关键词： 科研众筹项目   违约识别   描述语气   递归神经网络   众筹平台“Experiment”  

摘要： 学术研究尤其是探索性学术研究作为一种高投入高耗时且伴随大失败概率的投资活动,通常是由国家主导社会受益。但随着研究领域的延伸和拓展,尤其是投融资活动的网络化与细分化,已逐步走进公众视野,并衍生出科研众筹项目。科研众筹即将众筹融资模式应用到学术研究的经费筹集环节,它可以在一定程度上破解当前研究经费筹集过程中存在的诸多问题,例如申请困难、过程繁琐、覆盖面小、自主性低等,给予学者更多的筹资渠道和更大的科研自主性。同时该项目存在不确定性大、高风险高回报的特点,因此,项目违约预测在科研众筹项目中尤其重要,其常用预测思路是,从已有项目属性和客观数据出发,通过相关预测方法具体开展。但其预测过程均忽略了所有科研众筹项目中包含的项目摘要描述,而这些描述通常来自申请人的主观认知,具备前瞻性和专业性,故兼顾项目摘要主观信息考虑的预测将进一步提高结果准确性,能形成“优币驱劣币效应”,优化科研众筹环境促进学术探索和技术创新。 为了实现上述目的,本文提出了一类基于文本描述语气数据的违约预测方法。其中,引入概率犹豫模糊元素对科研众筹项目摘要展示的不确定语气进行量化描述。犹豫模糊用于表示多个决策者在某一属性下对同一方案的评价值,可以从多值评价的角度对描述语气进行量化,并表示评价过程中出现的主观信息,实现对决策的不确定信息进行全面、细致的描述。概率犹豫模糊在其基础上进一步细化了多个评价值之间不同的倾向性。为了将这些主观信息融入违约预测模型,本文通过新构建的犹豫语气递归神经网络(HT-RNN)和概率犹豫语气递归神经网络(PHT-RNN)对混合新旧信息的科研众筹项目进行违约预测。递归神经网络(RNN)作为一种基于序列建模的人工神经网络,因为隐藏层中神经元相互连接的特点,在自然语言处理领域展现出了良好的性能,以神经网络及其扩展变体为代表的方法在风险识别中更是有着极为重要的应用。因此,本文提出了融入描述语气的HT-RNN模型,其中,犹豫模糊集用来量化主观描述语气,RNN用来分类识别。HT-RNN使用了两个层次的犹豫模糊信息处理方法,即数据水平拆分和权重再分配。经过两个层次的数据处理,包含犹豫模糊集的多元数据能够直接输入到RNN中进行训练和测试,实现犹豫描述语气融入与违约分类识别的双重目的。此外,由于犹豫模糊不同隶属度之间也存在倾向性问题,本文进一步提出了PHT-RNN模型,其中犹豫描述语气的概率由专家直接给出,概率犹豫模糊数据集需经过数据水平拆分、权重再分配和概率融入三个层次处理后输入递归神经网络中进行训练。 进一步的,基于新建模型和方法,本文引入科研众筹平台“Experiment”的真实数据开展了实证研究。将科研众筹项目申请人描述语气体现出的主观认知融入到违约识别分类数据中,混合新旧信息的多元数据能够更全面的描述违约信息,构建更为优化的算法从而提高科研众筹违约识别系统的准确性。最后,根据评价指标对比分析PHT-RNN模型、HT-RNN模型和RNN模型的实证结果,结果显示,所提新方法和新模型应用于科研众筹项目违约识别中具有显著的预测增益,展现了充分的可行性、有效性与优化性。

