摘要： 理解和掌握知识、技巧的关键，在于让学生明白学习的价值，激发学生的学习热情，并培养学生的主观学习推动力。基于主题意义探究的小学英语学习进阶是学习方法的适应性，能够使得教师更好地理解和掌控教学内容，从而增强课程的教学成果，并且能够协助学生通过英语学习获取学科的关键能力。小学英语教师在教学过程中，按照学习进阶发展原则，

摘要： “情境”一词在《义务教育语文课程标准(2022年版)》中出现50余次,其重要性不言而喻。但在课堂实践中,情境“有头无尾”“似有实无”等现象不在少数;对情境的学理认知和场景应用,也存在不少盲点和误区。究竟应如何创设情境促进学生核心素养的发展呢?以下几点至关重要:情境,是联结概念理解与生活应用的桥梁。核心素养的要义是学生能将课堂中学到的知识、技能、策略、

关键词： 半监督学习   双阈值筛选   特征相似一致性  

摘要： 在少量有标签数据和大量无标签数据的情况下进行有效学习是深度学习中的一个突出问题。现有的半监督学习方法通常考虑预测值超过固定阈值(0.95)的无标签数据,并丢弃小于固定阈值的数据。本文认为这些被丢弃的数据占较大的比例,并属于较难学习的样本,如果使用得当,将有利于模型训练。并且这些半监督学习方法往往忽略了有标签数据与无标签数据之间分布不匹配的问题,或是没有充分利用到特征层的有效信息。本学位论文正是为处理以上问题来展开的研究,具体工作如下: (1)提出了基于双阈值筛选与相似学习的半监督学习(Boosting Semi-supervised Learning with Dual-Threshold Screening and Similarity Learning,DTS-Sim L),它包括两个核心设计:双阈值筛选策略和相似学习。除了固定阈值外,DTS-Sim L从有标签数据中提取了类自适应阈值。类自适应阈值可以对预测值低于固定阈值但高于类自适应阈值的无标签数据进行重新筛选,并用于模型训练。另一方面,本文设计了一种新的相似学习算法,对所有高度相似的无标签数据进行相似学习,从而进一步从无标签数据中挖掘出有价值的信息。最后,为了更加有效地训练模型,本文通过对四种不同类型的数据分配四种不同的损失来构建一个整体损失函数。并在CIFAR-10、CIFAR-100、SVHN、MiniImage Net和Domain Net-Real五个基准数据集上进行了大量实验。实验结果表明,该方法可达到优异的分类精度。 (2)提出了称为特征相似一致性与分布不匹配的半监督学习(Mismatched Semisupervised Learning with Feature Similarity Consistency,FSim C),该方法有效地利用了来自无标签数据语义层和特征层上的信息,并成功地应用于有标签数据与无标签数据分布不匹配的场景。在语义层,FSim C由两个分类器组成,分别用于预测无标签数据的伪标签和互补标签。通过交互对齐两个分类器预测的信息,使模型可以预测出更准确的伪标签和互补标签。然后,对两个分类器分别执行一致性正则化操作。在特征层,创建一个缓存来存储有标签数据的特征向量。接下来,分别在弱增强和强增强无标签数据的特征向量与缓存中的特征向量之间求得特征相似度向量。最后,在弱增强和强增强无标签数据所得到的特征相似度向量之间执行特征相似一致性。本文在各种基准数据集上进行了大量的实验,结果表明FSim C在分布匹配和不匹配的场景下都取得了出色的性能。

