基于CNN-SVM的地下目标形状识别

针对传统地下目标识别算法中特征提取方法的缺陷,鉴于深度学习中的卷积神经网络（CNN）能自动从数据中提取特征,但CNN自带的分类器不能很好的解决非线性分类问题,由于SVM具有良好的泛化分类能力,为此提出基于CNN-SVM的地下目标形状识别方法。本文首先在地表面光滑场景下,利用该方法对地下圆形和矩形目标识别,然后加大场景难度,在地表面粗糙场景下进行地下目标形状识别。实验结果表明,相比传统人工设计的特征分类方法,该算法利用CNN自动提取的特征联合SVM提高了CNN的分类准确率,并且在两种场景下都具有更高的地下目标识别精度。     

基于GA_XGBoost模型的大学生科研能力预测问题研究

科学评价大学生科研创新能力对我国科研水平的提高具有重要意义.采用机器学习模型来预测大学生科研能力可以起到良好的效果,提出一种GAXGBoost模型来实现对大学生的科研能力预测.此模型是以Xgboost算法为基础,然后充分利用遗传算法的全局搜索能力自动搜索Xgboost最优超参数,避免了人为经验调参不准确的缺陷,最后采用精英选择策略以此确保每一轮都是最佳的进化结果.通过分析表明,所采用的GAXGBoost模型在大学生科研能力预测的结果中具有很高的精度,将此模型与Logistic Regression、Random Forest、SVM等模型进行对比,GAXGBoost模型的预测精度最高.     

中空介孔SiO2纳米球的制备、改性及其对Al3+荧光识别研究

中空介孔SiO2由于中空多孔的结构而常用作功能材料的基底.将中空介孔SiO2进行官能团修饰,并应用为荧光传感材料是中空介孔SiO2一个重要的研究领域.本论文采用聚丙烯酸(PAA)为中空模板,聚醚F127为造孔剂,正硅酸乙酯(TEOS)为硅源,氨水为催化剂在乙醇体系中制备了中空介孔SiO2纳米球.系统研究了搅拌速度和聚醚F127引入量对中空介孔SiO2纳米球形貌及比表面积的影响.通过透射电镜、N2-等温吸附脱附曲线等表征说明该合成方法具有很好的普适性,通过调节F127的引入可以实现对比表面积的有效控制.通过氨基化、席夫碱反应进行荧光修饰,进一步研究表明荧光修饰后的中空介孔SiO2纳米球在水溶液中能够实现对Al3+的有效检测,检测限为1.19×10 -7M.     

立足错因分析,强化解题指导——一道选择题纠错教学的启示

在近期进行的一次"相似形"单元练习中,一道选择题的"蹊跷"出错引起了笔者的关注.在批阅试题后,笔者决定以此题为例题,设计了一次解题教学.通过错因分析,让学生获得此类问题求解时的避错策略,突破试题讲评"就错论错"的困境,放大了"错误"资源的教学效应.现结合这道选择题的教学历程谈一些感悟,希望能给您带来启示.一、原题分析题目:如图1,在四边形ABCD中,AB∥CD,∠C=90°,∠BDA=90°,AB=a,BD=b,CD=c,BC=d,AD=e,则下列等     

从培养能力的角度看设计性实验

针对传统实验那种安排过死、刻板机械的特点，把设计性实验运用于教具设计与制作课程之中，充分地培养了学生动手、动脑的综合能力。     

高考数学的一个新亮点——猜想题

猜想是对所要研究的问题依据已有材料、条件和知识，进行实验、观察、分析、比较、联想、类比、归纳、推理等，作出符合一定的经验与事实的推测性想象的思维方法．牛顿指出：“没有大胆的猜想，就做不出伟大的发现”。猜想是发现问题、解决问题的一种重要的思维方法，是创新思维的重要组成部分，猜想也是数学发展的动力，数学理论的重大突破往往起源于立意深邃的猜想，正是无数数学家们的猜想，数学科学才发展到当今的现代数学。由于猜想可让学生体验数学发现和创造的历程，培养和发展他们的创新思维和合情推理能力，更能体现高考的选拔功能，因此近几年猜想题倍受高考命题老师的亲睐，成为高考数学题的一个新亮点．本文试对这类题型及解法作一综述，供参考．     

Speech emotion recognition based on statistical pitch model

A modified Parzen-window method, which keep high resolution in low frequencies and keep smoothness in high frequencies, is proposed to obtain statistical model. Then, a gender classification method utilizing the statistical model is proposed, which have a 98% accuracy of gender classification while long sentence is dealt with. By separation the male voice and female voice, the mean and standard deviation of speech training samples with different emotion are used to create the corresponding emotion models. Then the Bhattacharyya distance between the test sample and statistical models of pitch, are utilized for emotion recognition in speech. The normalization of pitch for the male voice and female voice are also considered, in order to illustrate them into a uniform space. Finally, the speech emotion recognition experiment based on K Nearest Neighbor shows that, the correct rate of 81% is achieved, where it is only 73.85% if the traditional parameters are utilized.     

精心设计问题培养学生能力

记忆特征告诉我们，要加强对某一件事的记忆，加深对某一问题的理解，“错误”与“教训”是最为深刻的．数学教学何尝不是如此．例如，为了加深学生对等差数列的前n项和公式的理解和应用，在教学中可设计如下两个问题：