关键词： 蛋白质相互作用   蛋白质结合位点   表示学习   图神经网络  

摘要： 蛋白质是生物体内重要的大分子有机化合物,它们通过相互作用构建复杂的蛋白质相互作用网络,参与了细胞内各种生物学过程。解析蛋白质相互作用,对理解生物调节机制以及设计用于疾病治疗的蛋白质和药物具有重要意义。然而,随着新型蛋白质的快速涌现,使用传统基于实验的方法来检测蛋白质相互作用和注释蛋白质结合位点已经越来越困难。 目前,利用机器学习和深度学习方法推动蛋白质相互作用的研究得到了广泛关注。在这一领域中,蛋白质的表示学习起到了至关重要的作用。然而,单一蛋白质知识源难以获得丰富的蛋白质特征表示。相比单一蛋白质知识源,多蛋白质数据源含有更多的信息量,但多蛋白质数据源间存在数据不一致、数据缺失和不均衡等问题。因此,论文研究了面向蛋白质相互作用的表示学习方法,以期提高蛋白质相互作用和结合位点预测准确性。具体而言,论文的研究内容包括以下几个方面: (1)提出了一种新的联合网络对齐和链接预测算法(Local optimization-based joint protein-protein interaction prediction and network alignment,Lo NALP),实现更精准的蛋白质网络对齐与相互作用预测。针对单一蛋白质相互作用网络表示学习中面临的信息不完全、易受到节点变化的影响等问题,Lo NALP利用生物网络领域中相互作用预测和网络对齐内部关联性和相互促进的特点,通过对齐跨物种网络以改善蛋白质相互作用预测并反向补充跨物种网络对齐。此外,Lo NALP利用局部动态规划实现全局对齐的优化,实现更好的网络对齐与链接预测。实验表明Lo NALP在预测蛋白质相互作用网络方面表现出色,具有较好的鲁棒性和泛化能力。 (2)提出了一种基于多知识嵌入的蛋白质对比表示学习算法(Protein Contrastive Representation Learning with Multi-knowledge Embeddings,Pro-Co RL),用于实现蛋白质相互作用类型预测。针对从单一领域提取蛋白质知识无法完全描述自然蛋白质以及有标记的蛋白质导致的数据有限问题,Pro-Co RL利用对比学习从未标记的多知识数据样本中学习更有效的特征表示。同时,考虑多知识间数据的不一致性,Pro-Co RL使用拉格朗日乘数平滑目标函数,提高训练的稳定性。Pro-Co RL在预测蛋白质相互作用类型和聚类蛋白质家族方面取得了高准确性和稳健性。 (3)提出了一种基于层次图表示学习的蛋白质结合位点预测算法(Hierarchical graph representation learning for accurate prediction of protein-protein interfaces,HGRLPPIS),用于更进一步理解蛋白质相互作用。针对蛋白质存在天然的层次结构,HGRLPPIS构建了一个三层图结构,包括蛋白质相互作用网络、蛋白质图和原子图,并采用Transformer实现了信息在这三个层次之间的有效传递。通过引入基于类原型的图神经网络训练方法平衡了训练数据,从而提高了蛋白质结合位点的预测精度。实验表明,该方法相对于现有方法能够更有效地识别蛋白质相互作用位点,为生物信息学和蛋白质研究领域的发展提供了新的方法和思路。 综上所述,论文的研究为蛋白质相互作用的表示学习提供了新的方法和思路,提高了蛋白质相互作用预测和结合位点预测的准确性和稳定性,有望为蛋白质的研究提供新思路,推动其在药物开发和生命科学领域的进一步应用。

关键词： 主题意义   小学英语   项目化学习  

摘要： 为了打造开放性的小学英语课堂，有效培养学生的英语核心素养，本文对项目化学习进行了概述，分析了当前小学英语教学中存在的问题，同时详细阐述了基于主题意义探究的小学英语项目化学习优势，包括激发学生的英语学习动机、增强学生的合作学习意识等。之后提出基于主题意义探究的小学英语项目化学习策略，通过斟酌驱动问题、结合主题情感、创设主题情境、设计项目任务等措施，引领学生突破学习障碍，促进学生个性化成长。