关键词： 近红外光谱   Stacking集成学习   回归分析   遗传算法   粒子群算法  

摘要： Stacking集成算法是一种将统计学理论知识与机器学习算法相结合的方法,通过将不同的算法结合在一起,发挥每个算法的优势来获得更佳的预测性能。近红外光谱数据属于高维数据,具有丰富的结构和组成信息,可以使用Stacking集成学习结合多个算法的优势去挖掘光谱数据与化学值之间存在的内在联系。Stacking集成学习的预测精度很大程度上受到个体学习器组合配置的影响,个体学习器的选择需从准确性和多样性两个方面考虑。当前很多研究都是人工选择模型组合配置,很难高效、准确地找到最优配置方案,影响了模型的预测精度。因此,为了优化Stacking集成学习选择模型组合配置的方法,本研究基于遗传算法和改进粒子群算法对Stacking集成学习方法进行改进。 （1）建立了基于遗传算法（Genetic algorithm,GA）改进的Stacking模型,对基学习器和元学习器组合优选。该方法采用玉米种子发芽率近红外光谱数据集,首先以7个模型作为待选基模型,其中包括随机森林、高斯过程回归、支持向量回归等,分别对每个基模型进行预处理方法优选。然后以其中4种预测效果稳定且精度高的模型为待选元模型分别建立Stacking模型,根据建模结果选出最优的基模型和元模型组合建立GA-Stacking模型,将GA-Stacking模型预测结果与单一模型以及人工选择模型组合的Stacking集成学习进行比较。结果显示,GA-Stacking集成学习模型的预测效果是最优的,R2为0.9022,RMSE为0.1100。人工选择模型组合的Stacking集成学习方法的预测精度低于GA-Stacking,其R2为0.8910,RMSE为0.1160。单一模型中预测效果最好的模型为SVR,其R2为0.8790,RMSE为0.1229,预测精度低于Stacking算法。 （2）提出了一种随机粒子群（Random Particle Swarm Optimization,r PSO）算法,基于r PSO对Stacking模型中基模型和元模型组合优选。将自适应增强（Adaptive Boosting,Ada Boost）、K近邻（K-Nearest Neighbors,KNN）、偏最小二乘回归、BP神经网络等9种模型构成模型池,利用r PSO算法从模型池中选择最佳的基模型和元模型组合构建r PSO-Stacking模型。使用玉米种子发芽率近红外光谱数据集进行验证。结果显示,r PSO-Stacking预测结果最好,其R2达到0.9247,RMSE为0.0983。PSO-Stacking模型的预测精度次之,R2为0.9198,RMSE为0.1015。未改进的Stacking模型预测精度低于上述两种模型,R2为0.8930,RMSE为0.1112。单一模型中效果最好的为PB神经网络,其R2为0.8702,RMSE为0.1226,预测精度低于所有Stacking算法。 实验表明,使用遗传算法选择的模型组合对Stacking集成学习模型改善了模型的过拟合情况,提高了基于玉米种子发芽率近红外光谱数据预测模型的精度。r PSO能有效提升粒子群的全局迭代寻优能力,使用r PSO算法选择的模型组合对Stacking集成学习模型预测性能有显著提升。研究为改进Stacking集成学习算法提供了一种行之有效的方法,提高了近红外光谱数据回归分析精度和鲁棒性。

关键词： 中学生   学习方法   二次函数  

摘要： 函数主要是研究两个变量之间的对应关系，可以通过解析式法、列表法和图象法进行研究，从这个角度入手，二次函数的学习只要牢记表达式，记住一些特殊点、特殊直线，学会画函数图象，会求函数表达式，即掌握了二次函数学习方法.本文中从正确认识二次函数入手，进而在二次函数解题技巧中一步步理解概念，掌握学习方法.

关键词： 高光谱图像分类   Transformer   多尺度光谱注意力   频域融合  

摘要： 相较于传统自然图像,高光谱图像具有更丰富的光谱信息。因此可以通过判别光谱信息的微小差异,以实现对诸如农田、森林、水域等地表覆盖的精确识别和分类。其在生物医疗、农业监测和城市规划等领域都具有广泛的应用前景。近年来,随着深度学习技术的迅速发展,许多深度神经网络的方法被提出,旨在增强对高光谱图像光谱-空间特征的提取,进而提高分类的准确性。然而高光谱图像大量的光谱波段不可避免地导致了信息冗余问题,进而增加了分类方法的计算负担,降低了分类效率。同时,高光谱图像的频域特性具有提取全局特征的潜力,在频域中,高光谱图像可以被表示为频率分量的分布,这些频率分量反应了高光谱图像整体的频率组成。现有的研究方法尚不能从频域角度充分挖掘并有效利用高光谱图像的全局特征。针对上述问题,本文提出了两种高光谱图像分类的频域深度学习方法,主要内容如下: (1)基于多尺度频域Transformer的高光谱图像分类方法:本文提出了一种带有频域Transformer的多尺度光谱注意力方法,该方法包括光谱-空间特征提取与频域融合分类两个模块。具体而言,光谱-空间特征提取模块采用多尺度二维卷积神经网络与多尺度光谱注意力来提取高光谱图像的光谱-空间特征并捕获长范围光谱依赖性。此外,频域融合分类模块设计了频域Transformer,利用快速傅里叶变换将特征从空间域转换到频域,有效提取了全局特征,降低了方法的时间复杂度。在三个高光谱图像数据集上的实验表明该方法可以充分提取高光谱图像的光谱-空间特征,有效提高了分类性能。 (2)融合高光谱图像与Li DAR数据的频域分类方法:本文进一步提出了一种融合高光谱图像与Li DAR数据的频域分类方法。该方法构建了一个双分支结构,分别处理高光谱图像和激光雷达数据。高光谱图像分支采用三维-二维深度可分离卷积提取其光谱-空间特征,而激光雷达数据分支则采用二维深度可分离卷积提取其高程特征。此外,构建了一个频域融合模块,该模块由傅里叶空间融合块和傅里叶光谱融合块组成,旨在从空间维度和光谱维度分别探索高光谱图像与激光雷达数据在频域上的相关性,从而有效融合两种异构数据的全局特征。在三个高光谱图像与激光雷达数据融合分类数据集上进行了实验,结果表明,该方法能够有效提取并融合两种异构数据特征,提高了分类准确性。