关键词： 睡眠分期   加权注意力   多尺度空洞卷积   多模态融合  

摘要： 睡眠质量影响人类健康,睡眠分期是评估睡眠质量、诊断和处理睡眠问题的关键步骤。然而,人工分期技术既耗时耗力又容易受到个人主观判断的影响,传统机器学习技术流程复杂且面临较多挑战。随着人工智能的进步,深度学习技术在睡眠医学领域逐渐展现出重要的临床应用价值。为了更加有效的进行睡眠分期,提出基于自注意力机制的睡眠分期深度学习方法。先对睡眠分期任务在医学和计算机领域的国内外研究现状进行全面的调查和总结,随后详细描述脑电、眼电信号的特性以及使用到的深度学习技术,接着进行以下两项研究: 针对现有单模态模型无法充分捕捉到样本中的短暂、随机波形,以及无法聚焦到典型、重要波形,从而影响分期结果的问题,研究出基于自注意力机制与双向LSTM的新型模型。首先建立单流时频信息处理模块,自动识别脑电图信号的初级特征,挖掘EEG数据的时不变信息、频率特征。之后设计出自适应特征重新校准学习模块,对样本中出现的瞬时和重点波形进行校准训练,给予此类特征更多关注并分配更大权重。最后馈送至关联样本间序列依赖学习模块,以学习各睡眠样本间的上下文关系,充分利用前后相邻样本判断当前样本的类别。实验结果表明,该方法在两个公共睡眠数据集Sleep-EDF-2013和Sleep-EDF-2018上的准确率分别达到了85.5%、84.3%,MF1值分别达到了82.1%、79.6%。 针对现有多模态模型无法充分挖掘模态内局部、全局信息,以及无法捕捉模态间关联互补性信息的问题,提出了一种基于多尺度卷积与多模态Transformer的创新性睡眠分期模型。首先,通过构建多尺度特征提取学习模块,实现对模态内局部细节和全局上下文信息的全面捕捉。接着,设计多模态注意力学习模块,使模型能够自动关注各个模态内的关键特征,同时还可以深入挖掘了两种信号模态之间的关联性与补充性信息。通过实验验证,结果显示,该方法在Sleep-EDF-2018公共睡眠数据集上取得了令人满意的性能,准确率达到85.1%,MF1值达到79.9%,G-mean值达到86.35%。 研究结果表明,提出的单模态模型在睡眠分期任务中表现优异,相较于其他主流模型,其准确性显著提升。提出的多模态模型在处理多模态数据时能够更全面、准确地进行信息学习。这些研究成果为睡眠医学领域的进展提供了重要的技术支持,有望在睡眠障碍诊断和治疗中发挥重要作用。

关键词： 生命意义感   学习动机   领悟社会支持   心理活动课干预  

摘要： 中学阶段的学习是丰富未来生活的重要手段,而中学生的学习态度、学习习惯等都具有不稳定性,无论是来自内部还是来自外部的态度与评价都会对其学习观的形成和发展倾向产生重要影响。此外,学生在校的幸福感是影响其学习主动性的重要因素,意义感和快乐感能促使其产生内部学习动机。因此本研究基于自我决定理论,探讨生命意义感与中学生学习动机的关系以及领悟社会支持在这过程中的作用关系,同时借鉴已开展的生命教育课程设计心理活动课干预方案内容,并验证其对中学生生命意义感提升的有效性。 本研究分为两个部分:研究一运用问卷调查法,以河北省石家庄市1所初中、邯郸市1所高中共701名学生为研究对象,使用《生命意义感量表》《学习自我调节量表》《领悟社会支持量表》对其进行调查,了解中学生生命意义感、学习动机和领悟社会支持现状,并探讨生命意义感与学习动机的关系及领悟社会支持的中介作用。研究二基于研究一的结果和现实情况,选取60名高中学生为研究对象,开展生命意义主题的心理活动课干预,探讨干预的有效性。 研究结果如下: (1)当下中学生在学习过程中的动机内化类型以认同调节为主,内摄调节次之,整体上看中学生的学习行为倾向于自主性行为。中学生寻求意义感、拥有意义感、领悟社会支持水平均处于中等以上。 (2)寻求意义、拥有意义与自主性动机呈显著正相关,寻求意义与控制性动机呈显著正相关,寻求意义、拥有意义与领悟社会支持呈显著正相关,领悟社会支持与自主性动机呈显著正相关。 (3)领悟社会支持在寻求意义与自主性动机间起部分中介作用,领悟社会支持在拥有意义与自主性动机间起部分中介作用。 (4)本研究的心理活动课方案能显著提高中学生的拥有意义感和寻求意义感水平,进一步有效提升其认同调节动机内化水平。

