专家讲座心得体会范文3篇

专家讲座心得体会范文3篇【导读】这篇文档“专家讲座心得体会范文3篇”由三一刀客最漂亮的网友为您分享整理，希望这篇范文对您有所帮助，喜欢就下载吧！专家讲座心得体会12017年12月份，作为一名在读博士研究生，我有幸参加了几位光电领域专家的精彩讲座，他们从容不迫的教学风格和随机应变的驾驭课堂的潜质，愉快的课堂气氛，严谨的教学语言，绚丽的教学情景，给我留下了深刻的印象，使我颇受震撼。给我印象最深的是王家骐院士，王家骐院士长期从事大型光学精密仪器设计、空间对地图像信息获取技术研究及总体误差理论分析。研究和开发了中国重大和重点工程需求的多种型号的大型、高集成度和高精密度的光学和光电仪器，突破了一系列关键技术，提高了中国有关领域的技术水平。作为航天工程应用系统空间分系统设计师，王家骐院士参与了我国载人航天工程等重大工程任务，取得了多项填补国内空白或达到国际先进水平的研究成果，为我国光电事业发展和国防现代化建设做出了突出贡献。“要成为一名光荣的航天科技工作者，为祖国争光!”这是王家骐青少年时代的梦想，为此，他付出了大半生的心血。凭着一股钻劲、韧劲和拼搏精神，他带领课题组战胜了一个又一个难题，完成上级交给的一项又一项科研任务。上世纪60年代末，他主持研制某型号光电测控仪，仅用了两年时间就研制成两台样机，并通过了鉴定。1987年至今，他带领的科研群体建立了我所的航天有效载荷研究、设计、生产和试验基地，承担了多项预研工作，在国内享有盛名。面对事业上取得的一系列丰硕成果，王院士却谦逊地说：“这些成果凝结着我们长春光机所的心血，得益于国家、省及长春市方方面面的支持，特别值得一提的是，和我一起苦熬多年的课题组成员们，他们让我感动！”提起“神五神六”飞天，他说：“多年来，我们没有过过星期六、星期日，每年的元旦、春节、五一、十一都不放假，他们真是好样的”。王家骐自称是“打铁的”，但是“打铁”出身的他不仅研制了具有我国自主知识产权的多种型号的战略与战术导弹瞄准的精密光学仪器，还成为航天光学方面一位杰出专家。从王家骐院士身上我学到了“五个会”，“四个一点”，“三个要素”。五个会：第一是会学，第二是会想，第三是会讲，第四是会干，第五是会组织。四个一点：数学根底牢一点，物理概念清一点，空间想象丰富一点，身体好一点。三个要素：一是刻苦，而是自信，三是一丝不苟。王家骐说，研制工作充满酸甜苦辣，当时在经验不足资料贫乏的情况下，就靠请专家作指导，靠工作人员刻苦钻研，有时会出现一些意想不到的问题，但每出现一次故障，对大家来说都是一次锻炼和进步的机会。通过几位专家的精彩报告，我们基本在脑海中勾勒出自己所从事的科研领域，我们这些死啃书本的学生也有机会现实了一把，真正了解到与生活有关的科学研究。不仅在学术领域给我们打开了新的窗户，让我们眼前一亮，也为我们介绍他们在工作学习中切身的体会及经验，提前向我们预警就业道路及工作生涯可能遇到的问题。专家讲座报告旨在帮助大家了解相关领域的学科前沿知识，更好地学习、思考。老师们以自己的学识和阅历向我们展现了当今光电行业的现状以及存在的问题，引导我们积极思考，使我们收获颇多。在紧张的讲座和学习培训中还穿插了交流互动的内容，通过这几次的学习，我对光电技术的认识提高了，理论提升了。感受到掌握新技术发展方向的重要性。通过学习感受到自己又学到了许多的新知识，可以运用到日常的学习和职业规划中。专家讲座心得体会2乐努力，享收获——专家讲座心得体会从第7周周四到第15周周四，共16次讲座，由6位强势专家授课。在我看来，开设这门课程的目的是激发我们对本专业的学习兴趣，多了解相关的研究方向，提升我们的专业素养。记得有位老师说过“优秀的本质是相同的”，每位老师都在自己的研究方向上做出了很大的成果，对于我们这种处于初级阶段的学生来说，虽不是在听天书，却也难以深入理解。既然一千个读者心中就有一千个哈姆雷特，在此我仅总结我听到的内容，并对自己感兴趣的方向进一步阐释，也算是笔记的整理吧。