关键词： 机器声音状态监测   自监督学习   多任务学习   对比学习  

摘要： 在第四次工业革命的背景下,机器声音状态监测作为一种关键的智能维护技术,在工厂自动化中占据重要地位。通过对机器设备进行声音状态监控与分析,可以较早的发现机器故障,消除安全隐患,避免生产事故,并且能够有效降低维护成本和延长设备使用寿命。值得注意的是,声音信号作为非接触式检测手段,无需预先设定特定监控组件或指标,从而提供了一种更为全面且灵活的监测方案。 然而,通过声音信号对机器状态监测具有一定挑战性,诸如只有正常声音数据、数据存在域偏移和域泛化等难题。本文为了应对上述问题,采用自监督学习策略深入挖掘并充分提取机器声音的内在表征信息。同时,构建了自监督多任务学习框架,该框架包含辅助任务和下游模型两个核心部分。在辅助任务阶段,整合运用预设的任务分类器以解决正常与伪异常声音数据太相似和太不同的难题,并设计了专门针对同一机器不同属性信息区分性的辅助任务分类器,以提取更具区分性的表征信息。在下游模型环节,针对每台机器选择合适的内建模型;此外,本研究还提出了一种动态权重优化策略,其主要是根据各任务分类预测准确率动态调整权重,以此提升整体性能。 进一步地,本文发现自监督分类方法在处理非平稳机器声音信号时,其预测准确率与声音异常程度之间并不具备预期的强相关性问题,本文运用对比学习策略以增强两者间的关联性。通过对比学习架构,引导模型深入解析并精确捕捉非平稳声音信号中的复杂结构特征及微妙变化差异,确保预测准确率能更准确地反映声音异常程度。文中详细阐述了在自监督多任务学习中对机器分类模块和属性分类模块所进行的辅助任务重构设计,并就对比学习任务权重优化问题进行了深入探讨,通过定性分析揭示了不同任务权重参数对模型性能可能产生的潜在影响。系统性地比较了各种任务权重组合下的模型表现,并细致剖析了各项任务权重对最终结果的具体影响。同时,将模型提取的表征在多种状态监测算法的默认配置下,仍展现优异性能,验证了其有效性。最终,本研究所提出的方法在AUC和p AUC评价指标上相较于现有集成模型最优方法平均提升了8.1%,验证了其在机器声音状态监测领域的显著效果与先进性。

关键词： 跨模态检索   在线哈希学习   语义增强   一致性保持   关联挖掘  

摘要： 随着多媒体技术、智能设备及社交媒体的飞速发展,海量的多媒体数据在互联网中不断生成和积累。针对这些海量大数据,如何高效地检索出所需信息成为当前研究热点。跨模态哈希学习作为一种高效的近似最近邻检索方案,因其出色的存储和检索效率而受到广泛关注。该方案能够实现不同模态数据间的快速检索,现已在静态封闭环境下取得较为优越的检索性能。然而,随着跨模态检索扩展至开放动态场景,传统的基于批处理模式的跨模态哈希学习方法难以适应动态流式数据的实时检索需求。因此,在线跨模态哈希方法应运而生,其旨在为持续增长的流数据在线生成哈希码,并实时更新哈希函数以适应数据的动态变化。尽管现有的在线跨模态哈希方法已取得了一定的进展,但仍面临诸多挑战:1)如何习得更具语义区分度的监督信息,以指导哈希码的生成与更新,从而缓解语义挖掘不充分的问题;2)如何校正训练过程和检索过程之间的不一致性,进而协调两者,以提升模型的泛化性能;3)如何挖掘新旧数据块间的样本关联,以平衡累积知识的遗忘与新增数据的适应性更新;4)如何有效处理流数据类别分布变化导致的离群样本敏感问题,以提高模型更新过程的鲁棒性。 本文围绕大规模流数据场景下的在线跨模态哈希学习展开深入研究,针对上述关键问题,从监督和无监督两种学习范式出发,系统地设计了五种在线跨模态哈希方法。其主要研究内容如下: (1)针对现有方法标签类间关联不明确,以及多模态协同训练和跨模态独立检索过程不协调的问题,提出一种基于双一致性保持的在线跨模态哈希学习方法。一方面,该方法引入特征与标签的互补学习,生成连续语义标签和细粒度相似性图,更好地挖掘样本类内、类间关系,从而实现多模态流数据的语义一致性保持;另一方面,该方法设计模态级的偏移校正机制来弥合跨模态独立检索时的模态缺失问题,实现多模态协同训练和跨模态独立检索之间的一致性。 (2)针对现有方法语义可区分性不足,以及细粒度哈希码训练和粗粒度相似检索过程不协调的问题,提出一种基于判别性增强的在线跨模态哈希学习方法。该方法利用哈达玛矩阵来增强原始标签的判别性,并通过整合多重约束条件和关联关系,将基于哈达玛矩阵的辨别性语义信息嵌入到公共海明空间中。此外,该方法提出在训练过程中学习自适应比特权重,并将其传递到检索过程中,从而弥合细粒度训练和粗粒度检索之间的鸿沟,提升哈希码的可区分性和判别性。 (3)针对流数据语义偏移导致的累积知识记忆不长久的问题,提出一种基于原型生成更新的在线跨模态哈希学习方法。该方法首先通过抽取模态特异属性和模态共享属性来学习语义保持的公共表示。随后,基于所学的公共表示设计加权原型生成更新策略,结合阈值决策与选择性重聚类,高效识别并保存累计数据中的关键信息,从而有效地缓解了流数据在线训练中的遗忘问题。此外,该方法还设计了基于原型的语义嵌入和非对称相似保持来促进哈希学习过程,提高哈希码的全局适应性。 (4)针对新增数据与累积数据间关联挖掘不充分问题,提出一种基于层次矩阵分解的在线跨模态哈希学习方法。该方法对数据特征进行针对性的分解和重构,通过整合多重约束和学习策略来构造鲁棒正交基、多模态特定表示和统一公共表示,从而有效且高效地构建多模态流数据样本之间的关联关系,平衡对累积数据的记忆和对新新增数据的适应。此外,该方法还提出样本级校正机制,通过设计语义自编码器来构建样本特征和哈希码之间的关联关系,从而提高训练过程和检索过程之间的协调性,优化模型的泛化性能。 (5)针对新增数据块规模较小,类别分布变化导致的模型更新过程不鲁棒,提出一种基于双重结构保持的在线跨模态哈希学习方法。一方面,该方法利用结构化稀疏缓解模型对离群样本的敏感性,实现对全局结构的保持;另一方面,该方法利用多模态融合的邻域样本进行样本重构,使得所学公共表示更好地表征多模态信息,实现对邻域结构的保持。此外,为了缓解对累积数据的遗忘问题,该方法提出在新旧数据上联合优化,并设计相应的更新策略提高算法的训练效率,实现高效的在线检索。

