白俄罗斯国立大学始建于1921年10月,坐落于白俄罗斯首都明斯克,是白俄罗斯最顶尖的公立研究型大学,享有苏联四大著名国立大学之美誉。2019年,白俄罗斯国立大学在QS世界大学排名榜上位居第354位,跻身QS新兴欧洲和中亚地区(Emerging Europ...白俄罗斯国立大学始建于1921年10月,坐落于白俄罗斯首都明斯克,是白俄罗斯最顶尖的公立研究型大学,享有苏联四大著名国立大学之美誉。2019年,白俄罗斯国立大学在QS世界大学排名榜上位居第354位,跻身QS新兴欧洲和中亚地区(Emerging Europe Central Asia,EECA)大学排名第23名。自2006年开始,中白两国建立友好战略合作伙伴关系。同年,白俄罗斯国立大学建立了孔子学院。2018年10月29日,由白俄罗斯国立大学物理和航天技术教研室与中国航天科技集团公司共同研制的BSUSat-1科教卫星,从中国酒泉卫星发射中心发射成功,进一步加深了该校与中国各方面的务实合作。为全面了解该校的发展状况,本刊专访了白俄罗斯国立大学校长安德烈·德米特里耶维奇·卡罗尔(Andrei Dmitrievich Korol)。安德烈·德米特里耶维奇·卡罗尔教授于2017年9月被白俄罗斯总统卢卡申科任命为国立大学校长,是白俄罗斯最年轻的大学校长。他所开创的基于对话的启发式学习模型,是白俄罗斯现代教育中的实用创新之举。展开更多
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...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。展开更多
文摘白俄罗斯国立大学始建于1921年10月,坐落于白俄罗斯首都明斯克,是白俄罗斯最顶尖的公立研究型大学,享有苏联四大著名国立大学之美誉。2019年,白俄罗斯国立大学在QS世界大学排名榜上位居第354位,跻身QS新兴欧洲和中亚地区(Emerging Europe Central Asia,EECA)大学排名第23名。自2006年开始,中白两国建立友好战略合作伙伴关系。同年,白俄罗斯国立大学建立了孔子学院。2018年10月29日,由白俄罗斯国立大学物理和航天技术教研室与中国航天科技集团公司共同研制的BSUSat-1科教卫星,从中国酒泉卫星发射中心发射成功,进一步加深了该校与中国各方面的务实合作。为全面了解该校的发展状况,本刊专访了白俄罗斯国立大学校长安德烈·德米特里耶维奇·卡罗尔(Andrei Dmitrievich Korol)。安德烈·德米特里耶维奇·卡罗尔教授于2017年9月被白俄罗斯总统卢卡申科任命为国立大学校长,是白俄罗斯最年轻的大学校长。他所开创的基于对话的启发式学习模型,是白俄罗斯现代教育中的实用创新之举。
文摘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。