移动信息系统

在双序列跳频(DSFH)通信模式下，为了提高低信噪比条件下对微弱信号的检测性能，提出了随机共振(SR)检测方法。首先,α- 可靠的分布用作脉冲噪声模型和影响α价值的价值α分析了噪音。其次，介绍了DSFH通信系统的发送和接收信号模型。SR方法用于检测DSFH信号。为了分析输出信号，建立了分数Fokker-Planck等式（FFPE），提出了一种基于采样决定时间的新的简化解决方法来解决时变分数差分方程。基于FFPE的理论解，构造了二进制假设试验统计，以量化信号检测概率和误报概率，分析检测性能。最后，仿真实验验证了理论结论。获得SR检测的最小有效SNR，它约为-20 dB，为在DSFH通信系统中应用SR提供了理论依据。必威2490

混合教学模式可以提高学生的学习成绩。本研究开发了一套基于线上线下混合教学模式的高校体育篮球动作互动教学系统。系统主要由教师功能模块、学生功能模块和系统分析模块组成。在教师功能模块中，引入线上线下混合教学模式，以微课、大规模网络公开课、传统课堂教学有机结合的形式实现高校体育篮球运动的互动教学。学生功能模块主要用于管理学生学习篮球动作的相关信息。系统分析模块采用基于多蚁群聚类组合算法的数据挖掘模型，获取学习者的行为数据，设计出有针对性的篮球动作交互教学课程。经测试表明，所设计的系统可以提高学生对篮球运动的掌握程度，可以用于提高学生的学习成绩。

在许多高校，mooc已经应用于许多课程，包括思想政治课，这对于大学生的思想道德教育是非常重要的。思想政治慕课突破了时间和空间的限制，学生可以通过网络方便、快速地学习思想政治课程。但由于MOOCs的开放性，可能会出现一些异常的访问行为，影响MOOCs的正常进程。因此，本文提出了一种高校思想政治类慕课异常访问行为的检测方法。基于深度学习建立网络行为检测模型，区分网络行为是否正常，从而检测异常接入网络行为。为了证明所提算法的有效性和效率，将所提算法与另外两种网络异常行为检测方法进行了比较，结果证明所提算法能够有效地检测思想政治mooc中的异常访问行为。

信息融合技术在智能系统方面具有重要意义。目前，现代燃煤电厂具有全功能传感器网络。然而，不能直接获得许多对电厂的操作，例如煤质量的操作是重要的。因此，需要引入信息融合技术以获得电厂的隐含信息。作为一种实际应用，煤质的软测量被视为研究对象。本文提出了一种改进的LSTM模型与双向深融，警觉性机制和参数自学习（DFAS-LSTM）相结合，实现了煤炭质量分析的在线软计算。首先，建立潜在结构模型以预处理嘈杂和冗余的传感器网络数据。其次，提出了警报机制，并且激活函数参数的自学习方法用于数据特征提取。第三，将深度双向融合层添加到长短期内存神经网络模型中，以解决最精确的问题和弱概括。使用传感器网络的历史数据，建立了DFAS-LSTM模型。 Then, the online data of the sensor network is input to the DFAS-LSTM model to implement the online coal quality analyses. Experiment shows that the accuracy of the coal quality analyses is increased by 1%–2.42% compared to the traditionally bidirectional LSTM.

建模特征互动对于预测工业推荐系统中的点击率（CTR）至关重要。由于性能和效率良好，分解机（FM）是学习特征交互的流行方法。最近，提出了几种FM的变体来改善其性能，并且他们已经证明了现场信息发挥着重要作用。但是，字段中的特征长度通常很小;我们观察到，当领域内有多个非零特征时，由于短特征长度的问题，字段之间的交互不足以表示不同字段之间的特征交互。在这项工作中，我们通过引入现场感知交互机（FIM）提出了一个名为DeepFim的新型神经CTR模型，该机构提供分层结构形式以描述Intrifife和Interfield功能交互，以解决由短功能引起的短表达问题- 字段中的长度。实验表明，我们的模型达到了比最先进的方法的相当甚至材料更好的结果。

活动识别领域发展较早，吸引了无数的研究人员。随着科学技术的不断发展，人们对人类活动识别的研究也在不断深化和丰富。如今，无论是医学、教育、体育还是智能家居，各个领域都对活动识别产生了浓厚的兴趣，一系列的研究成果也已投入到人们的实际生产生活中。在智能手机非常普及，技术也越来越成熟的今天，各种传感器应运而生，因此基于手机传感器的活动识别相关研究有其必要性和可能性。本文将使用一个Android智能手机来收集数据的六人的基本行为,行走,跑步,站着,坐着,楼上,楼下,,通过其加速度传感器,并使用深度学习的经典模型CNN(卷积神经网络)融合多维移动数据,使用TensorFlow进行模型培训和测试评估。最后将生成的模型移植到Android手机上，完成移动端活动识别系统。