网络碎片化特征对移动学习的影响研究

随着移动技术的迅猛发展,利用移动设备的学习应运而生,它给人们带来了全新的学习体验。然而,由于社会和信息技术发展而形成的网络信息传播碎片化特征,既促进了移动学习普及、走向个性化等积极影响,又带来了内容零散简略、难以深度学习、专注力下降等消极的影响。因此,本文以辩证、全面的视角深入研究网络碎片化特征对移动学习的影响,这是现阶段关于移动学习研究的紧迫任务,对后续移动学习的持续、深入发展有着非常重要的意义,同时也将会促进移动学习更好的发展。     

基于深度学习的在线课程深度教学模式探究

在线课程为学习者提供了许多便利,扩展了知识的普及范围。文章基于深度学习理论提出了在线课程深度教学模式。该模式以培养学习者解决问题的能力为目标,在设置班级时,根据知识前测对具有不同学习基础的学习者因材施教,内容的组织上兼顾碎片化与系统性,以学习者为中心设计问题情境,营造探索的教学氛围,在整个在线课程运行过程中做好学习者与平台、学习者与学习者、学习者与教师的交互,帮助学习者积极主动探索相关知识,在知识的迁移应用中培养职业能力。     

基于深度强化学习方法的无线多跳网络能量高效机会路由

由于机会路由能够利用无线信道的广播特性和有损特性,因此一直是提高无线网络路由性能的一个很有效的途径。提出一种基于深度强化学习的无线多跳网络能量高效机会路由算法,该算法使得智能体能够通过训练学习最优的路由策略,以通过机会路由的方式减少传输时间,同时平衡能耗延长网络寿命。此外,本算法还可以极大地缓解冷启动问题并获得较好的初始性能。仿真结果表明,与现有算法相比,该算法具有更好的性能。     

基于AIS数据和LSTM网络的船舶航行动态预测

为进一步提高船舶航行动态预测的精度,提出将长短期记忆(long short-term memory,LSTM)网络应用到船舶航行动态预测。将船舶自动识别系统(automatic identification system,AIS)数据转化为航行动态时间序列数据用于LSTM网络的训练和测试。将预测结果与传统的航迹推算法、BP(back propagation)神经网络法等的预测结果进行对比,结果证明:基于LSTM网络的船舶航行动态预测模型具有精度高、鲁棒性强、通用性好等特点。预测结果可以为船舶交通管理中心(vessel traffic services,VTS)的监管提供参考,在预警船舶碰撞、搁浅等事故方面具有较高的实际应用价值。     

基于智能手机的成人移动学习

智能手机已经成为一个普遍的客户端工具,基于智能手机的学习APP已经有大量的商业应用.智能手机因其易携带、硬件条件已可比拟电脑、可方便地访问网络资源的特性,适合作为成人移动学习的工具.成人使用智能手机进行移动学习时,应以全多媒体方式展现资源,以符合日常习惯和便捷的方式进行输入,并基于网络实现计算和应用.优化学习内容,引导学习方向,更多关注学习本身,是开发基于智能手机移动学习APP的基本路径.     

基于深度Q网络的水面无人艇路径规划算法

为实现水面无人艇(unmanned surface vessel, USV)在未知环境下的自主避障航行,提出一种基于深度Q网络的USV避障路径规划算法。该算法将深度学习应用到Q学习算法中,利用深度神经网络估计Q函数,有效解决传统Q学习算法在复杂水域环境的路径规划中容易产生维数灾难的问题。通过训练模型可有效地建立感知(输入)与决策(输出)之间的映射关系。依据此映射关系,USV在每个决策周期选择Q值最大的动作执行,从而能够成功避开障碍物并规划出最优路线。仿真结果表明,在迭代训练8 000次时,平均损失函数能够较好地收敛,这证明USV有效学习到了如何避开障碍物并规划出最优路线。该方法是一种不依赖模型的端到端路径规划算法。     

基于线上智能平台的大学生英语阅读移动学习研究

文章首先概述了移动学习,总结了大学生英语阅读移动学习的优势,并从学习内容分散、学生依赖性过强、缺少学习方法等方面分析了当前大学生英语阅读移动学习中存在的主要问题。进而在此基础上,分别从院校、教师以及学生三个维度,提出了基于线上智能平台的大学生英语阅读移动学习的有效策略。旨在能够充分发挥移动学习的优势,帮助广大学生提高英语阅读水平和英语综合运用能力。     

基于4G网络环境下移动图书馆辅助英语阅读移动学习的研究

随着时代的快速发展,信息也处在了一个快速发展的阶段,人们需要更加方便快捷的了解和认知海量的信息,从而达到高效的学习效果,智能手机的移动学习已逐渐成为了广大学习者所应运的学习方法之一。而利用智能手机中的移动图书馆辅助英语的学习则有着广阔的发展前景。本文将通过对基于4G网络环境下智能手机的在线阅读网站,搜索引擎,手机图书馆,手机便携设备及手机其他软件对英语阅读的辅助进行具体分析,以此了解移动图书馆辅助英语阅读的好处以及存在的缺陷,为广大学习者作以参考。     

基于智能手机的移动学习资源需求分析

移动设备价格的降低和性能的提高为移动学习创造了客观条件,智能手机作为最普遍的移动设备,受到不同阶层人士的广泛青睐,因此,基于智能手机的移动学习资源设计极为重要。本文采用文献研究法与问卷调查法,在全面系统地分析国内外移动学习资源建设现状的基础上,对大学生基于手机媒体移动学习资源的需求现状进行探析,了解影响大学生利用基于手机媒体的移动学习资源的主要因素,以期对基于智能手机的移动学习提供参考。     

基于LSTM循环神经网络的电池SOC预测方法

针对锂离子电池荷电状态(state of charge, SOC)预测问题,利用长短期记忆（long short term memory, LSTM）循环神经网络建立电池SOC预测模型。在恒阻放电情况下,将电池输出电流、输出电压和电池表面温度作为模型的主要输入,使用训练样本对神经网络进行训练,使用验证样本进行验证。结果表明,用该方法进行电池SOC预测时可使最大绝对误差仅为1.96%,均方根误差为0.986%,可行性被验证。分析神经网络隐含层中不同的神经元个数对预测结果的影响,对比不同批大小情况下训练出的神经网络的预测误差。将隐含层分别设置为1至3个LSTM细胞核,得到不同条件下神经网络的预测误差。结果为电池SOC预测的神经网络模型的隐含层神经元个数、批大小和LSTM细胞核个数的设定提供参考。     

基于机器学习的点集匹配算法

点集匹配是计算机视觉和模式识别中的重要问题,在目标识别、医学图像配准、姿态估计等方面都得到广泛应用。提出基于机器学习的端对端模型——multi-pointer network（MPN）来解决点集匹配问题。该网络模型利用多标签分类的思想,改进pointer network。以前的模型只输出输入序列的一个元素,而MPN模型选择输入序列中的一组元素作为输出。首先,把点集匹配问题转换为序列问题。这样,网络的输入为顶点的坐标序列,输出为点对之间的对应关系。利用这种方式,可以解决相对于整个空间的平移变换和其他大幅度的刚性变换。实验结果表明,模型也可以被推广解决其他带结构的组合优化问题,如三角剖分等。