统,实现作战过程中对作战战略的合理指导、预警管控,从而对多系统协同工作提供有力保障。

新工科软件新生项目课程教学设计与实践

该文针对新工科软件专业图像分类任务的新生项目课程存在的3个问题进行分析设计,包括Python语言不熟悉,图像分类入门时间短以及实操环境学生难以搭建,提出了基于百度的AI Studio平台和以PaddleHub预训练模型的应用为中心的课程教学设计,包括融合线性代数的实际应用,预训练模型fine-tune实践以及组队分工线上线下结合学习等,后续可以改进为由学生自主选择设计识别任务内容。该课程设计内容有助于学生奠定工程基础,提高专业技能,培养团队合作能力,最终达到增强专业兴趣和专业信心的课程设计目标。

基于标准版定制软件开发的复用方法

针对性地研究了基于标准版软件系统进行定制开发的特点。根据开发过程中功能覆盖、数据对象差异、功能逻辑差异、修改规模以及修改分布等特点,并结合生物学点突变过程提出一种综合了模型视图和功能逻辑两种维度的复用方法。在数据模型变化处理中,基于突变点影响的链式传递规律,提出了一种管理范围更广的模型构件复用体系;在功能逻辑处理中,通过逻辑描述特征抽取、业务特征增强、特征语法树构建、复用模块裁剪等处理,构造了一种包含映射关系的可复用片段。在共研企业的运输管理系统开发的实验和开源系统的迭代实验中证明,该复用方法平均生成可用性分别为94.13%和78.62%,平均复用比例分别为70.43%和62.68%,且复用资产库的维护成本可控,可有效用于多批次小规模频繁改动的定制开发。

支持等式测试的身份基可否认认证加密方案及其在电子投票系统的应用

电子投票系统被认为是现代生活中高效提供政府服务和进一步加强民主活力的方法。但是,现有构建电子投票系统的方法存在以下问题:第一,在面临贿选及胁迫的压力时,选民无法无视外在压力独立投票。其次,审计投票结果的实体可以在审计的同时获知有关投票内容的额外信息。为了解决上述两个问题,我们首次将可否认认证加密技术与身份基等式测试加密技术相结合,提出了一种支持等式测试的身份基可否认认证加密方案。该方案可以在第三方服务器不解密的情况下提供密文可比性,还能保证接收方验证发送方的身份的同时,不能向第三方证明信息来自发送方,从而保护发送方的隐私。该方案利用可否认认证加密技术在技术层面保证了选民独立投票的能力,并额外增加了身份基下的等式测试功能以确保审计机构在逻辑结构上拥有访问权限。在使用本方案的电子投票系统中,审计机构在审计投票结果的同时,不获得有关选票的任何其他信息。我们证明了我们的方案在随机预言模型中是安全的,并且可以在电子投票系统中确保不可胁迫性和可审计性。该方案与已有相关方案相比,在开销和安全性能均有较好表现的同时,实现了更为丰富的功能。此外,我们使用所提出的密码学方案设计了一个安全的电子投票系统,其安全特性可以很好地保护电子投票系统中的选民自由和公平性。

基于异构信息网络与TF-IDF的核心药物发现算法

提出一种基于异构信息网络和TF-IDF的核心药物发现算法。其核心思想是建立包含症状、方剂等多种类型对象的异构信息网络,并使用PathSim算法得到方剂之间的相似度来完成方剂聚类。以此为基础使用综合了剂量因素与TD-IDF算法原理的药物重要性系数计算方法完成核心药物发现。本文从《伤寒论》的方剂中划分出9个主要聚类并给出了各个聚类上重要性排名前5的药物,该算法可以考虑到多方面的信息,合理地挖掘出核心药物。

支持等式测试及密码逆向防火墙的SM9标识加密方案

支持等式测试的标识加密(identity-based encryption with equality test, IBEET)体制解决了传统等式测试方案中证书管理的问题,得到了广泛的关注.但现有的IBEET体制难以抵抗渗透攻击,且都是基于国外密码算法设计,不具有自主知识产权.基于此,提出一种支持等式测试并具有密码逆向防火墙的SM9标识加密方案(SM9 identity-based encryption scheme with equality test and cryptographic reverse firewalls, SM9-IBEET-CRF).该方案在用户与云服务器的上行信道间部署密码逆向防火墙(cryptographic reverse firewalls,CRF),对用户发出的信息执行重随机化以达到抵抗渗透攻击的作用.该方案拓展国密算法SM9至IBEET领域中,提升其运行效率并丰富国密算法在云计算领域的研究.给出了SM9-IBEET-CRF的形式化定义和安全模型,并在随机预言机模型中考虑2种不同的敌手将此方案在选择密文攻击下的不可区分性与单向性分别形式化地规约到BDH困难假设上.同时,该方案通过考虑第3种敌手证明CRF的部署为其带来维持功能性、保留安全性以及抵抗渗透性.实验仿真和分析结果展示了该方案的有效性.

