摘要：根据《关于加强和改进新形势下高校思想政治工作的意见》中提出的全员全过程全方位育人的“三全育人”要求,北京联合大学智慧城市学院计算机科学与技术专业开展了“专业思政”和“课程思政”建设的探索与实践。通过分析专业特点、专业核心价值及“专业思政”的载体,建立“专业思政”体系。在培养方案设计中融入思政元素,在课程大纲中明确思政目标要求,将“课程思政”作为“专业思政”的基础,以学生实践活动促进“专业思政”建设。计算机科学与技术专业的“专业思政”取得了初步成效,实现了思政建设与专业建设的有机结合,形成了有“三全育人”特色的专业人才培养模式。

摘要：目前,研究人员着眼于车载边缘计算(vehicular edge computing,VEC)环境下高效应用和资源调度策略的研究,然而,这些应用和策略的实机验证往往受限于成本和时间,无法快速有效地进行。边缘/雾计算仿真器如iFogSim2的出现降低了实验成本,然而,高速移动车辆的连接切换和资源分配需求对边缘/雾计算仿真器在VEC下应用提出了挑战。因此,改进了iFogSim2,设计了支持高速移动的VEC环境仿真器VECSim。集成开源基站数据并构建车辆轨迹数据集,以便研究人员专注于资源分配策略。首先,为了简化实验步骤,改进了移动轨迹数据解析模块并适配了微观交通仿真软件Simulation of Urban Mobility(SUMO)生成的车辆轨迹数据。其次,基于分布式数据流模型对VEC下的分布式应用进行建模,并提供了服务迁移基准策略算法。此外,VECSim还引入了时间性能优化方法,通过并行化操作,加速仿真事件处理,从而提高了仿真工具的时间性能。实验表明,相比于iFogSim2中同类的服务迁移算法,提出的服务迁移算法在大规模机动车轨迹数据集验证下表现出良好的稳定性,时间性能优化方法在执行时间上取得了5.3%的性能提升。代码开源地址:https://***/LiuZi-yuan-CS/VECSim。

摘要：为改进数据结构课程设计教学效果,对教学中如何选取适当案例进行分析,以迷宫案例为例,说明选择的案例应该能够采用多种数据结构和多种算法来解决,便于在教学过程中从多个角度进行对比分析,有利于学生对更多课程知识点融会贯通,从而提高学生分析问题、解决问题的能力,完成课程设计教学的目标。

摘要：课程思政是实现全员、全过程、全方位育人的重要环节,也是高校落实立德树人根本任务的战略举措。专业教师应充分发挥其主体作用,创新课程设计理念,在工科专业课程教学中将专业教学与思政元素紧密结合。阐述了课程思政的内涵,剖析了工科专业开展课程思政面临的困境与挑战,并基于“计算机网络”课程,给出了课程思政融入专业课教学的方法探究,包括重塑教学目标、完善教学内容、革新教学方法等,有效落实课程思政育人目标。

摘要：针对墓室壁画人脸破损严重、纹理模糊不清、噪声较多等问题,提出了E-GFPGAN(Efficiency-Generative Facial Prior Generative Adversarial Network,E-GFPGAN),实现了墓室壁画人脸部分的盲修复.首先用StyleGAN3网络训练生成墓室壁画人脸,为网络提供丰富的壁画人脸先验信息;然后在退化移除模块添加跳跃连接,使用两层空洞卷积代替原有卷积,实现扩大感受野,保留壁画人脸的细节信息;最后将信道分割空间特征转换层(Channel-Split Spatial Feature Transform,CS-SFT)结构的卷积改为空洞卷积降低网络参数量.在自建墓室壁画人脸数据集上进行修复的实验结果表明,NIQE指标平均降低2.2%.证明了网络在墓室壁画人脸盲修复上得到了较好的修复结果.

摘要：本文在分析电子系统设计课程重要性的基础上,提出了一种基于教学产出(OBE)教育模式的教学改革方案。该方案将传统教学模式与开放式教学相结合,教学过程与学科竞赛相结合,丰富完善了成果评价机制,并提供了学习活动与学科竞赛相结合的具体方案,实现了电子系统设计课程以成果为导向的教学方法、执行过程和考核方式改革。

摘要：本文在分析“电子技术基础”课程实验教学环节重要性和执行现状的基础上,提出了一种基础验证性实验与综合设计性实验复合、传统教学模式与混合式教学模式结合、实验室现场操作与口袋实验室配合的多元化实验教学模式,为“电子技术基础”课程实验教学环节从教学内容、组织形式和执行过程几方面提供了新思路。

摘要：以卷积神经网络(CNN)为代表的深度学习模型主要面向图像、语音等均匀采样的同质欧氏空间数据,通常不适用于大量存在于工业等领域的异质、非均匀稀疏采样的结构化数据。针对异质、非均匀稀疏采样结构化数据集的预测任务,提出一种基于k近邻(kNN)算法和CNN的超球卷积神经网络学习模型。通过kNN预处理建立各样本在高维属性空间中的结构关系,将样本邻域内各样本的标记作为其属性重构样本集合,实现数据属性集从异质到同质的转化,进而通过合理设计CNN的卷积窗,有效提取和利用各样本的邻域空间中样本的标记分布特征,完成对未知样本的预测。在不同邻域尺度、软硬标记以及混淆非混淆等条件下进行实验,结果表明,该模型预测准确率达到98.04%,其准确率和召回率较FC-CNN、CNN、kNN和Radar-CNN算法分别提升0.28%~1.66%和4.78%~31.92%。

摘要：针对HRRP目标识别的传统识别方法识别率低、模型泛化能力不足,提出了一种适合HRRP样本数据的改进CNN模型;采用一维CNN对HRRP样本进行深层特征提取和目标识别,在构建CNN时引入BN算法加快了损失函数的收敛速度;设计了LGBM分类器作为CNN的分类层,有效提高HRRP识别率和识别速度,进一步提升了模型的识别性能;通过与改进前CNN和传统识别方法的对比实验,结果表明所提的改进CNN在提高目标识别率的同时也有效提升了识别速度,可为后续进行HRRP目标识别提供参考。

摘要：针对肺结节尺度差异大、边界纹理不清晰、背景干扰严重导致的肺结节分割不精确的问题,以3D U-Net为基础,引入Transformer结构,设计一种基于特征增强的多分支U-Net肺结节分割算法。Transformer从全局角度提取肺结节及周边组织的结构特征,浅层3D U-Net提取图像纹理特征;利用上述结构特征及纹理特征进行特征增强;多尺度残差块和3D坐标注意力对3D U-Net进行改进,用于提取特征增强后的肺结节多尺度信息,并在3D U-Net解码器基础上,对深层语义信息进行复用,最终实现肺结节分割。在LIDC-IDRI数据集上对该模型进行验证,精确度、敏感度、Dice相似性系数分别达到90.04%、86.64%、88.80%,综合分割性能优于其他算法。