第七周何光辉老师讲课的主题是“SomeRecentDevelopmentofIntelligentPRandApplications”。模式识别是个很有趣的研究方向，与我们的日常生活息息相关。模式识别是使计算机模仿人的感知能力，从感知数据中提取信息的过程。简言之，用机器自动识别事物。模式识别系统由数据获取、预处理、特征提取与选择和分类决策组成。课上没有介绍很详细的专业知识，着重讲了模式识别的应用。主要有文本图像分析、语音识别、工业自动化如零部件或物品分类、数据挖掘、多媒体数据检索（文档、图像、视频、音乐检索）、生物特征识别、用于生物信息学、医学图像、空间探测与环境资源检测、遥感图像、安全监控（身份识别、视频监控、交通监控、音视频监听等）……人有很多特征可以记录帮助识别，如指纹、声音、人脸、姿态等。模式识别应用范围之广令人佩服，同时，提高识别精度是很重要的研究方向，毕竟成本低的识别仪器虽已普遍应用于日常生活中，但精度较低。一些精度很高的仪器如瞳孔扫描仪一般在重要的地方才会使用，且成本很高。降低仪器成本、提高识别精度是很重要、很有前景的研究方向。第八周伍俊良老师给我印象最深的是他的思想。就我们的现状而言，相比于高中，知识学得多了，而掌握得不深、做题能力也反降不升，究其根源是我们还没养成思考问题的习惯，或者说不知如何思考问题。伍老师提倡培养学生的创新能力、解决问题和把知识活学活用的能力，这些都是我们缺少的。除此之外，伍老师介绍了一些问题，如IEP（InverseEigenvalueProblem）、NIEP（NonnegativeInverseEigenvalueProblem）、RNIEP和SNIEP等，当然就我们现在的水平而言，无法解决这些难题，但至少让我们知道了每一个数学分支都有很多难以解决的问1题，需要数学工作者的努力，也许某一天我们专业的某某就会奋战在这个领域。第九周是胡小兵老师的课，主题是SwarmIntelligence。计算机的发展使优化突破了传统的限制，由此出现了各种智能算法。通过蚁群、大雁的行为创造出蚁群算法和PSO（粒子群优化算法），这也算是大自然对人类的启发吧。由于我对这方面较感兴趣，具体阐释放在这篇文章的后面一部分。王坤老师针对我们的问题进行解答，主要是介绍了信息与计算科学专业的研究方向，对我们想继续深造的有一定的指导意义。不过往哪个方向走还是看自己的兴趣所在，开心地学习是最好的选择。李声杰老师很强势，主要介绍了向量集值优化与向量变分不等式问题的某些理论及进展。虽然没听懂什么内容，但能听出来李老师和他的老板陈光亚院士在这方面做出了很大的成果。Rockafellar、Auslander、MountainPa定理……很多名词我们都没听说过，上这两次课也只是感受一下学术的魅力。最后三周是曾理老师讲的关于图像处理的内容，重点有三个，分别是CT、三维显示和三维图像处理。第一，CT，即断层成像。（未知）图像经过物理过程转化为信号，信号通过数学变换完成图像重建，这是图像和信号的互相转换过程。若是射线穿过被探测物体，则信号强度变化，有公式如下：，其中N为光穿过介质后的光强，N0为穿过介质之前的光强，为线性衰减系数，为介质的厚度。Fourier变换也在CT中起着重要的作用，时空域通过Fourier变换（FT）转换成频域，频域可通过逆Fourier变换（IFT）转换成时空域。代数重建法就是在反投影过程中将数据平均分配回去，也正是因为“平均”分配，反投影效果不明显，图像可能不清晰。因此出现了新的图像重建方法FBP—滤波反投影，但是它的要求较高，要求投影数据必须完整。第二，三维显示，也称立体显示。分为两种，分别是面绘制和体绘制。其中，体绘制又称直接绘制，顾名思义，它是通过计算机采集三维数据集然后对三维数据的每个像素进行绘制。着重讲了光线投射算法。计算机的存储单位是字节，灰度的1像素占1字节，彩图的1像素则至少占3字节，若色深是32位，则说明有8位代表透明度。在光照模型中有漫反射、完全镜面反射，而一般情况下都是非完全镜面反射。