摘要： 在高中语文阅读教学中，我们要以学生为中心，以促进学生的发展和提升其综合能力为目标开展教学活动。其中，帮助学生培养自主学习能力是重中之重。自主学习能力是一项非常重要的能力，对学生个人的终身学习和发展具有重要的意义。在教学的过程中，我们要帮助学生掌握学习的方法，形成良好的学习习惯，关注其独特的学习体验，发挥引路人的作用，通过采用多种措施激发他们的学习兴趣，鼓励他们在学习和探索的过程中投入更多的精力，为其未来的发展奠定坚实的基础。在此，笔者就来谈一谈在阅读教学中引导学生自主学习的意义与策略。

关键词： 糖尿病预测   数据平衡   特征选择   集成学习  

摘要： 随着科技进步和经济发展,居民的生活水平不断提升,与此同时,各种慢性疾病越来越多发并困扰着人们的生活。糖尿病作为慢性高发疾病之一,前期没有明显症状不易发现,但它可能带来心脏病、肾脏病等多种并发症。本文利用机器学习中的集成学习方法构建糖尿病预测模型,帮助居民进行早期筛查、辅助医生诊断,以期降低病亡率及医疗资金的压力。 本文选取UCI数据库中的Pima-Indians糖尿病公开数据集,首先对数据集进行清洗和基本描述性统计分析,通过独立样本检验确定不同类别的样本数据存在统计性差异,对缺失值进行均值填充获得完整数据集。其次,通过ROS、SMOTE和ADASYN三种数据平衡方法对数据集进行平衡,以便机器能够从中准确学习分类特征而非倾向学习多样本类别的特征。在此基础上,通过混合特征选择法并基于6种方法的加权结果保留重要特征,完成模型构建数据集的获取。随后,通过平衡系数和聚类指数对交叉熵损失函数进行改进,并将其与XGBoost结合获取改进的XGBoost预测模型。最后,选取神经网络、Boosting和Bagiing思想各自的代表性算法BP、XGBoost、RF作为基模型,通过灰色关联和遗传算法计算并优化基模型权重,得到集成的BP-XGBoost-RF糖尿病预测模型。通过和单模型及其他集成策略模型比较,依据模型评价指标对本文提出的模型进行分析和验证。 研究结果表明,患糖尿病和未患糖尿病样本的数据特征存在显著性差异;在三种平衡方法中,SMOTE在多个模型上获得最佳表现;此基础上进行混合特征选择,保留了insulin、glucose、DFP、skin＿thick、BMI、age这6个有效特征。经过实验,数据平衡、特征选择后的数据集在同样的模型上效果优于原始数据集和未经特征工程的;而在同样的数据集下,改进的XGBoost算法相较于一般的损失函数具有更高的预测精度。最后,本文提出的BP-XGBoost-RF集成模型在糖尿病预测问题上的表现不仅优于单模型,也优于其他集成策略所构建的模型,在各评价指标上获得了更高的得分,证明该集成策略的有效性。

