关键词： 探究性学习   美术鉴赏   美术课程   教学设计  

摘要： 随着社会的发展和知识的更新,人们对学习的需求日益增强,探究性学习方法能够促进学生进行深度学习和自主学习,对应用探究性学习方法提出了新的要求。探究性学习方法在美术课程中的广泛运用,需要通过学生的自主实践和探究来培养学生的主动性和创造性思维,激发学生的兴趣与潜力,增强学生的探究能力。在美术鉴赏课程中进行探究性学习,发扬学生主动探究的优势,激发学生的对“美”的好奇心和学习主动性,让学生获得发现问题、提出问题、解决问题的能力,让学生成为学习的主体,健全学生的人格,进一步全面发展。 本文通过研究国内外学者关于探究性学习方法在高中美术鉴赏课程中的成果和不足之处,以万州区上海中学高中美术鉴赏课程应用实践为例,将高中美术鉴赏课程与探究性学习方法有机结合,从探究性学习方法在高中美术鉴赏课程中实施的可行性及现实问题进行分析,以《不同的歌声》一课为例,归纳探究性学习方法在高中美术鉴赏课程中实施的理论基础和设计原则。总结探究性学习方法在高中美术鉴赏课程中的成果,充分发挥教师的引导作用,建立平等和谐的师生关系,合理运用美术教材,为使用探究性学习方法进行美术研究提供有价值的启示。

摘要： 阅读不仅是对文本的理解，更是与文化、时代和个体心灵的深度对话。《平凡的世界》作为一部以现实主义笔触描绘时代变革与个体命运的经典之作，为我们提供了广阔的阅读空间。小说中人物在困境中坚守理想、追求尊严的故事，不仅反映了时代的动荡与人性的光辉，也对读者的人生态度、社会责任感产生深远影响。通过角色分析、主题研讨、心灵共鸣等多重路径，我们可逐步探寻文学作品的多层次内涵，从而在心灵成长与社会认知的旅程中，找到属于自己的方向。

关键词： 弱监督学习   标签不完全   神经网络   支持向量机  

摘要： 弱监督是指在训练过程中使用相对较为不精确或不完备的标签信息来指导模型学习。相对于监督学习,弱监督学习更加灵活,并且更符合实际场景中标注数据的获取难度。本文针对以下两种数据情形下的弱监督问题展开研究,分别是少量数据标签已知是负类和少量数据标签已知但不止一个类别。 对于第一种数据情形,深度支持向量描述(Deep Support Vector Data Description,Deep SVDD)是常用的一种基于支持向量机的深度模型,它是一种有效的异常检测方法,特别适用于具有大量正常样本和相对较少异常样本的情况。但是Deep SVDD仅使用正类数据建模,没有利用所有的数据信息,这也导致它的分类边界无法体现出间隔最大化的思想。此外,它的求解算法不够精确,使用正类样本经神经网络映射后的均值作为超球中心,然后通过分位数回归估计超球半径,这样得到的分类器参数值是不够精确的。为解决上述问题,本文提出了可解释小球大间隔网络(Interpretable Deep Small Sphere and Large Margin Network,ID-SSLMN)。模型的主要思想是首先利用神经网络将可获得的数据映射到高维空间,然后在高维空间中构建一个超球。这个超球可以将正类样本包裹在球内,将负类样本排除到球外。该模型在训练时加入了少量可获得的负类样本,通过最大化正类样本与负类样本之间的间隔来更加细化分类边界。此外,受可解释神经聚类方法的启发,本文还探索了一种新颖的算法。通过将分类器参数融入到神经网络中,用来解决模型参数问题。通过统一的反向传播来求解网络和分类器的参数。这种方法不仅能同时更加精确求解所有参数,还能让神经网络最后一层参数具有可解释性。本文的算法为基于距离的深度学习方法的参数精确估计提供了新的见解。另外,本文在2个模拟数据集,3个图像数据集和4个UCI数据集上比较了所提出的方法与其他7种方法的曲线下面积(AUC)值。其中ID-SSLMN取得了最先进的结果,在CIFAR10数据集上的AUC值相较于Deep SVDD方法平均提升了22.44%。 对于第二种数据情形,程序性弱监督是较为先进的一类模型,它的关键挑战是如何有效地聚合不同来源的弱信号。对抗标签学习(Adversial Label Learning,ALL)是一种标签模型和终端模型联合学习的程序性弱监督框架,它的模型性能依赖于分类器模型的参数化,而且该模型需要为不同的数据集寻找合适的误差边界,模型泛化能力较差。本文针对上述情况提出了L2对抗标签学习框架(L2Adversial Label Learning,LALL)。它假设可获得关于数据标签的一些弱信号。模型的主要思想是利用弱信号构建一个可行标签约束空间,然后在这个空间内通过损失最大化学习一个质量最差的标签(对抗标签),再利用对抗标签通过损失最小化学习一个质量最好的分类器。本文使用L2损失作为训练的损失函数,然后为约束添加松弛变量,使得模型可以自适应地调整约束边界的大小。此外,本文还考虑弱信号会放弃标记一些样本的情况,这样的设置更符合实际生活可获得的弱信号。最后,本文使用逻辑回归和支持向量机这两种模型作为终端分类器,提出了基于逻辑回归的L2对抗标签学习方法(L2 Adversial Label Learning with Logistic Regression,LALL-LR)和基于支持向量机的L2对抗标签学习方法(L2 Adversial Label Learning with Support Vector Machine,LALL-SVM)。这两种方法在7个数据集上进行了数值实验,其中LALL-LR在MNIST数据集上相较于原来的ALL模型ACC值最大提高了10.45%。

