关键词： 红花   采摘机器人   深度学习   YOLOv5s   识别成功率  

摘要： 为实现农业复杂环境中红花的快速准确识别，提出了一种基于深度学习方法的改进YOLOv5s红花目标检测算法。在YOLOv5s基础上融入适配GPU的轻量Ghost模块，获得复杂度更低、网络推理速度更快的基线模型，将CBAM注意力机制嵌入基线模型，增强了小目标物在高频特征中的表现力，并通过建立一种基于边界框宽和高差值的Focal-EIoU损失函数，提高红花在不同遮挡情况下的识别率。最后，在并联式红花采摘机器人上开展红花识别试验，验证改进算法的可行性和可靠性。结果表明：改进后的YOLOv5s模型相较于原始模型在mAP值上提高了1.94个百分点，模型参数量和单幅图像检测速度分别为3.52 MB和0.06 s/幅，红花采摘机器人视觉系统的平均识别成功率可达89.92%。

关键词： 小样本学习   转导推理   数据扰动   按特征线性调制变换  

摘要： 针对目前小样本图像分类推断置信度有待提高的问题,提出一个新的结合元置信转导推理、数据混淆方法和按特征线性调制方法的模型.首先,利用转导推理在训练过程中能学习到推断数据的性质,可以有针对性地学习;其次,在网络结构中结合数据混淆方法,加强对关键特征的提取,提升模型的特征发现能力;最后,在转导推理框架中加入按特征线性调制变换以改进模型的小样本查询能力.在标准数据集Mini-ImageNet和Tiered-ImageNet上进行实验的结果表明,该模型在这两个数据集上执行5-way 1-shot任务时准确率分别提升了3.21,3.36个百分点,在5-way 5-shot任务上准确率分别提升了2.89,1.89个百分点.实验结果验证了该方法的有效性.

关键词： 类增量学习   神经坍塌   少数坍塌   动态扩展结构  

摘要： 类增量学习中的新旧类不平衡导致少数坍塌发生,旧类的识别能力降低.现有方法通常基于经验调整深度特征空间中类别间的几何关系以避免少数坍塌,缺乏理论指导.神经坍塌从理论上揭示了类别间的最佳几何结构——等角紧致框架.受此启发,本文提出了一种名为持续构造神经坍塌的方法来解决少数坍塌.该方法通过紧致损失和等角损失来约束形成等角紧致框架结构.然而不平衡数据分布导致全局质心估计不准确和旧类之间约束困难,进而导致上述两个损失无法充分施展其效果.为此,本文进一步提出了分类器向量辅助模块和难例采样模块来分别解决上述两个问题.实验结果表明,本文提出的方法有效诱导了神经坍塌的发生,并且在CIFAR100和ImageNet数据集上都超过了当前最优方法 .

关键词： 复变函数与积分变换   教学设计   学习方法  

摘要： 针对复变函数与积分变换课程内容抽象,理论性强,学生难以保持学习热情和兴趣的问题,在绪论课中围绕学生学习新课程时感兴趣的问题,进行了相应地教学设计.通过精心选取和引入的几个专业案例,搭建工科数学与专业理论课程的桥梁,使学生从一开始就能意识到本课程对后继专业的重要性,激发学生学习本课程的兴趣.同时,介绍了适合本课程特点的学习方法.

关键词： 产业政策   企业全要素生产率   文本分析   机器学习  

摘要： 全要素生产率是经济增长可持续性的重要表征,是经济高质量发展的动力源泉。提升全要素生产率对开启全面建设社会主义现代化国家新征程有着重要的战略意义。产业政策是政府引导绿色创新战略、加快推进供给侧结构性改革、促进产业结构调整升级的重要政策工具,如何通过优化产业政策来提高企业全要素生产率是现代化产业体系建设的重要课题。结合传统计量与机器学习方法,从政策内容、政策目标和政策手段3个角度,系统地探讨产业政策选择对企业全要素生产率的影响效应。基于2007~2020年1 238家上市公司的实证研究表明,产业政策内容、目标和手段的差异对企业全要素生产率有着不同影响。研究发现:政策内容中公共服务、资金投入、目标规划、金融支持、消费补贴等政策的出台能够促进企业的全要素生产率,海外机构管理政策的出台则抑制企业全要素生产率的提高;政策目标中产出目标设定对企业全要素生产率有抑制作用,而能效目标和劳动生产率目标则对企业全要素生产率有促进作用;政策手段中税收优惠和政府补贴对企业全要素生产率均有促进作用。从重要性排序看,政策手段作为对企业的直接干预,对企业全要素生产率的影响排在前列,其中,税收优惠对企业全要素生产率的影响最大,政策补贴次之;再次是目标规划政策的出台,进一步肯定了中国政府制定的发展规划对企业发展的重要影响;随后是公共服务,说明政府对公共服务的重视程度对企业全要素生产率也有着重要影响;排在第5、第6位的是消费补贴和资金投入,随后是海外机构管理;排名第8~10位的依次是能效目标、劳动生产率目标和产出目标。对比线性回归和机器学习方法,两者结论基本一致,但机器学习方法的拟合优度、均方差误均优于线性回归,有助于提高产业政策效应分析的准确性,其适用于产业政策选择决策场景。本研究可为提升政府政策决策智能化水平、强化政府治理能力提供文献支撑和分析工具。