关键词： 高光谱图像分类   主动学习   聚类方法   原型学习   图卷积网络   自监督学习  

摘要： 得益于高光谱成像技术的发展,相比于传统光学图像,高光谱图像不仅具有更为广泛的空间信息,并且蕴含了丰富的光谱信息,能够辅助地物的精准辨别,因此,高光谱图像数据已被广泛应用于环境监测、生物检测、矿产勘探、军事侦察等与人类生活切实相关的领域。高光谱图像分类是高光谱图像解译的关键步骤之一,尽管已有大量的高光谱图像数据以供研究,但是高光谱图像的专业标注有限,即存在小样本的局限性,影响高光谱图像分类方法的分类性能,这是高光谱图像分类任务面临的一大难题。此外,未标记样本中蕴含着丰富的信息以待挖掘,现有的高光谱图像分类方法并未对大量未标记样本加以利用。并且,高光谱图像相邻波段的相关性较强,导致高光谱图像不同类别间样本的空间分布复杂交错,容易影响模型的分类性能。 因此,本文针对上述问题,研究面向高光谱图像分类的主动学习方法,以增强高光谱图像分类精度,并通过大量实验对本文所提方法的效果进行验证。具体的研究内容如下: (1)针对高光谱图像标记样本有限,现有方法通常未合理挖掘大量未标记样本信息,影响高光谱图像分类精度的问题,提出了一种基于聚类优化高光谱图像分类性能的主动学习方法。一方面,利用K-means聚类方法结合伪标签学习法对分类模型进行预训练,使得模型能够充分学习未标记样本中的特征表征;另一方面,基于改进的快速搜索和查找峰值聚类方法,对含有丰富信息的未标记样本进行采样并人工标注,以扩充有限的标记样本集;最后,使用扩充后的训练集对深度神经网络模型进行微调,以提高模型的泛化能力及高光谱图像分类精度。实验结果表明,相对于现有的主动学习方法,该方法能有效优化高光谱图像分类模型的分类性能。 (2)针对现有主动学习方法未针对高光谱图像复杂特性设计,导致采样效果难以保证,影响模型的分类准确率的问题,提出了一种基于图卷积网络与原型学习的高光谱图像分类主动学习方法。该方法通过图卷积网络结合原型学习对未标记样本的空间分布进行优化,以增强主动学习方法的采样效果;其次,对训练集中每类样本的原型进行迭代更新,通过比较原型样本与未标记样本间的相似性差异,以增强对未标记样本价值的评估效果,从而保证主动学习方法的采样效果,并提升有限标记样本下高光谱图像的分类准确率。实验结果表明,相对于现有的主动学习方法,该方法针对不同类型的高光谱图像分类模型的性能提升均有优势。 (3)针对现有基于伪标签学习的高光谱图像分类方法,容易因标签偏差,影响模型分类性能的问题,提出一种基于自监督学习优化高光谱图像分类性能的主动学习方法。本方法使用未标记样本对自监督学习框架进行预训练,使得特征提取模块在无需标签的情况下学习未标记样本的特征表征,以提高未标记样本的利用效率;其次,结合主动学习采样策略,对未标记样本进行采样及人工标注,扩充有限的数据集,并对分类模型进行微调,以此来提高模型的泛化能力,从而提高模型的分类效果。实验结果表明,该方法能有效增强高光谱图像分类模型的分类性能。

摘要： 基于问题解决的学习方法是一种以学生为中心的教学模式，以问题作为导向，强调学生通过自主探究和解决实际问题来推动知识和技能的学习。这种学习方法注重培养学生的思考能力、创新能力和合作能力。下面以教学中的两个实际案例探讨基于问题解决的学习方法在小学信息科技教学中的应用。案例一：制作新年小报老师：春节马上就要到了，同学们是不是要在春节的时候做新年小报呢？学生：是。