关键词： 地震预测   时空序列   深度学习   ETAS模型   ConvLSTM  

摘要： 地震预测是根据地震活动的规律和观测数据,估计一定时间范围内特定地区发生地震的概率和强度。虽然它是减轻地震灾害影响的有效手段,但仍然存在重大困难和挑战。传统的传染病型余震序列模型(Epidemic-Type Aftershock Sequence model,ETAS)依赖于震后应力触发理论,可以描述地震事件之间的相互作用。然而,它忽略了一些地震特征,并且难以准确预测尾部事件。近些年来,许多成功的深度学习模型用于时空地震序列的预测,卷积长短期记忆(Convolutional Long Short-Term Memory,ConvLSTM)在地震预测领域已经取得了重要进展,不过它仍然具有改进和完善的地方。因此,本文基于以上所提到过的两种模型,ETAS模型以及ConvLSTM,通过研究两种模型的各自优势,将经验统计模型与深度学习模型相结合,提出了一种名为CL-ETAS的模型,以此来提高时空地震序列预测的准确率。 首先,本文深入探讨了ETAS模型的理论框架及其所具备的独特优势。ETAS模型,巧妙地将Gutenberg-Richter定律、Utsu定律和Omori定律融合为一个统一的霍克斯(点)过程。这一整合不仅凸显了地震活动内在的复杂性和关联性,而且通过模型化地震事件之间的触发机制,使得每一次过去发生的地震(特别是那些震级超过特定阈值的地震)都能够按照统一的规律去触发后续的地震活动。过去的许多研究和分析已经证明了如ETAS模型等聚类模型,它们能够更精确地捕捉地震活动的动态特征和演变规律,进而提供更为准确的地震预测结果。然而,尽管这些模型在地震预测领域取得了不小的进展,但它们仍面临着一些挑战和限制。例如,这些模型在解释某些中心地震的特征时显得力不从心,同时地震活动的许多统计物理特征也尚未得到充分的解释和阐述。 随后,本文又研究了ConvLSTM的理论以及优势。通过基于对卷积神经网络(Convolutional Neural Network,CNN)和长短期记忆网络(Long Short-Term Memory,LSTM)的研究,施行健在CNN和LSTM的基础上提出了ConvLSTM。Fuentes和Alex González在研究智利大地震时,提出了多列卷积长短期记忆(Multi-column Convolutional Long Short-Term Memory,MConvLSTM),该模型除了ETAS强度函数值之外,还考虑了过去的地壳速度值作为协变量,他们证明了ConvLSTM与其他模型相比在地震预测问题上为更加准确的模型。 最后,本文提出了一种新颖的复合模型,称为CL-ETAS模型,它结合了ConvLSTM和ETAS模型的优点。该模型利用ConvLSTM提取时空特征和处理非线性和非平稳数据序列的能力,同时还结合了ETAS模型可以考虑地震活动变化的周期性反映、概率预测和震源区相互作用的特点。本文分析了该模型所涉及的深度学习理论,依据美国南加州地区的真实地震数据进行了实验验证与分析。结果表明,本文的模型优于传统的ETAS模型和单独使用ConvLSTM,在预测准确性、稳定性和可解释性方面表现出显着改进。本文的模型为复杂系统中的时空预测问题提供了一种新颖、有效且通用的解决方案,对未来的地震预测具有重要的启示和建议。

摘要： 水资源是人类生存和发展的基础。水资源的分布受到多种自然因素的影响，如气候变化、地形特征等，这些因素决定了水资源在空间和时间上的差异；水资源的利用方式与地区的经济、农业及工业发展状况密切相关。在高中地理学科学习中，同学们应学习掌握水资源的分布规律，了解不同地区的实际情况，以及所采取的科学管理和利用方式等相关知识。