关键词： 轻度认知障碍   特征选择   集成学习  

摘要： 背景　　随着我国正式进入老龄化社会，与年龄密切相关的疾病—轻度认知障碍（MildCognitiveImpairment,MCI）造成的问题日益严重。及时识别MCI的高风险人群，并采取精准化的预防干预措施，对于提高老年人的生活质量、减轻居民医疗负担以及促进健康老龄化具有重要意义。然而，之前的研究很少有采用集成学习的方法构建中国老年人MCI的预测模型。　　目的　　本研究旨在通过多种特征选择算法识别对于老年人MCI影响较大的因素，并构建包括Bagging、Boosting、Stacking在内的不同类型的集成学习模型，从而早期识别MCI的高危人群，为老年人MCI的精准防治提供科学的依据。　　方法　　本研究使用来自中国老年健康影响因素跟踪调查（ChineseLongitudinalHealthyLongevitySurvey,CLHLS）2000-2002，2002-2005，2005-2008，2008-2011以及2011-2014年的5波数据，将数据合并后选择≥60岁且基线认知功能正常的参与者用于分析，2014-2018年的数据用于外部验证。中国版简易精神状态量表（ChineseversionofMini-MentalStateExamination,CMMSE）用于评估参与者的认知功能，对于文盲、接受过1-6年教育以及接受过6年以上教育的参与者，分别使用CMMSE得分lt;18、lt;20以及lt;24分定义轻度认知障碍，并搜集人口统计学、生活方式、心理因素等相关信息作为预测因素。使用递归特征消除-随机森林（RecursiveFeatureElimination-RandomForest,RFE-RF）、Boruta、互信息（MutualInformation,MI）、极限随机树（ExtremeTreesClassifier,ETC）四种特征选择算法对预测因素重要性排序，选择每种算法识别出的变量重要性排名前10并且单因素分析具有统计学意义的预测因素用于模型的建立。　　构建包括Bagging、Boosting和Stacking在内的不同类型的集成学习模型。建立属于Bagging算法的随机森林（RandomForest，RF）模型;建立属于Boosting算法的自适应提升（AdaptiveBoosting，Adaboost）模型;建立了两层的Stacking集成模型，第一层基模型包括Logistic回归、线性判别分析（Lineardiscriminationanalysis,LDA）、K最近邻（K-NearestNeighbor,KNN）、朴素贝叶斯（Na?veBayes,NB）四种模型，第二层元模型为Logistic回归模型。　　采用一致率（Accuracy）、精确率（Precision）、召回率（Recall）、F1分数（F1-Score）、受试者工作特征曲线下面积（AreaUndertheReceiverOperatingCharacteristic,AUROC）、精确率-召回率曲线下面积（AreaUnderthePrecision-RecallCurve，AUPRC）、交叉验证等指标和方法评价模型性能。数据的分析以及可视化基于Python3.9.7和R4.1.0软件实现。　　结果　　在14521名基线认知功能正常的参与者中，有1882名（12.96%）在随访期间出现轻度认知障碍。参与者的平均年龄为81.1岁（标准差:10.7），51.5%为女性，54.7%未接受过正规教育。单因素分析发现，38个预测因素中有32个与轻度认知障碍之间存在统计学关联。　　四种特征选择算法对38个预测因素根据重要性排序后，其结果不尽相同，前10个预测因素中只有3个（年龄、基线CMMSE、看电视）是四种特征选择算法共同识别出的重要预测因素。RFE-RF、Boruta、MI识别出的重要性排名前10的预测因素中，单因素分析均具有统计学意义，而ETC识别出的重要性排名前10的预测因素中，“孩子的数量”这一预测因素单因素分析不具有统计学意义。　　模型的表现方面，ETC+RF在一致率、召回率、F1分数、AUROC和AUPRC指标方面，达到了最佳，分别为0.919、0.779、0.856、0.971和0.940;而精确率指标方面，ETC+Adaboost达到了最佳，为0.966。整体来看，四种特征选择算法中，ETC表现最为优异，而Bagging和Boosting集成学习算法表现优于Stacking集成学习算法。　　当使用2014-2018年的数据用于外部验证时，ETC+Adaboost在一致率、精确率、F1分数、AUROC指标方面达到了最佳，分别为0.897、0.984、0.801和0.901;而RFE-RF+Adaboost在召回率和AUPRC方面达到了最佳