关键词： 可穿戴行为识别   在线学习   特征自适应   半监督学习  

摘要： 随着社会老龄化进程的加快,慢性病已经成为困扰人们健康的主要因素。一些慢性病在发病初期会导致个体行为发生变化,对日常行为进行实时监护有助于及早发现健康异常并提供及时的医疗干预。可穿戴行为识别的低功耗、非干扰特性使其成为实时、长期日常行为监护的一种重要手段。传统的可穿戴行为识别模型是在静态和预定义传感器配置的离线模式下训练的,无法适应特征动态变化的学习环境,而特征自适应学习能够根据不断变化的特征空间进行学习,可以有效实现模型的自适应更新。因此,本文主要研究面向可穿戴行为识别的特征自适应学习方法,重点解决可穿戴行为识别面临的以下两个挑战:1)在现实动态的环境中,数据通常以流的形式出现,可穿戴传感器动态地出现和消失,特征空间出现动态演化,导致预训练模型失效;2)演化数据流具有实时性强和数据量大等特点,导致数据标注难度大、成本高,少量带有标记的数据不足以构建一个表现良好的行为识别模型。 本文针对上述两个挑战展开研究,具体的创新如下: (1)针对传感器数目变化导致的特征空间发生相应变化的问题,提出了一种面向完全标记特征演化流的在线学习方法,以实现完全标记场景下的特征自适应行为识别。该方法主要由基于对冲反向传播的在线深度学习方法、基于类别一致性的特征空间生成策略以及基于加权组合的集成预测方法三部分构成。基于对冲反向传播的在线深度学习方法采用对冲反向传播在线更新分类器,并根据数据流的复杂性学习最优的模型深度,实现从浅层模型到深层模型的转换。基于类别一致性的特征空间生成策略利用演化阶段新旧特征空间共存数据建立生成模型,以便在旧特征空间消失后利用新旧特征空间之间的关系来恢复消失的旧特征空间,从而利用旧模型中学习到的知识。基于加权组合的集成预测方法通过结合新旧特征空间的预测结果来得到最终的预测结果。在三个数据科学数据集和三个可穿戴行为识别数据集上的实验结果表明,该方法具有更高的行为识别准确率。 (2)针对特征演化数据流实时性强和数据量大导致的数据标注难度大、成本高的问题,提出了一种面向部分标记特征演化流的在线半监督学习方法。该方法主要由基于Tri-training的在线伪标签生成策略以及基于特征生成的自适应加权预测两部分构成。其中,基于Tri-training的在线伪标签生成策略在数据流的初始标记阶段构建多样化的初始模型,旨在通过不同的模型结构减少预测风险。随后在数据流的无标记阶段利用构建好的初始模型以在线的方式生成可靠的伪标签,降低标签稀缺环境下数据标注的难度和成本。基于特征生成的自适应加权预测通过特征生成策略恢复消失的特征空间,并将新旧两个特征空间的预测进行加权组合。在三个数据科学数据集和五个可穿戴行为识别数据集上的实验结果表明,该方法在减少了大量标签需求的同时,能够达到与有监督方法相比类似的行为识别准确率。 (3)基于以上研究成果,本文构建了一个特征自适应的可穿戴行为识别系统。该系统能够利用可穿戴设备收集到的数据构建行为识别模型,实时识别用户当前行为;同时,支持可穿戴设备的动态增加和删除,动态适应特征空间的动态变化。本文通过不同的设备采集了四名受试者在真实场景中的六种日常行为,通过两个现实场景中的应用实例验证了该系统的有效性和可用性。