具体过程当时没听太懂，只知道方法中用到的梯度都是通过中心差分来求的。第三，三维2图像处理。它在医学上的应用尤其广泛。如由CT、MR等设备扫描得二维切片数据，然后经过三维图像处理可得到组织或器官的三维形状，其实也就是重建的过程。三维重建相比于体绘制而言，硬件要求低、处理速度快，很适合应用于医学。图像处理、重建需要计算机的帮助，曾老师介绍了两个算法：MarchingSquares算法和MarchingCubes算法。其中，前者的主要手段是阈值分割，目的是找出目标，通过灰度直方图和确定阈值得到新的二值图。MarchingCubes算法也称等值面提取或移动立方体算法。稍高深的内容没听懂，在此也不展开叙述。老师还总结了图像编程三层次：（1）PS，三维软件如VG++、3DMED；（2）Matlab（自带三维显示）（3）C/C++是基础，在此基础上通过运算平台CUDA进行体显示，通过openGL进行面显示，通过openCV对图像进行二维处理。以上是六位老师讲的大体内容，由于我对胡小兵老师的智能算法较感兴趣，因此听课之后看了老师给的一些材料，将内容总结如下。蚁群算法（ACO）是受蚁群集体行为的启发而提出的、基于种群的模拟进化算法，属于随机搜索算法。其中一个重要名词是“信息素”。蚁群在寻找食物或寻找回巢路径的行动中，会在它们经过的地方留下一些“信息素”，这种物质使后到的蚂蚁最大可能地选择具有该物质的路径，而且后到者留下的“信息素”会对原有的“信息素”加强，如此循环下去，经过蚂蚁越多的路径，在后到蚂蚁的选择中被选中的可能性就越大。该过程进行下去一直到所有蚂蚁都走最短路径为止。蚁群算法的主要优点是采用了正反馈机制。蚁群算法的应用也很广，主要是很多组合优化问题。它通常被用于解决（1）调度问题，如车间作业调度问题（JSP）、车间组调度问题（GSP）（2）车辆路径问题，如限量车辆路径问题（CVRP）、分批配送车辆路径问题（SDVRP）、装货配送的车辆路径问题（VRPPD）等（3）分配问题，如二次分配问题（QAP）（4）设置问题，如覆盖设置问题（SCP）、多背包问题（MKP）（5）其他如图像处理、系统识别等等。还有一些常用的变异蚁群算法：（1）精英蚂蚁系统（2）最大最小蚂蚁系统（MMAS）（3）蚁群系统（4）基于排序的蚂蚁系统（ASrank）（5）连续正交蚁群（COAC）。除了蚁群算法，胡老师还介绍了粒子群优化算法（PSO），它是通过模拟鸟群觅食行为而发展起来的一种基于群体协作的随机搜索算法，属于群集智能（SI）。3PSO模拟鸟群的捕食行为，具体如下：一群鸟在随机搜索食物，在这个区域里只有一块食物，所有的鸟都不知道食物在哪里，但是他们知道当前的位置离食物还有多远，那么最优策略又是最简单有效的方法就是搜索目前离食物最近的鸟的周围区域。在此算法中，适应值（fitnevalue）很重要。所有粒子都有一个由被优化的函数决定的fitnevalue，粒子们追随当前的最优粒子在解空间中搜索。PSO初始化为一群随机粒子，然后通过迭代找到最优解，在每一次的迭代中，粒子通过跟踪两个极值来更新自己。第一个就是粒子本身所找到的最优解，称为个体极值pBest，另一个是整个种群目前找到的最优解，是全局极值gBest.也可以不用整个种群而只是用其中一部分最优粒子的邻居极值，它是局部极值。算法流程如下：1.初始化一群微粒，包括随机的位置和速度；2.评价每个微粒的fitnevalue；3.对每个微粒，将它的适应值和它经历过的最好位置pBest作比较，如果较好则将其作为当前的最好位置gBest；4.对每个微粒，将它的fitnevalue和全局所经历的最好位置gBest作比较，如果较好则重新设置gBest的索引号；5.根据定义的方程变化微粒的速度和位置；6.如未达到结束条件（可为足够好的fitnevalue或达到一个预设的最大代数Gmax）回到第2步。随着PSO的不断发展，其应用范围也在不断扩大。如利用PSO实现对卫星无线网