关键词： 无监督表征学习   前置任务预测   对比学习   多任务协同优化   视频语义理解  

摘要： 表征学习作为计算机视觉领域中重要的研究方向,旨在通过数据驱动的机器学习算法,来探索原始数据的深层语义结构。传统监督表征学习由于标注成本高、扩展性差以及处理大规模数据计算能力不足等问题,被限制了进一步发展。为了减少对标注数据的依赖,自监督表征学习开始尝试从大量的无监督数据中挖掘潜在监督信息,为寻求探索一种更加通用的表征学习模型提供了可能。早期的自监督表征方法借助构造的多种任务在图像有关的下游任务中展现出了巨大潜力。而相比于图像来说,视频数据作为多维信息的集合体,由于涉及的维度更广、跨度更大,因此表征学习面临的挑战也更困难。本文主要从多个角度开展自监督视频表征学习模型研究,根据视频时空结构具有的多重约束关系进行了如下探索: (1)针对视频复杂环境中的时空信息冗余问题,从视频自身的稳定时空结构角度,提出了时空一致性增强的自监督视频表征对比学习方法。该方法从数据固有的结构出发,进行改变时间序列顺序和增强空间运动特征操作。通过比较时空特征的变化,使模型在不借助额外辅助任务的帮助下,获得了可靠的语义信息,从而提升整体的表征学习能力。实验验证了通过内部时空结构的探索,视频表征学习的有效性。 (2)针对视频背景信息与运动属性的相互影响问题,从视频特征空间的可分离性角度,提出了时空特征解耦的自监督视频表征辅助任务学习方法。该方法将视频片段解耦为两个维度的独立子空间,分别对编码信息进行空间背景与运动属性的语义特征比较。同时,借助前置预测任务获取到的监督信息来促进模型更具通用性的训练。实验验证了两个独立子空间与前置任务在视频表征学习中协同优化的有效性。 (3)针对视频长短进程序列的逻辑关系忽略问题,从视频连续序列的关联性角度,提出了时空特征上下文判别的自监督视频表征辅助任务学习方法。该方法将原始视频片段分别进行上文和下文的特征比较来学习时序结构特点,并利用与增强片段的特征比较进行空间语义感知。同时,通过时空预测任务协助进行表征模型的训练。实验验证了模型在上下文全局与空间局部多任务判别特征的有效性。 (4)针对视频判别过程中运动无关帧的干扰问题,从视频不同视图的运动一致性角度,提出了时空运动视图聚合的自监督视频表征辅助任务学习方法。该方法利用同一视频不同视图的相关性进行了运动属性的一致性对齐。同时,根据特征间的相似性将运动幅度较大的片段进行了同一视频、同一片段和同一顺序的区分。实验验证了运动视图对齐与特征判别间多辅助任务对于提升视频语义理解的有效性。 (5)针对相似度高序列导致的子动作难以区分问题,从视频运动特征的相似性角度,提出了时空密集序列对比的自监督视频细粒度表征学习方法。该方法通过构建网络模型来依次进行长视频空间和时间密集特征的提取。同时,对相似度高的连续片段完成了嵌入特征与高斯分布的逐帧优化。实验验证了密集序列对比对于自监督表征学习进行细粒度时空特征判别的有效性。

关键词： 有意义学习   中学地理   学情分析策略  

摘要： 地理学情分析是地理课堂中各项教学预设活动能够顺利实施的基本保障,是确定学生地理学科核心素养发展空间与培育方式的重要参考。研究地理学情分析有助于地理教师增进自身专业能力,把握学生发展现状,提高课堂教学质量。地理学情分析的提出与发展离不开学习理论、教学理论等的奠基,其中,奥苏贝尔的认知同化学习理论(也称作“有意义学习理论”)对其影响显著。为理清有意义学习理论对地理学情分析的指导作用,本研究提出以下问题:一是为什么要开展关于学情分析的研究?二是地理学情分析的现存问题有哪些?三是如何基于有意义学习完成地理学情分析?为回答上述问题,本研究将理论研究与实证研究相结合,最终得出地理学情分析的实施策略。 本研究主要包含以下内容:首先,从基础教育课程改革、教育教学改革、学业测评变革三个角度论述研究背景;指明基于有意义学习开展地理学情分析的理论意义与实践意义;整理有意义学习、地理学情分析的国内外相关文献,总结研究成果和有待深入的问题。其次,界定有意义学习、地理学情、地理学情分析等核心概念,分析有意义学习理论、系统科学理论、传播理论、最近发展区理论等对本研究的指导作用。再次,围绕“地理学情分析”这一主题,通过文本分析法研究地理教育教学三大刊物中2021年至2023年的107篇高中地理教学设计文本,借助访谈法对来自6个省份的10位高中地理教师开展访谈。内容分析与实践调研相结合,总结得出当前地理学情分析存在以下问题:分析内容窄化,轻视技能素养,缺乏针对性;分析方法单一,忽视文本资料,缺乏科学性;分析作用有限,难以贯穿全程,缺乏关联性。然后,针对研究评述的相关问题以及地理学情分析的现存问题,提出基于有意义学习的地理学情分析应遵循学科性、针对性、科学性、关联性等基本原则。明确地理学情分析的实现策略是:依据课程标准,明确教学要求;参照教材文本,细化分析内容;运用科学方法,获取认知现状;联系课堂教学,发挥学情效用。最后,根据所提原则与策略,以人教版地理选择性必修1的“海—气相互作用”为例设计教学案例。