关键词： 原发性肝癌   肝细胞癌   机器学习   术中出血   逻辑回归算法   TACE   无复发生存期  

摘要： 原发性肝癌包括肝细胞癌、肝内胆管细胞癌,以及其它不常见的肿瘤,如混合型纤维板层性肝细胞癌。它是世界范围内最常见的的恶性肿瘤疾病之一,每年的新发病例及死亡病例都在攀升,像其它消化道肿瘤一样,这类肿瘤的特点具有起病隐匿、恶性程度高、侵袭转移快、生存期短,给社会和个人家庭都造成了经济负担及心理压力。肝切除术是目前所知原发性肝癌唯一可能治愈的治疗方法。尽管外科技术进步了,但这些手术在实施过程中出现大量失血的概率依然存在,而这是导致患者围手术期并发症及死亡率升高的重要因素。 目前越来越多的人工智能(AI)技术在医学领域应用,其中以机器学习算法最为突出。它通过利用大数据快速准确的诊断疾病或预测疾病治疗效果等被临床医生广泛应用。在本研究中,收集了大量与原发性肝癌患者术前、术中及术后辅助治疗相关的临床数据等一般基线资料并对患者进行长时间随访,研究了肝细胞癌根治术后行经肝动脉化疗栓塞术(TACE)患者的无疾病生存期等预后情况,进而利用机器学习多种模型算法同时依靠临床数据来预测原发性肝癌患者术中大出血情况,最后对其中较为可靠的模型算法进一步研究并验证其可靠性,为个体化治疗提供证据支持。 第一部分 经肝动脉介入治疗在预防肝细胞癌术后复发中的作用 目的:本部分收集了河北医科大学第四医院肝胆外科近年来对单纯行肝细胞癌根治术患者和根治术加TACE辅助治疗患者的临床资料,研究两组患者术后无复发时间、复发相关影响因素及辅助治疗的毒副反应,分析肝细胞癌患者术后行介入治疗的条件、必要性及应用价值,为患者的综合治疗提供更多的思路,也为规范肝细胞癌患者术后的辅助治疗提供更多有价值的参考依据。 方法:回顾性分析2018年5月-2020年5月行肝细胞癌根治性手术的285例患者资料,患者被分为研究组(手术+TACE)135例和观察组(单纯手术)123例。主要终点是无复发生存期(RFS);次要终点是安全性。采用多变量COX风险回归模型确定肝细胞癌根治术后辅助TACE治疗对患者预后的影响。 结果:两组患者3年无复发生存率结果显示具有统计学差异。结果提示:单纯手术组(观察组)无复发生存期中位数为13个月,手术+介入组(研究组)无复发生存期中位数为20个月。单纯手术组(观察组)复发率为67.5%(83/123),手术+介入组(研究组)复发率为51.%(69/135),P<0.05。单因素分析中具有统计学意义(P<0.05)的六项因素:年龄、吸烟、BCLC分级、主病灶直径大小、卫星结节、有无TACE,纳入COX风险回归模型进行多因素分析,结果显示年龄、吸烟、主病灶直径大小、卫星结节、有无TACE,为肝细胞癌患者术后复发的独立危险因素(P<0.05)。手术后辅助TACE的患者对治疗过程及药物反应耐受性良好,被认为与此治疗相关的最显著毒副反应是恶心呕吐(45.%)和短暂的肝损伤。 小结:肝细胞癌根治术后辅助介入治疗,可有效的降低术后复发率,延长患者无复发生存时间。年龄、吸烟、主病灶直径大小、卫星结节、有无TACE均为影响肝细胞癌患者术后复发的独立因素。术后辅助介入治疗方式是安全有效的。 第二部分基于机器学习算法的原发性肝癌患者术中大量出血预测模型的研究比较 目的:目前手术治疗仍然是原发性肝癌患者治疗的唯一根治性选择。由于肝脏器官的特殊性,在肝脏手术过程中失血成为手术过程中的主要限制因素。但目前缺乏此类患者术中出血情况分析的预测模型。本研究旨在以五种机器学习算法尝试模型的建立:Logist回归算法、K-近邻算法、决策树算法、随机森林算法、朴素贝叶斯算法,目的是从中选出一种最为有效、可靠的算法来建立原发性肝癌患者术中大量出血的预测模型。 方法:收集河北医科大学第四医院肝胆外科2016年5月-2020年5月行原发性肝癌根治性手术的465例患者资料,其中人口统计学参数包括性别、年龄等;实验室参数包括血红蛋白、血小板计数、丙氨酸转氨酶、总胆红素、直接胆红素、非结合胆红素、甲胎蛋白、癌胚抗原等;肿瘤特征包括病理分型、病灶数量等;并存病包括乙肝、肝硬化、腹水等共30项指标。根据出血情况分为两组,并按照7:3的比例分为训练集和测试集,之后比较Logist回归算法(LR)、K-近邻算法(KNN)、决策树算法(Tree)、随机森林算法(RF)、朴素贝叶斯算法(NB)五种不同模型的效能。 结果:研究共收集30种变量,将认为其中与术中大出血相关的25种标量纳入单因素分析,单因素分析结果中P<0.2纳入多因素分析,将P<0.05的纳入机器模型,发现其中的四个变量可作为预测原发肝癌患者术中大量出血的因素。这个四个变量为:腹水(OR值22.839,P值0.05)、饮酒史(OR 值 2.950,P 值0.015)、TNM分期(OR值2.441,P值<0.001)、ALBI评分(OR值2.361,P

关键词： 联邦学习   小样本学习   分布式机器学习   优化  

摘要： 随着信息与智能化技术的不断发展,传统的分布式机器学习越来越难以满足实际场景中的应用需求。究其原因在于复杂的分布式场景下,参与训练的各节点单元通常是典型小样本数据孤岛,同时各单元独占数据之间为非独立同分布(nonIID),即各单元数据域是相异的。这使得节点的样本数据呈现出分散异域小样本的表现形式,对模型的泛化性提出了极大的挑战。此外,传统的分布式机器学习在实际应用也同样面临着数据隐私泄露问题。为了提升分布式场景下模型的泛化能力,增强其面对新任务时的适应性表现,本文重点研究基于联邦学习架构的分散异域小样本协同学习方法。 首先,针对联邦学习在小样本non-IID场景下的泛化性能提升问题,设计了一种基于联邦自适应元优化的小样本分布式协同学习方法。在全局自适应优化基础上,于本地节点和全局更新环节引入了元学习机制,分别对本地模型快速适应性、全局模型泛化性和学习率适应性进行优化。构建了一组高度动态个性化的全局优化机制,通过参数化协同调度控制器决定每一轮次中接收的参数和梯度是否参与全局聚合。该学习方法在所选取的各项公开可用基准上获得了优异的性能表现。 其次,为了有效解决节点之间由于数据异构、样本量稀少带来的异域小样本数据挑战以及分散性带来的灵活性挑战,设计了一种基于动态联邦架构的二阶小样本学习方法。该方法通过结合二阶统计量以及功率归一化的相关技术构建了一种小样本学习优化策略,相比于一些经典的小样本学习优化策略在两个常用数据基准上获得了一定的性能提升。同时该方法对所设计的联邦自适应元优化方法进行动态适应性改进,并将构建的小样本学习优化策略嵌套进其中,用于本地节点的模型更新。经实验验证,该方法的泛化性获得了进一步的提升。 最后,通过融入所设计的小样本分布式协同学习方法,设计实现了一种基于联邦架构小样本学习的敏感图像识别系统。该系统主要包含客户端与服务器端两大模块。客户端模块主要包含本地模型训练、敏感图像识别以及结果分析三个子模块;服务器端模块包含训练过程管理模块、节点调度模块以及训练参数设置模块。该系统的主要功能为联邦学习全局模型生成以及使用该模型完成敏感图像识别任务,相关应用测试验证了系统功能的有效性。