基于ARM架构的边缘计算服务器关键平台研究

针对现有边缘计算基础网关服务器既不具备安全、稳定、可靠与通用性强等特点,又无法支持边缘计算场景的计算任务等问题,文中首次在基于ARM架构的鲲鹏920芯片的长虹天宫边缘计算服务器TG225B1上,设计并实现了适用于边缘计算场景的iBMC软硬件架构。该架构采用ARM国产化硬件底座,支持边缘网关硬件管理,实现工控多协议的自适应交互框架。对符合性、功能、性能、易用性、维护性、可靠性、兼容性等指标进行测试,表明iBMC架构能较好满足边缘计算服务器的需求。

基于迁移学习的动态环境室内定位方法研究

随着智能家居应用的不断深化,基于Wi-Fi信号的室内定位技术也受到了广泛关注。在实际应用中,大多数室内定位算法采集得到的训练数据和测试数据通常并非来自于同一理想环境,各种环境条件变化以及信号漂移导致采集得到的训练数据和测试数据间的概率分布不同。传统定位模型在面对不同分布的训练数据和测试数据时无法保证具有良好的定位精度,常出现算法定位精度大幅降低,甚至算法不可用等问题。面对这一难点,迁移学习中的域适应方法作为一种可以有效解决训练样本和测试样本概率分布不一致的学习问题被广泛应用于室内定位领域。文中结合域适应学习和机器学习算法,提出了一种基于特征迁移的室内定位算法(Transfer Learning Location AlgorithmBased on Global and Local Metrics Adaptation,TL-GLMA)。TL-GLMA在定位阶段通过特征迁移方式将两域原始数据映射至高维空间,从而在最小化两域数据的分布差异的同时保留两域数据内部的局部几何属性,并利用映射后的独立同分布数据训练分类器,从而实现目标定位。实验结果表明,TL-GLMA能够有效减少环境变化带来的干扰,提升定位精度。

基于可穿戴设备的开放集动作识别技术研究

随着智能手表、手环等可穿戴设备的普及,将其用于人体行为识别领域并从中解码出人类行为活动,对于健康监测、日常行为分析、智能家居等应用具有重要意义。然而,传统的动作识别算法存在特征提取困难、识别准确率较低等问题,并且均基于封闭集假设,即所有的训练数据和测试数据均来自同一个标签空间,而现实世界中大多都是开放集(Open-Set)场景,在测试阶段可能会将未知标签样本送入模型,从而导致分类错误。文中针对人体动作识别问题,提出了多通道自适应卷积网络(Multi-channel Adaptive Convolutional Network,MCACN),针对传统CNN网络特征提取仅局限于一个小范围内的问题,自适应卷积模块能够使用不同大小的卷积核提取不同时间跨度的特征,并自动计算权重求和。此外MCACN的多通道结构使各传感器数据得以分头进行处理,获得能够区分相近动作的特征细节。最后,设计了基于标签的多元变分自编码器,提出了用于开放集识别的模型MCACN-VAE。该模型能够通过计算重建误差来识别未知类,聚焦于已知类别动作,提高了模型的健壮性。实验结果表明,在封闭集实验中,MCACN模型能够有效地对动作进行识别,对7种日常动作的识别准确率均达到了91%以上,总体准确率达到了95%。在开放集实验中,MCACN-VAE在不同开放度下对于已知类别的总体识别准确率均达到了89%以上,对于未知动作片段的识别准确率也保持在75%以上,证明了所提模型能够有效拒绝未知类,识别已知类。

基于关键特征增强机制的3D人脸识别

3D人脸识别是计算机视觉领域的重要组成部分,Pointnet依靠深度学习解决了点云的无序性,实现了3D点云的全局特征提取,但由于点云数据缺乏细节纹理,仅靠全局特征很难实现复杂情况下的人脸识别。针对以上问题,基于Pointnet提出了一种局部特征描述子,用于描述点云局部空间的几何特征,并引入关键特征增强机制,通过特征概率分布增强人脸关键信息,该机制能减少不必要特征对任务的干扰,有效提升模型的准确率。在公共数据集CASIA-3D、Lock3DFace、Bosphorus上进行实验测试,结果表明该方法能很好地应对表情变化、部分遮挡以及头部姿态的干扰,在弱光环境下其准确率高于RP-Net 1.1%,并具有良好的实时性。

螺旋递进式的软件工程实践教学体系探索

以培养"卓越工程师"为宗旨,本着"工程化""系统化""国际化"为目标的人才培养理念,大力推进人才培养实践教学体系的改革和创新。根据学生工程实践动手能力的递进性、综合性、创新性,对实践教学内容进行模块优化,创建了螺旋递进式的实践教学体系。

融合多模态生成和情景训练的环境无关手势识别

无线通信和感知技术的发展促进了WiFi感知的产生与发展.依据人体及其行为对WiFi信号传播的影响,通过模式匹配可以实现基于WiFi的手势识别、活动识别、定位等感知任务.但是WiFi信号对环境具有较大依赖性,目标人员或周围环境的变化会导致已经建立的感知模型失效.为了解决这个问题,现有方案通常采用半监督或无监督域适应方法.但在实际应用中,无法预先获得新环境中的数据.因此,需要一种无需新环境数据,即可自动泛化到新环境的方法.为了实现这个目标,本文提出一种基于多模态样本生成和情景训练的环境无关手势识别方法.该方法采用若干源域的数据建立手势识别模型,能够在目标域没有任何数据的情况下,泛化到目标域中.实验结果表明,该方法在目标域无数据的情况下,对新用户和新环境的手势识别正确率均超过80%,高于业界现有水平.