摘要：目的传统的稀疏表示分类方法运用高维数据提升算法的稀疏分类能力,早已引起了广泛关注,但其忽视了测试样本与训练样本间的信息冗余,导致了不确定性的决策分类问题。为此,本文提出一种基于卷积神经网络和PCA约束优化模型的稀疏表示分类方法(EPCNN-SRC)。方法首先通过深度卷积神经网络计算,在输出层提取对应的特征图像,用以表征原始样本的鲁棒人脸特征。然后在此特征基础上,构建一个PCA(principal component analysis)约束优化模型来线性表示测试样本,计算对应的PCA系数。最后使用稀疏表示分类算法重构测试样本与每类训练样本的PCA系数来完成分类。结果本文设计的分类模型与一些典型的稀疏分类方法相比,取得了更好的分类性能,在AR、FERET、FRGC和LFW人脸数据库上的实验结果显示,当每类仅有一个训练样本时,EPCNNSRC算法的识别率分别达到96. 92%、96. 15%、86. 94%和42. 44%,均高于传统的表示分类方法,充分验证了本文算法的有效性。同时,本文方法不仅提升了对测试样本稀疏表示的鲁棒性,而且在保证识别率的基础上,有效降低了算法的时间复杂度,在FERET数据库上的运行时间为4. 92 s,均低于一些传统方法的运行时间。结论基于卷积神经网络和PCA约束优化模型的稀疏表示分类方法,将深度学习特征与PCA方法相结合,不仅具有较好的识别准确度,而且对稀疏分类也具有很好的鲁棒性,尤其在小样本问题上优势显著。

摘要：功能参数方法(FP)是一个框架算法,在一些技术项目中具有广泛应用。基于FP方法在可靠性研究中的基本规则,介绍了使用FP方法在“构建”可靠性方面的可能性和前景;指出了在解决分析问题及确保可靠性的问题上,采用并行和分布式处理技术的必要性;讨论了对具有不同阈值的内部参数无故障操作的概率进行估计时,构建高效并行算法的必要性。实验结果表明,运用功能参数方法在解决确保、评估和维护复杂技术系统的可靠性设计中具有较好的实用性和有效性。

摘要：在'互联网+'的背景下,'翻转课堂'顺应了时代潮流,改革了传统教学模式,增强了教学的互动性和实效性,体现了学生学习的主体性、调动了学生的学习积极性,提高了教学效率性.本文以'直线的倾斜角和斜率'一节课的教学为例,探讨如何通过课前自学、课中探讨、课后反思实现数学'翻转课堂'.一、研究背景1.'互联网+教育'时代的'产物'以微课视频为载体,在线学习平台为支撑的'翻转课堂'。