针对单核学习支持向量机无法兼顾学习能力与泛化能力以及多核函数参数寻优问题，提出了一种基于群体智能优化的多核学习支持向量机算法。首先，研究了五种单核函数对支持向量机分类性能的影响，进一步提出具有全局性质的多项式核和局部性质的拉普拉斯核凸组合形式的多核学习支持向量机算法；其次，为增加粒子多样性及快速寻优，将粒子群优化算法引入了遗传算法中的杂交操作，并用此改进的群体智能优化算法对多核学习支持向量机进行参数寻优。最后，分别采用深度特征与手工特征作为识别算法的输入，研究表明采用深度特征优于手工特征。故本文采用深度特征作为多核学习支持向量机的输入，以交叉遗传与粒子群混合智能优化算法作为其寻优方式。实验选取合作医院数据集对所提算法进行训练并初步测试，进一步为了验证所提算法的泛化能力，选取公开数据集LUNA16进行测试。实验结果表明，本文算法易于跳出局部最优解，提升了算法的学习能力与泛化能力，具有较优的分类性能

第一节 统计学习与推理基础 第二节 统计模型与参数推断 第三节 聚类分析、主成分分析与Fisher判别 第四节 贝叶斯推理 第五节 隐马尔可夫模型 第六节 动态神经网络 第七节 深度学习 第八节 支持向量机 第九节 MATLAB的应用实例

背景 MDPs 强化学习问题 蒙特卡洛方法 (Monte Carlo Methods) 蒙特卡洛预测（Monte Carlo Prediction） 蒙特卡洛控制（Monte Carlo Control） 时序差分学习 (Temporal-Difference Learning) 时序差分预测（TD Prediction） 时序差分控制（TD Control） Sarsa：on-policy Q-learning : off-policy 策略梯度 (Policy Gradient) Monte-Carlo Policy Gradient Actor-Critic Policy Gradient 深度强化学习 Deep Q-Networks (DQN) Policy Gradients for Deep Reinforcement Learning

1.课程简介:昆虫学概论是研究昆虫的一般形态、生物学、生理解剖和生态学 的学科,实验性强,亦有一定的理论深度。 2.地位和任务:是植物保护专业必修的专业基础课。主要任务是学习和掌握昆 虫学的基本理论、基本知识和基本操作技能。 3.总体要求:通过本课程的教学使学生掌握有关昆虫的形态结构、解剖特性, 一般发育活动规律和生态特性及生理代谢规律

针对人耳识别中存在姿态、光照变化等问题,提出信息融合的方法,将二维人耳和三维人耳的信息进行融合,以克服姿态、光照对人耳识别的影响.对于二维人耳,由于姿态等的变化会导致人耳图像数据在高维空间中呈现出非线性流形结构,采用等距映射这种流形学习算法进行特征提取,对三维深度人耳则采用3D局部二值模式进行特征提取,然后分别进行二维和三维人耳识别,最后在决策层进行融合识别.在79人的人耳数据库上进行了实验,每人8幅带姿态的二维人耳图像和6幅带光照的三维人耳深度图像.实验结果表明,与单独的二维人耳和三维人耳识别相比,融合之后的识别效果和认证效果均有很大的改善

针对机器或设备的剩余寿命（Remaining useful life, RUL）预测精度低的问题，提出基于一维卷积神经网络（Convolutional neural network, CNN）和双向长短期记忆（Bidirectional long short-term memory, BD-LSTM）的集成神经网络模型。为了更好地抽取时间序列上的特征，以及产生更多的训练样本，采用滑动窗口对数据进行处理，同时采用卡尔曼滤波对数据进行降噪处理，将数据标准化以及设置RUL标签。与人工提取特征不同，利用一维CNN对数据进行特征提取，并舍弃了CNN中的池化层。然后将提取到的高维特征输入到BD-LSTM进行回归预测，并采用Bagging的方式对此神经网络进行集成来预测RUL。最后通过在NASA的数据集上验证该模型的有效性，以及相比于其他机器学习或者深度学习模型的优越性，实验表明所提模型在RUL预测方面更加准确