关键词： 消息传递   属性网络   表示学习   注意力机制   图神经网络  

摘要： 社交网络、学术网络、生物网络和交通网络等网络数据(又称图数据)能够充分建模复杂系统中实体之间的交互关系。这些图结构数据中常常蕴含着大量有待挖掘的属性信息,称为属性网络。属性网络表示学习旨在将原始网络数据中高维稀疏的拓扑信息和属性信息映射到低维的向量空间,从而获得对下游任务有用的特征表示。随着深度学习技术日益成熟,属性网络表示学习逐渐成为图数据挖掘领域中一个值得深入研究的方向。基于消息传递的图神经网络是研究属性网络表示学习的主流方法。本文分别从节点、边、高阶和子图等不同粒度开展研究,解决当前基于消息传递的属性网络表示学习方法存在的问题与挑战。主要研究内容和创新性成果如下: (1)针对同构属性网络表示学习方法中图注意力机制的高复杂性问题,提出了一种基于消息注意力机制的图神经网络。首先,将消息划分为两种类型,即自身消息和邻域消息。邻域消息来自中心节点的邻居节点,而自身消息来自中心节点本身。然后,设计了一种轻量的图注意力机制,自适应地揭示节点自身及其邻域消息之间的不同贡献。最后,采用浅层且高效的线性传播来聚合来自远处邻居的消息,从而获得更广泛的邻域接收范围。在同构属性网络基准数据集上的实验结果表明,所提出的轻量级消息注意力机制能够提升模型的分类能力,且相比原始图注意力网络计算效率大大提升。此外,通过消融实验和可视化实验分别验证所提出的模型各个组件对整体模型的作用、分析不同模型的表示能力。 (2)针对同构属性网络表示学习方法在具有异配性的同构属性网络中存在的邻域消息混杂问题,提出了一种基于虚边消息传递的图神经网络。首先,充分考虑属性网络的异配性,提出虚边消息传递机制,直接将消息从二阶邻居传递到目标节点,避免来自一阶邻居的干扰。然后,设计了基于实边和虚边的消息注意力机制以自适应地获取来自实边邻域和虚边邻域的消息。最后,采用了残差连接,以增强节点自身的特征并缓解过平滑问题。在具有同配性和异配性的同构属性网络基准数据集上验证所提方法的有效性。实验结果表明,所提出的方法能够适配同构属性网络中的异配性问题,减少了消息混杂带来的噪声,从而提高了模型的分类能力。 (3)针对异构属性网络表示学习方法中手动提取元路径复杂且容易忽略远程消息的问题,提出了一种基于高阶消息传递的异构图神经网络。首先,将不同类型节点的特征通过异构线性变换操作映射到相同的特征空间。然后,经过基于网络模式的聚合方式进行异构消息传递,迭代地聚合和更新异构网络中节点的特征表示。最后,为了获取高阶消息,提出了一种高阶消息传递机制,自适应地聚合来自不同阶数的邻域消息。高阶注意力机制可以给不同阶数的邻域消息赋予不同的权重。在异构网络基准数据集上验证所提自适应高阶消息传递机制能够有效提升异构网络节点分类能力。 (4)针对异构属性网络表示学习中存在节点标签分布不平衡问题,提出了基于子图消息传递的异构图神经网络。首先,设计了一种关系感知的标签传播算法,通过标签传播算法获得异构图中节点的伪标签。然后,采用基于类型注意力机制的双层聚合方式,用于不同关系子图之间的异构消息传递,并采用不同的不平衡策略减轻异构网络中的分类偏差。最后,将关系感知标签传播和双层聚合组合成一个多目标优化问题,以端到端的方式训练整个模型。在异构属性网络基准数据集上进行不平衡节点分类任务。实验结果表明,所提出的方法能够有效缓解不平衡问题带来的分类偏差。

关键词： 小样本   元学习   多特征集匹配   高维多目标优化   数据增强  

摘要： 皮肤癌是人类常见癌症之一,而某些特定种类皮肤癌由于其较低发病率,导致样本收集工作较为困难,识别这些少量样本所代表的特定种类皮肤癌是一个典型的小样本问题。元学习使得模型能够在仅有少量样本的情况下迅速调整其参数,以便快速适应新任务能力,然而直接使用其进行小样本皮肤癌学习时存在着训练样本质量和分布上的多样性和复杂性、单一特征的表示在细节捕获不足等问题。本文针对以上两个问题,提出了基于高维多目标优化的小样本皮肤癌元学习方法研究。本文的工作主要包括以下研究内容: (1)由于现有公共皮肤癌数据集中样本存在的质量不均和分布偏差问题,这导致元学习模型在预训练阶段容易过拟合。本文针对这一问题,提出了基于高维多目标优化样本增强的小样本皮肤癌检测方法,旨在通过增加样本多样性和均衡类别分布来强化训练效果。此外,本文还提出了一种新颖的优化算法,该算法利用离散分组交叉策略,有效地求解了模型的多目标优化问题,进一步提高了检测性能。 (2)传统元学习模型中的单一特征表示法难以充分捕获皮肤病变图像的关键细节,如颜色、纹理和形状等,这些细节对于准确分类皮肤病变至关重要。本文针对这一问题,提出了一种基于集合特征增强的元学习皮肤癌检测方法。首先通过交叉注意力机制加深对模型关键区域的理解,而增强的特征向量集合通过构建一个特征向量的集合来捕获图像的多维信息,提高了处理复杂分类任务的精度和鲁棒性。此外,本文引入了两种新颖的集合间匹配度量方法:平均最小匹配度量与加权最小距离匹配度量。以在特征集层面精确评估相似性和差异性,从而优化了模型性能。 (3)开发了一款基于元学习的皮肤癌检测系统,该系统整合了本文提出基于高维多目标优化的小样本皮肤癌元学习检查模型。在进行了细致的用户需求分析后,系统被设计为包括登录、任务处理、模型选择和结果展示等核心功能,旨在简化用户操作流程。系统利用PYQT5优化的用户界面与高效的后端模型紧密集成,不仅提供了直观易用的操作体验,还能有效地展示检测结果,大大提升了系统的实用性和用户便利性。