关键词： 10米风场   预报订正   深度学习   U-Net   误差分解  

摘要： 新世纪以来,全球气候正发生着急剧变化,各种极端天气和气候事件频繁发生,对自然界造成极大伤害的同时也深刻影响着全球数十亿人的生活、生产和出行,因此对于各种气象要素的精确预报提出了更高的要求。西南地区地理位置特殊,地面状况复杂多变,由于各种主观和客观的原因相互交织叠加导致风场预报误差较大,近40年来该地区每年都会有很多地方受到不同程度的气象灾害,而风雹灾害是该地区最严重的气象灾害之一,所以对风场的精确预报是该地区急需的,为了能进一步提高该区域风场的预报技巧,本研究以10米风速和风向为对象,利用全球集合预报系统(GEFS)预报结果,使用递减平均(DAM)、一元线性回归(ULR)、卷积神经网络(CNN)、U-Net深度学习模型四种订正方法和多个检验方法开展统计后处理订正试验和评估,比较各个方法对于GEFS预报的改进情况。同时,为了对各个模型的预报误差做进一步诊断,探究各个模型预报的主要误差来源,提高模型的可解释性,通过均方差(MSE)分解方法将误差分解为偏差项(B2),分布误差项(D)和序列误差项(S),详细分析了各个模型对于各项误差分量的改进情况。本文得到的研究结论如下: (1)GEFS对风速和风向预报误差随时效逐渐增大;在各个时效下随时间变化存在着明显波动,且都在某些时刻出现极端异常值。在川西、川东、滇东和贵州境内的风速预报效果较差,在川中和滇西的风速预报效果较好,且对U场的预报优于对V场的预报;而在川东,滇西和贵州境内的风向预报效果较差,在川西和滇东的风向预报效果较好。 (2)四种订正方法对于风速和风向都有一定的订正效果。整体上,对于风速预报,四种方法在各个时效的改进都是正向的;对于风向预报,ULR、CNN和U-Net三种方法各个时效的改进都是正向,而DAM在1-4天时效的改进是负向的。从空间分布上看,四种模型对于风速预报都在川西、滇西和重庆东北部改进效果最好,在川东、滇西和贵州境内的改进效果最差,DAM、ULR和CNN在局部地区都存在一定的负改进,U-Net在研究区域内全部都为正改进;对于风向预报都在川西改进效果最好,在川东、滇东和贵州境内的改进效果最差,四种模型在局部地区都存在一定的负改进,U-Net的负改进范围最小。从时间变化上看,四种模型在大多数时刻对风速和风向预报都有较好的改进效果。综合来看,CNN和U-Net对风速和风向的改进效果明显优于传统的DAM和ULR方法;其中,U-Net的改进效果最好且随时间变化最为稳定,DAM相对最差。 (3)整体上,四种订正方法预报的MSE值随时效的变化与GEFS预报的MSE值随时效变化有相同的特点,都随时效的增大而增大,且MSE随时效的增加主要是S分量在增加。从空间分布上看,GEFS对于风速和风向预报在大部分区域的误差主要以S分量为主;四个订正模型对于风速预报在大部分区域的预报误差以S分量为主,对于风向预报,DAM模型以S分量为主,而ULR、CNN和U-Net模型以D分量和S分量为主。四个模型对于风速和风向预报的B2分量都有一定改进效果,其中DAM和ULR改进效果最好,其次是U-Net,CNN最差。CNN和U-Net对于1-5天时效下风速预报的D分量改进效果最好,而超过5天预报时效,各个模型的改进效果都较差;各个模型对风向预报的D分量改进都不理想。ULR、CNN和U-Net对风速和风向预报的S分量都有一定程度改进,而DAM几乎没有改进,其中U-Net对于S分量的改进效果最好,其次是CNN和ULR,DAM效果最差。