摘要：小数据集使得贝叶斯网络参数学习中的统计信息不准确,导致只依靠数据难以得到准确的贝叶斯网络参数。定性最大后验估计(QMAP)方法是目前小数据集条件下贝叶斯网络参数学习精度最高的算法。然而,当参数约束数量较多或参数可行域较小时,QMAP算法中的拒绝-接受采样过程会变得极为耗时甚至难以完成。为了提高QMAP算法的学习效率同时又尽量不影响其学习精度,设计了一种约束区域中心点的解析计算方法来替代原有的拒绝-接受采样计算方法。结合参数约束构建一个求解约束区域边界点的目标优化模型;利用凸优化引擎来求解该目标优化模型,获得约束区域的边界点和中心点;通过获得的约束区域中心点改进现有的QMAP算法。仿真实验证明,所提出的CMAP算法的参数学习精度稍差于QMAP算法,但计算效率比QMAP算法提高了2~5倍。

摘要：针对现有去雾算法处理后图像色彩暗淡、视觉保真度差、细节特征丢失的问题,本文提出一种基于多尺度残差特征融合的图像去雾算法。首先,设计多尺度并行特征层,旨在从不同尺度下提取图像特征以提升网络的鲁棒性;然后,设计残差网络连接层,实现多个卷积层之间信息的传递和连接,提高特征的利用率,加快特征提取速度;接着,设计嵌入注意力机制的深度特征信息融合层重点关注图像关键信息,有效提高图像的清晰度,降低背景噪声干扰;最后,设计基于去雾理论及曝光融合的色彩矫正增强方法,用于解决网络去雾后图像色彩暗淡的问题。实验结果表明,所提的去雾增强算法在SOTS、OTS、RTTS公开数据集上的峰值信噪比(PSNR)、结构相似性(SSIM)、均方误差(MSE)分别达到了21.37 dB、82%、473.6,有效改善因雾霾天气造成的图像质量退化现象,性能更佳。

摘要：贝叶斯网络是目前不确定知识表达和推理领域最有效的理论模型之一,利用贝叶斯网络进行分析和推理前首先需要通过结构学习和参数学习获取其网络模型,其中结构学习是参数学习的基础。针对现有萤火虫算法不符合生物学规则以及学习贝叶斯网络结构存在效率低、容易陷入局部最优等问题,设计了一种基于互信息与性别机制的萤火虫算法(firefly algorithm based on mutual information and gender mechanism,MGM-FA)。首先,通过计算节点互信息得到贝叶斯网络骨架图,基于骨架图驱动MGM-FA算法生成初始种群;其次,引入基于性别机制的个性化贝叶斯网络种群更新策略,以保障贝叶斯网络个体的多样性;最后,引入局部优化器和扰动操作符,增强算法的寻优能力。分别在不同规模的标准网络上进行仿真实验,与现有同类型算法相比,该算法精度和效率均有所提升。

摘要：文章旨在研究新工科背景下高校课程思政的设计与实施路径。首先对新工科教育的背景和重要性进行分析,指出培养全面发展的工程人才的需求。随后阐述课程思政在新工科教育中的作用和意义,强调其在培养学生全面素质、社会责任感、创新意识和跨学科协同等方面的必要性,进而探讨课程思政与新工科教育的内在联系。在此基础上,论述在新工科背景下高校课程思政的设计与实施路径,包括确定目标、设计内容、选择教学方法与手段、教师队伍建设与培养、评价与反馈机制的建立,以及学生参与和支持等。文章可以为高校在新工科背景下实施课程思政提供参考,进一步促进新工科建设和学生的全面成长,对培养工程技术人才具有重要意义。

摘要：针对锂电池数据为小样本条件下构建的神经网络模型泛化性差、预测误差大的问题,文中提出了一种融合先验知识的BP神经网络的建模方法。利用自适应权重粒子群算法优化网络的初始权值和阈值,以惩罚函数法的形式将单调性约束加入网络性能函数中,完成神经网络优化设计。实验采用NASA锂电池失效数据集,增加单调性的先验知识,对所提算法进行验证。仿真结果表明:在锂电池数据为小样本条件下,文中所提算法与其他常用锂电池预测算法相比平均误差下降5%,建立了预测误差与单调性约束项系数之间的关系,有效地解决了锂电池数据为小样本条件下模型预测精度低等问题。

摘要：针对红外图像纹理不清晰、亮度低、高噪声的问题,提出了一种自适应多特征融合的红外图像增强算法。首先,通过用自动线性映射的方法对14位红外图像进行有效特征提取得到了16位图像,提升了图像可视化效果。其次,引入广义反锐化掩模(Generalized Unsharp Masking,GUM)算法与带色彩恢复的多尺度视网膜(Multi-Scale Retinex with Color Restoration,MSRCR)增强算法联合处理的方法,获得图像不同尺度的有效信息,提升了图像的对比度。最后设计了自适应权重图,并结合图像金字塔结构的特性,对不同特征层进行有效信息的互补融合,提升了图像亮度,丰富了图像的纹理信息。实验结果表明,此算法有效提升了红外图像的对比度和视觉效果;相较于现有的几种算法,其平均梯度(Average Gradient,AG)约提升0.6%,峰值信噪比(Peak Signal-to-Noise Ratio,PSNR)约提升10%,图像的边缘信息有效率约提升11%,图像的清晰度约提升10%。