关键词： 三相配电网   电压控制   深度强化学习   物理模型   变流器  

摘要： 分布式光伏的大量并网加剧了配电网节点电压的幅值波动与三相不平衡程度，传统算法在面对三相不平衡配电网电压控制问题时存在求解速度和最优性方面的不足。基于此，该文提出了一种面向三相不平衡配电网电压控制的物理模型辅助式深度强化学习方法。首先，重点考虑光伏并网逆变器的无功调节能力、储能的充放电有功调节能力与其变流器的无功调节能力，构建了融入节点电压幅值偏差和电压三相不平衡度抑制的配电网电压控制模型。其次，针对该三相非线性耦合控制问题，本文提出的物理模型辅助式深度强化学习算法将储能的充放电物理特性引入到强化学习算法中，确保了在离线训练和在线决策过程中均不会出现储能载电量偏离可行域的现象。最后，采用IEEE三相123节点算例验证了所提方法的有效性。

关键词： 公共行政   问责   中国话语   制度   自律   关系  

摘要： 近年来,我国公共行政学者围绕问责这一概念开展大量研究,但不同学者对于问责这一概念的理解不尽相同,这不仅可能会阻碍概念的科学化与规范化发展,也不利于经验研究的开展与中国话语体系的构建。为此,本文首先梳理西方公共行政学界的问责概念,认为“契约—等级”的关系差异是造成中西方问责概念差异的原因,在此基础上,借助文献梳理和逻辑演绎,归纳总结我国公共行政领域的问责研究中主要呈现出的四种理解向度,即作为机制的问责、作为制度的问责、作为关系的问责与作为自律的问责,并对这四种理解的主要特征进行了论证,尝试厘清问责这一概念的本质与特征。这四种理解既可以作为一项“元框架”,塑造具有共识性的问责概念,同时也为政治学与行政学的分野提供了新的考察视角。期待这四种理解能协助我国公共行政学者积极发现问责实践、挖掘问责经验、发展问责理论,为构建中国问责话语体系作出原创性理论贡献。

关键词： 预算维护   近质心近邻   核方法   在线分类   标签噪声  

摘要： 核方法被开发用于处理在线分类中的非线性分类问题，计算核函数时为了避免支持向量的数量随数据流而无限增加，近年来发展了预算维护算法。现有的固定预算的核分类算法在分类性能上会受标签噪声的严重影响。为了解决该问题，提出一种基于kNCN的标签噪声在线核学习方法。当缓冲区达到预算规模时，该方法利用kNCN原则为缓冲区内每个支持向量找到k个近质心近邻点，通过计算它们之间的局部标签不一致性来构建删除候选集和锚点集，再对删除候选集内所有实例建立试错模型，在锚点集上检验试错模型的分类准确率，从而判断哪个支持向量最应该从缓冲区中删除，实现固定预算的维护。人工合成数据集和真实数据集上的实验结果表明，本方法在固定预算的感知机和被动攻击算法上的应用，在标签噪声场景下有效提升了分类性能，在6个数据集上的综合排名优于其他对比算法。

关键词： 隐结构   约束隐结构   辨证规则   中医证候  

摘要： 目的：通过设计约束隐结构分析方法解决经典隐结构分析得到规则中分值与语义不相符问题，将主症、次症作为约束语义加入分析过程，得到更符合语义的辨证规则。方法：将主症、次症约束语义用条件概率表示，加入隐结构分析的寻优过程，采用块坐标梯度上升方法进行寻优，能够得到含有主症、次症约束的辨证规则模型，即约束隐结构分析。结果：通过设计约束隐结构分析方法，并将其用程序实现加入到隐结构分析软件（孔明灯）中，针对胃肠湿热的症状数据，分别使用隐结构和约束隐结构进行对比分析，结果显示，约束隐结构方法得到模型规则能较好地反映主症、次症的特点，不存在分值过大、过小或为负分的情况，较经典隐结构得到的规则更符合中医理论，也更具有真实量化意义。结论：约束隐结构分析是经典隐结构分析方法的改进，能得到符合主症、次症约束语义的辨证规则，有助于中医辨证论治的推广应用。

关键词： 算子学习   多尺度   偏微分方程   空洞卷积  

摘要： 自然界中存在各种各样的多尺度现象，如湍流、微结构材料、气泡与颗粒相互耦合等问题，针对此类问题建模，使用的偏微分方程模型也会表现出多尺度特征.算子学习作为一种利用深度神经网络求解偏微分方程的新兴范式，在泛化性和计算效率方面展现出巨大优势.然而现有的算子学习模型在针对多尺度偏微分方程进行求解时存在频率选择问题，即无法有效学习高频信号.为此本文基于卷积神经网络和DeepONet，提出了两种新的网络模型CDeepONet和DC-DeepONet，两种模型分别采用普通卷积和空洞卷积的方式，专门用于多尺度偏微分方程的求解，可有效捕捉多尺度问题中的高频特征.本文以多尺度泊松方程和多尺度达西流方程为例进行实验，实验结果表明，相对于原始的DeepONet，我们提出的DCDeepONet的平均相对误差减少了88%.