摘要：“算法设计与分析”是计算机专业的核心课程,该课程的授课对象是所有计算机大类相关专业的学生。因此,将思想政治教育融入该课程中,能够对更多的学生产生积极影响。然而,当前算法类课程思政建设实践存在思政资源挖掘不够、课程与思政“两张皮”的问题,易导致课堂氛围沉闷,降低学生的求知欲望。为了解决这些问题,通过提炼思政元素,实现“术道融合”,赓续文脉传承,厚植家国情怀,激发学生的学习兴趣,锤炼其创新能力,并从国家、学校、个人三个层次开展课程思政建设,构建了具有哈工大特色的“三层次”“算法设计与分析”课程思政实施路径。

摘要：针对传统游戏智能体算法存在模型输入维度大及训练时间长的问题,提出一种结合状态信息转换与奖励函数塑形技术的新型深度强化学习游戏智能引导算法.首先,利用Unity引擎提供的接口直接读取游戏后台信息,以有效压缩状态空间的维度,减少输入数据量;其次,通过精细化设计奖励机制,加速模型的收敛过程;最后,从主观定性和客观定量两方面对该算法模型与现有方法进行对比实验,实验结果表明,该算法不仅显著提高了模型的训练效率,还大幅度提高了智能体的性能.

摘要：为解决众包面临的信任问题、不对称贡献与收益关系以及数据安全性共享等挑战,提出一种基于信誉模型与受控代理重加密(PRE)的众包模型链,即RPC-Chain。RPC-Chain基于超级账本Fabric,将众包模型的交易流程抽象化。首先,完善信誉机制提高系统整体的效率与公平;其次,引入受控代理重加密以确保数据安全共享服务;最后,使用Fabric搭建众包区块链仿真平台并进行了相关测试。实验表明,该方案在模型设计、数据安全加密共享和信誉模型的激励效果等方面显示出一定优势。

摘要：针对传统研究生教育教学模式存在的不足,提出基于“对分课堂+BOPPPS”的教学模式,并介绍在研究生数据通信课程教学中的实施过程,具体阐述如何从课前准备及线上预习、线下课堂讲授、课后个性化学习及小组任务完成、课堂汇报及交流4个环节开展课堂活动,通过实践效果分析说明该模式提高了学生的课程参与度及学习积极性。

摘要：以“计算机系统基础”课程为载体,文章分析了试错法在该课程中实施的必要性,提出了教学试错法和学生学习试错法相结合的试错教学方法,确定了试错教学点的设计原则。基于此,设计了该课程的试错知识点,并在课程教学中实施了试错教学法。通过课程4年教学实践取得的教学成效数据分析比对,说明了试错法在该课程教学中的有效性。

摘要：针对金属表面缺陷检测效率低以及检测算法参数量大、精度低的问题,本文提出了一种改进YOLOv8n的金属表面缺陷检测轻量化方法。首先,设计局部卷积倒置交叉融合(partial inverted bottleneck cross stage partial fusion,PIC2f)模块,该模块通过构造的局部卷积倒置瓶颈(partial IRMB bottleneck,PIBN)模块替换BottleNeck模块,将部分卷积和倒置残差块组合,从而减少算法的参数量并提升模型的特征提取能力。然后,采用基于注意力尺寸内特征交互(attention-based intra-scale feature interaction,AIFI)模块,该模块结合位置嵌入和多头注意力机制,增强了模型对小目标的检测能力。最后,使用平均池化下采样(average pooling down sampling,ADown)模块替换传统卷积作为模型特征缩减模块,通过池化和卷积操作,在不降低检测精度情况下,进一步减少模型的参数量和计算复杂度。实验结果表明,与YOLOv8n算法相比,在NEU-DET钢材缺陷数据集上的PIC2f-YOLO方法的mAP_(50)增加了2.7%,参数量减少了0.403 M。在铝片表面工业缺陷、PASCAL VOC2012和带状合金功能材料表面缺陷数据集上的泛化性实验也验证了PIC2f-YOLO方法的有效性。

摘要：针对滚动轴承故障诊断中处理复杂工况准确率较低的问题,提出一个多任务学习(MTL)模型,即多路层次化混合专家(MHMoE)模型,以及对应的层次化训练模式。该模型结合多阶段、多任务联合训练,实现了层次化的信息共享模式,并在普通MTL模式的基础上进一步提升了模型的泛化性和故障识别准确率,使模型能同时在复杂与简单的数据集上出色地完成任务,同时,结合一维ResNet的瓶颈层结构,在保证网络深度的同时,也规避梯度爆炸与梯度消失等问题,从而能充分地提取数据集的相关特征。以帕德博恩大学轴承故障数据集(PU)为测试数据集设计的实验的结果表明,在不同工况复杂度下,与不使用MTL的单任务混合专家单元结构(OMoE)-ResNet18模型相比,所提模型的准确率提升5.45~9.30个百分点;而与集成经验模态分解的Hilbert谱变换方法(EEMD-Hilbert)、MMoE(Multigate Mixture-of-Experts)和多尺度多任务注意力卷积神经网络(MSTACNN)等模型相比,所提模型的准确率至少提升3.21~16.45个百分点。

摘要：以河姆渡遗址群考古报告为数据源,通过信息提取、实体链接等方法构建多模态知识图谱,并设计信息系统,实现了河姆渡文化遗产资源的数据管理和检索。参考学术论文及考古研究,设计一种河姆渡文化知识图谱的本体知识体系,并提出一种从考古报告中提取图像与知识图谱实体进行对齐的算法,实现了多模态文化资源与实体节点的精准匹配。在此基础上,开发了一个河姆渡文化资源库管理系统。该系统具有多模态检索、图谱化展示等功能,并为用户提供了交互式、可视化的数据浏览和分析工具,有助于用户更深入地理解和利用河姆渡文化遗产资源;也可为研究人员、文化机构和公众提供便捷的工具,以更好地探索和理解河姆渡文化,为文化遗产的管理、研究和教育提供了一种新的手段。

摘要：近年来,随着人们生活水平的不断提高,健康问题越发受到关注。由于人口老龄化加剧,慢性病发病率逐年上升,越来越多的患者开始挤兑有限的医疗资源。而且我国康复治疗师数量稀缺,只能为部分患者提供高质量的个人康复[1]。康复设备作为一种辅助治疗的手段,通过机器代人来缓解医疗人员的工作压力,在现代医学中扮演着重要角色。

摘要：半监督多标记学习利用有标记数据和无标记数据进行模型的训练,降低了多标记数据的标记成本并取得了不错的结果,吸引了很多研究者不断进行研究.然而,在半监督标注过程中,由于标记的数量较多,往往会出现某些标记缺失标注样本的情况,这些标记被称为开放词汇.开放词汇会导致模型无法学习到该类别的标记信息,使得模型性能下降. 针对上述问题,提出了基于图提示的半监督开放词汇多标记 学习方法. 具体地,该方法利用基于提示的图神经网络对预训练大模型进行微调,挖掘和探索开放词汇与 监督样本之间的关系. 通过使用包含图像与文本的多模态数据构造图神经网络作为预训练大模型的文本 输入进行学习. 其次利用预训练大模型在开放词汇上的泛化能力,对无监督样本生成伪标记,实现对输出 分类层的微调,使模型在对开放词汇进行分类时能获得更加理想的效果. 多个基准数据集上的实验结果 均显示,基于图提示的半监督开放词汇多标记学习方法优于目前的主流方法,在 VOC,COCO,CUB,NUS 等基准数据集上均取得了最优的效果.