一门新兴的边缘学科一协同学

协同学是一门新兴的边缘学科，人们称它是研究自然科学和社会科学的达尔文主义，本文旨在综合介绍协同学的产生、原理、发展和若干应用领域，这对于将协同学应用于电子科技的研究是有帮助的．     

基于GERT网络的产学研知识流动效应度量

产学研合作中的知识流动效应度量一直是一个难题,本文以GERT网络与协同学为理论基础,寻求知识流动效应度量的方法。为此,根据知识流动特性,利用GERT网络中的实现概率及矩母函数参量来解析知识流动效应。为了得到矩母函数的分布类型,利用协同学,分析了影响产学研合作的内外因素,建立起随时间变化的知识流动方程,并以此方程作为矩母函数。同时,以大型飞机起落架系统研制为案例,利用专家调查法获取初始数据,并运用前述方法进行知识流动效应分析。通过GERT网络模型对知识流动进行测度,提供了产学研项目研制过程中知识增值大小、流动的顺畅性等重要信息,以此帮助决策者为保证研制项目的按时按质完成采取积极对应措施。     

基于协同学的异构无线网络选择算法

终端接入的网络需要满足各类业务需求,对此提出了一种基于协同学的异构无线网络选择算法.该算法将终端网络选择看作一个系统化的问题,可选网络是一个复合系统,终端上运行的每一种业务都是一个子系统,依据熵的概念得到复合系统的熵值,熵值的大小反映了子系统之间的协同度,进而体现了网络的整体性能.仿真结果表明,在终端多业务的情况下,基于所提算法选择的网络业务QoS满意率达到了95％,比基于TOPSIS算法选择的网络业务QoS满意率提升了近4倍,能够很好地解决多业务终端网络选择问题.     

多网络接入协同选择与聚合算法

针对异构无线网络场景,本文提出了一种基于协同学的多网络并行接入协同聚合算法,该算法基于吞吐量、可用信道数、功耗、费用及丢包率等多个参数构建了网络协同度评价体系,将属性要求作为协同子系统,属于同一属性的不同参数作为子系统的序参量,序参量之间相互协同和制约,以更加全面地衡量聚合网络的整体性能。多网络聚合过程分为两步:首先计算单个网络的协同度,以判断该网络是否为参与聚合的候选网络,多个候选网络的各种排列组合可以得到多种网络的候选方案;候选方案采用属性聚合形成聚合网络,然后计算聚合网络的协同度,选择协同度最大的多网络聚合方案。仿真结果证明,本文算法能够更加合理分配信道,降低用户接入阻塞率,增加用户的平均吞吐量和系统容量,同时降低单位吞吐量对应的功耗和费用。      

基于Web2．0的题库应用

针对传统的题库并未考虑到学员之间在学习上的协同作用,现介绍了Web2．0的概念和理念,探讨了应用Web2．0的技术和软件,创建信息共享和协同学习的题库系统构架的方法。     

具备视角协同学习能力的多视角TSK型模糊系统

传统模糊系统建模方法本质上是一种单视角学习模式,面向适合多视角处理的场景时,它们通常只能将每一视角割裂开来进行独立建模,这导致其所得系统泛化性能往往不令人满意。针对此缺陷,该文探讨具备多视角学习能力的模糊系统建模方法。为此,基于经典的L2型TSK模糊系统,通过引入具备多视角学习能力的协同学习项,该文提出了核心的多视角TSK型模糊系统(MV-TSK-FS)建模方法。MV-TSK-FS不仅能有效地利用各视角不同特征构成的独立样本信息,还能充分地利用各视角间由于相互关联而存在内在信息,以最终达到提高系统泛化性能的效果。在模拟数据集与真实数据集上的实验结果验证了较之于传统单视角模糊建模方法该多视角模糊系统有着更好的泛化性和适用性。     

协同学习视角下高中生关键能力培育的教学思考——以“平面的基本性质(1)”课堂教学为例

随着新一轮高考改革的不断推进,新课标和《高考评价体系说明》中都明确指出重点加大对学生的关键能力和学科素养考查,而课堂教学对培育学生的关键能力起着至关重要的作用,优化课堂教学方式能增强学生的人文底蕴,培养学生的探究精神和创新能力,提升学生的自我效能感．高中生关键能力的培育,更离不开教育教学过程中同伴的互助、交流、合作,离不开教师的指导,离不开学习者的责任担当和内驱力激发,这些正是协同学习学习方式所具有的特点,构建协同学习高效课堂对于培育高中生的关键能力有着重要意义．     

基于协同学习的频谱智能感知方法

目前无线通信网络频谱环境时空分布复杂多变,现有多用户协同感知方法数据预处理繁琐,感知效率低下。为此,在由用户感知层和边缘融合层构成的系统架构下,提出了一种基于协同学习的频谱智能感知算法。用户感知层采用多分支卷积循环门控神经网络,利用原始归一化能量信号的底层结构信息,实现本地感知。边缘融合层基于自注意力机制进行消息传播,融合用户感知层中各个非授权用户的感知结果得出最终决策。实验表明,在信噪比为-20 dB以及5个用户协同感知的情况下,该方法能在虚警概率为1.91%时达到18.3%的检测概率,相比对比模型提升了6.1%,且不需要对原始数据额外预处理,降低了算法的复杂度。     

模式识别协同方法中的序参量重构

分析了模式识别协同算法中序参量在识别过程的意义，提出了原始序参量的构造存在的不合理因素，提出了基于具体识别特点的序参量重构概念，促进更有效的识别。     

基于双核协同学习模型的红外目标跟踪算法

在红外目标跟踪中,如何鲁棒地跟踪上目标,对提升武器装备战斗力意义重大.本文在核相关目标跟踪算法(KCF)的基础上提出了一种有效的多特征协同学习核相关红外目标跟踪算法,该算法通过KCF模型将HOG(Histogram of Oriented Gradient)特征与Haar-like特征整合到一个框架中,解决了单一特征不足以表征目标外观变化,同时大大提升了红外目标跟踪的准确性与稳定性.同时,本文也提出了一种自适应学习因子策略,增强了模型的泛化能力.大量定性定量实验结果表明本文所提算法在重叠率准则(OR)和跟踪中心误差(CLE)准则上超过现有大多数算法,同时其跟踪速度也超过大多数算法.