关键词： 深度强化学习   历史轨迹   时序自注意力   轨迹相似对比   自监督任务  

摘要： 随着近年来人工智能领域的快速突破与发展,人工智能领域中各个方向也都随之发展。其中,深度强化学习(Deep Reinforcement Learning,DRL)是以强化学习作为基础,结合深度学习技术所形成的新兴技术,以强化学习的序列决策能力以及深度学习的特征处理能力相结合,解决了过去存在的许多缺陷并取得显著的成效。研究人员发现强化学习采样的历史轨迹是由两个维度构成,横向维度为时间,纵向维度为轨迹,从时间维度分析,每条历史轨迹中的样本之间具有时序关系;从轨迹维度分析,所有轨迹之间存在相似关系。然而,深度强化学习模型无法直接处理其中的时序信息,造成强化学习训练效率低的问题。而且强化学习算法无法学习历史轨迹间相似信息的表征,导致智能体无法区别历史轨迹间的相似性,造成环境探索能力低的问题。 因此为解决以上问题,本论文主要以深度强化学习为基础进行研究,对于历史轨迹如何处理其中的时序信息以及学习其中的相似信息,分别提出了时序自注意力模型和轨迹相似对比的方法,并在仿真的迷宫和小车控制环境取得较好的效果,对现实的路线规划和智能体控制有一定的方法指导: (1)基于时序自注意力的强化学习方法。从横向角度分析,发现轨迹之间的时间步长不相同。针对历史轨迹时序信息处理复杂的问题,设计时序自注意力模型对时序信息进行处理。该方法能够处理历史轨迹的时序信息,并输入到强化学习算法中训练。与目前主流强化学习模型方法相比,提高强化学习的训练效率,在多个训练环境中缩短50%以上的训练回合数。 (2)基于轨迹相似对比的强化学习方法。从纵向角度分析,发现难以定义不同轨迹对之间的相似信息。针对历史轨迹相似信息表征困难的问题,以历史轨迹的先验知识作为切入点,基于对比学习构建自监督任务,以此学习表征历史轨迹间的相似信息。该方法基于轨迹相似对比的自监督学习,构建的自监督任务,能够学习区分轨迹间的相似性,并利用轨迹间的相似度设计内在奖励函数,激励智能体探索不同的轨迹。通过实验分析与验证,所提出的方法能够提高智能体的环境探索能力。

关键词： 苏轼   人生的审美化   人才美学  

摘要： 人才美学作为美学的重要内容之一在当今社会具有较强的理论价值与实践意义，人才学思想与美学思想均具有悠久历史，而对人才美学的学习也可从我国的悠远历史获得一定的启发。其中，本文将选取诗、词、散文、书、画的集大成者苏轼作为探究对象，从苏轼具有的文字之美、艺术之美、为人之美、处事之美四个角度入手，分析苏轼的美学成就，尝试论证苏轼人生的审美化表现，结合他身上具备的人才特质，进一步得出苏轼其人对人才美学学习的启示意义，以更好地理解人才美学的内涵，并应用人才美学的思想指导我们的现实生活。