关键词： 轴孔装配   运动规划   视觉定位   柔顺装配  

摘要： 在工业生产过程中,机器人被广泛应用于各种装配场景,轴孔装配是其中的典型和关键任务。随着制造业逐渐向智能化、柔性化发展,装配任务的不确定性增大,以示教为代表的机器人位置控制已难以满足任务要求,这对机器人的运动和装配技能提出了新的挑战。在运动过程中,机器人可能与环境障碍发生碰撞,部分场景还要求在跟踪预定任务轨迹的同时满足避奇异、避关节极限等约束。在装配过程中,机器人需要自主定位工件,对于复杂工件的视觉定位需要精心调试参数或大量样本训练,视觉定位的部署效率较低。当工件接触后,由于工件配合面各方向的形状和刚度可能不同,使得接触情况十分复杂,装配时容易发生卡阻。因此,如何保证机器人运动的安全性和高效性、提高工件视觉定位的部署效率和接触操作的柔顺性是轴孔装配任务的重要问题。 为此,本文依托科技创新2030—新一代人工智能重大项目“灵巧操作技能的运动规划与协调控制”,面向3C领域的轴孔装配任务,围绕机器人的灵活运动技能与柔顺装配技能学习,开展兼顾安全与效率的机器人避障运动规划、考虑装配特征的工件视觉定位、适配复杂接触情况的机械臂柔顺装配等研究,旨在增强机器人运动过程的安全性和高效性,提高机器人装配任务的部署效率和柔顺操作能力,对提升机器人智能化水平以及生产线装配能力具有重要的科学意义和实际应用价值。本论文的主要工作如下: (1)融合引导路径与强化学习的机械臂运动规划。针对当前基于深度强化学习的机械臂运动规划方法训练耗时较长、训练效率随规划精度提高而降低的问题,提出一种融合引导路径与强化学习的机械臂运动规划方法。设计基于引导式强化学习的机械臂运动规划框架,主要包含基于位置伺服的引导运动规划和基于深度强化学习的避障运动规划两部分。其中,引导运动规划可引导机械臂往目标点运动,避障运动规划可避开工作空间的障碍,充分发挥了传统运动规划方法的高效率优势和深度强化学习方法的高灵活性优势,二者共同作用可实现机械臂快速到达目标点且不与障碍物发生碰撞。 (2)考虑多约束任务的冗余机械臂反应式避障。针对机械臂在工作时除了需要跟踪任务轨迹,还需满足避障、避奇异等多种约束,提出一种考虑多约束任务的冗余机械臂反应式避障方法。在分析冗余机械臂多约束运动规划的基础上,针对零空间项构建了基于深度强化学习的避障策略学习框架,在状态空间中引入了每个连杆与最近障碍的距离向量,使得状态空间与障碍物分布解耦。动作空间采用零空间自由向量,避免了对任务预轨迹的影响。奖励函数综合考虑了各项约束并进行了定量表达,使机械臂能够学习多约束下的避障策略。通过两阶段的零空间避障训练方法,加速了学习效率,最终实现了机械臂在跟踪任务轨迹的同时避开环境中的障碍物,并尽可能保持较高的操作灵活性以避免奇异。 (3)基于装配特征点的工件视觉定位方法。针对神经网络提取的图像特征语义不明确、部署效率较低的问题,提出了一种基于装配特征点的工件视觉定位方法。通过定义工件的装配特征点,并对其进行图像表征,可将工件定位问题转为图像回归问题,此基础上设计了工件装配特征点估计网络P2HNet以进行视觉定位。由于神经网络训练需要大量数据样本,考虑人工采集数据和标注的繁琐,进一步提出了一种域随机化训练策略。通过搭建虚拟轴孔装配场景,在仿真渲染环境中训练,再迁移到真实场景中,可大大减少数据采集与标注的工作量,提高了 P2HNet网络的部署效率。 (4)基于位姿同步调整的机械臂柔顺装配策略。针对3C领域常用接插件在装配过程中容易发生卡阻的问题,提出一种基于位姿同步调整的机械臂柔顺装配策略。建立机械臂装配位姿调整的双层控制框架,上层轨迹生成器包含基于改进螺旋搜索的装配位置调整和基于高斯混合模型的装配姿态调整,用于产生机械臂下一步的期望位置与姿态,底层阻抗控制器用于接收上层指令并产生与环境柔顺交互的行为,保证装配过程的安全。基于位姿同步调整的机械臂柔顺装配策略能够保证装配过程的安全性和成功率,顺利完成多种RJ45、D-Sub等3C接插件的装配。