融合手工特征和深度特征，提出了一种集成超限学习机心跳分类方法。手工提取的特征明确地表征了心电信号的特定特性，如相邻心跳时间间隔反映了心跳信号的时域特性，小波系数反映了心跳信号的时频特性。同时设计了一维卷积神经网络对心跳信号特征进行自动提取。基于超限学习机（Extreme leaning machine，ELM），将上述特征融合进行心跳分类。由于ELM初始参数的随机给定可能导致其性能不稳定，进一步提出了一种基于袋装（Bagging）策略的多个ELM集成方法，使分类结果更加稳定且模型泛化能力更强。利用麻省理工心律失常公开数据集对所提方法进行了验证，分类准确率达到了99.02%，实验结果也表明基于融合特征的分类准确率高于基于单独特征的分类准确率

从理论的深度和事实的现实感和鲜活性来讲授本章的教学内容。理论应贴近现实生活实际，贴近大学生活实际，贴近校园生活实际，使大学生真正认识到加强道德修养，锤炼道德品质对于实现中华民族伟大复兴和个人成长发展的巨大指导作用。通过本章学习，使学生了解道德的形成与发展，认识道德的功能和作用；了解我国优良传统道德的内涵，深刻认识继承和弘扬中华民族的优秀传统道德的现实意义；明确社会主义道德建设的核心和原则；自觉恪守公民基本道德规范，努力加强道德修养

一、学科平台课程 1《高级语言程序设计》 2《电路原理》 3《电路原理实验》 4《复变函数 B》 5《模拟电子技术基础》 6《模拟电子技术基础实验》 7《数字电子技术基础》 8《数字电子技术基础实验》 二、专业课程 1《专业计算机基础上机实验》 2《信号与系统 A》 3《信号与系统实验》 4《微机原理与接口技术》 5《微机原理与接口技术实验》 6《数字信号处理》 7《数字信号处理实验》 8《通信原理》 9《通信原理实验》 10《EDA 技术及应用》 11《EDA 技术及应用设计》 12《电磁场与电磁波 B》 13《计算机仿真》 14《计算机仿真实验》 15《单片机原理与应用》 16《单片机原理与应用实验》 17《自动控制原理 C》 18《信息论与编码》 19《通信电子线路》 20《通信电子线路实验》 21《随机信号检测和处理》 22《电子线路计算机辅助设计》 23《电子系统设计》 24《DSP 原理及应用》 25《DSP 原理及应用实验》 26《数据通信与计算机网络》 三、个性化发展课程 1《数据库系统原理》 2《嵌入式系统设计》 3《嵌入式系统设计实验》 4《机器学习》 5《数字语音处理》 6《数字图像处理》 7《深度学习》 8《数据挖掘》 9《现代信号处理技术》 10《移动通信技术》 11《无线自组网》 12《传感器与信号检测》 四、实践环节 1《高级语言编程课程设计》 2《工程训练 C》 3《电子工艺实习》 4《电子技术课程设计》 5《EDA 技术课程设计》 6《单片机系统课程设计》 7《专业实习》 8《毕业设计》

《智慧农业专业导论》 《高等数学I》 《普通化学 I 》 《普通化学实验Ⅰ》 《高等数学Ⅱ》 《普通化学实验 I》 《有机化学 IV》 《大学物理 VI》 《仪器分析》 《植物学（含分类）》 《土壤肥料学》 《基础生物化学》 《植物生理学》 《遗传学》 《生物统计与试验设计》 《基础微生物学》 《数字图像处理》 《机器学习》 《农业生态学》 《植物生物技术导论》 《分子生物学导论》 《作物栽培学》 《作物育种学》 《数据库系统原理》 《农业信息技术》 《农业遥感学》 《现代农业机械》 《大数据处理与分析》 《传感器原理与应用》 《农业软件开发》 《植物保护通论》 《农业标准化》 《农业资源学》 《农业经济学》 《单片机原理及应用》 《安卓应用开发》 《人工智能与模式识别》 《神经网络与深度学习》 《智慧农场规划与设计》 《物联网工程》 《农业无人机遥感》 《农科英语阅读与写作》 《World Agriculture》 《作物田间表型获取与分析》实验 《毕业设计（论文）》 《创新基础》 《创新思维训练》 《科创指导和训练》 《创新精神与实践》 《创新创业领导力》