关键词： 非侵入式负荷分解   因子隐马尔可夫模型   长短期记忆神经网络   注意力机制   粒子群优化算法  

摘要： 智能电力系统是典型的复杂系统,具有非线性和高维的特征,在深化能源结构调整和增强需求侧管理中发挥着举足轻重的作用.非侵入式负荷分解是智能电网高级量测体系中的重要组成部分,通过收集电力总线处总负荷信息,分析出单个负荷的细粒度电能消耗情况.该技术可深入分析用户的用电信息,向用户提供用电行为指导意见以及优化电能供配网络结构,对智能电网系统的调度规划、部署运维及运行安全具有重要意义.目前的非侵入式负荷分解算法精度还不够高,研究不够充分,难以满足实际场景下的应用需求.本文针对上述问题,在研究了非侵入式负荷分解的基本原理和方法的基础上,结合隐马尔可夫模型、深度神经网络等模型提出了新的负荷分解方法,具体研究内容如下: 第一部分,针对基于传统隐马尔可夫模型(Hidden Markov Model,HMM)的负荷分解算法难以精确捕捉设备的多种运行状态以及之间的转换关系,造成多状态设备分解精度较低的问题,提出了一种基于因子隐马尔可夫模型(Factorial Hidden Markov Model,FHMM)的负荷分解算法.该方法利用高斯混合模型(Gaussian Mixture Model,GMM)聚类获得不同用电设备的工作状态序列及其对应的功率序列.随后,与FHMM模型相结合,将传统HMM模型中一条复杂的组合链分解成多个低维简单链,提高模型的计算效率.最后,针对Baum-Welch算法容易收敛于局部极值的问题,将线性递减权重的粒子群优化算法引入到FHMM的参数训练中,提高了分解的精度. 第二部分,针对传统负荷分解算法难以考虑功率序列的时序相关性问题,提出一种序列到序列(Sequence to Sequence,Seq2Seq)模型用于实现负荷分解.该模型综合了卷积神经网络(Convolutional Neural Networks,CNN)在特征挖掘方面的优势,以及双向长短期记忆神经网络(Bi-directional Long-Short Term Memory,Bi LSTM)在捕捉时序依赖关系以及长序列记忆方面的优势.在此基础上,将注意力机制引入到网络结构中,增强模型对于数据间时序依赖关系的敏感程度,同时增强对重要特征信息的关注程度.最后,采用粒子群优化算法对网络的超参数进行优选,获得最为合适的超参数组合,增强模型在负荷分解问题中的表现. 建立上述负荷分解模型后,以家电负荷数据集AMPds2和UK-DALE中的不同用电器为研究对象设计了实验,以验证本文所提出模型的可行性、泛化能力,并与其他模型进行对比,展示其在负荷分解任务上的优势.

关键词： 新课改   写作教学   评价策略  

摘要： 新课改的持续深入，对学生语言、思维能力和综合素养提出了更高要求，语文课堂教学评价也越来越受到重视。小学高年级写作教学评价，应调整评价内容，不断创新教学手段，在案例应用中探究评价策略，更好地适应新的教育理念，培养学生的创造力和实践力。