关键词： 关系抽取   依赖特征学习   门控循环网络   注意力机制   深度学习  

摘要： 关系抽取任务旨在预测给定句子中每对目标实体间的预定义关系。在该任务中,目前的方法通常将序列化的句子映射为二维表示,其中每个单元格元素表示实体对的语义信息,然后在二维表示上使用二维卷积神经网络等深度学习方法获取跨度的依赖语义特征。然而这些方法大多数只注重局部语义特征,难以建模句子中距离较远的目标实体对的依赖语义信息。句法依存树结构用于表示句子中单词之间的依存关系,能够捕捉实体间较长距离的依赖关系,提供更全面的上下文信息。因此,为了解决缺少远距离跨度依赖语义信息的问题,本文围绕基于句法依存树的关系抽取方法展开研究,主要工作如下: (1)提出一种基于表填充的跨度关联特征学习方法。针对现有基于表填充的关系抽取方法缺乏远距离跨度依赖语义信息的问题,本文通过句法依存树提供的句法依存信息,使用门控循环网络学习句子的跨度依赖语义特征并对句子的二维表示进行更新,同时使用空洞卷积获取句子的局部语义特征。实验结果显示,通过句法依存树学习句子依赖关系以及句法信息,有效地捕捉了句子中的远距离跨度依赖语义特征,成功提升了模型在关系抽取任务中的性能。 (2)提出一种基于表填充的跨度注意力学习方法。在基于表填充的依赖特征学习方法中,虽然有效获取了远距离跨度依赖语义信息,但句法依存树存在噪声,导致模型获取了无相关性的跨度依赖信息。本文使用Leiden算法对句法依存树分区来选择与实体相关度高的跨度,以跨度为基础构造图,使用结合注意力的图神经网络自主学习跨度节点之间的依赖关系。该方法避免了句法依存树的噪声,自适应学习跨度依赖语义信息。实验结果显示,通过学习更优的跨度之间的依赖语义特征,成功提升了模型在关系抽取任务中的性能。 本文通过句法依存树获取跨度的远距离语义依赖,并减少了句法依存树的噪声影响,在Sem Eval-2010 Task 8、TACRED、Re-TACRED数据集上进行实验,实验验证了方法的有效性。

摘要： 如何让古诗继续在我们的时代生生不息呢？学生如何能在这样的传承中产生情感的浸润、心灵的洗涤呢？本文将以部编版《语文》四年级下册《芙蓉楼送辛渐》为例，浅谈送别诗的学习方法，由楼说诗，感悟一份情，品味一份志，走近一群人。

关键词： 技能学习   示教学习   最优控制   动态运动基元   黎曼流形空间   多元信息融合  

摘要： 随着新时代全球社会的全面加速发展,机器人行业在社会生产的地位逐渐提升。目前机器人已被广泛应用于汽车领域,3C电子领域等以重复性工作为主的任务场景当中,其中通过手工示教盒标定的方法是人向机器人传递技能的主要方法。然而,在复杂任务场景中,该方式会极大地消耗人力并且对人员的专业能力要求高,另外对单一场景的标定无法推广应用到多变的任务场景。因此,如何将人类的操作技能更高效、快速、准确地传递给机器人是目前亟待解决的科学问题。依照人类的学习过程,机器人技能操作知识的增长问题可被分为技能传递,技能学习以及技能泛化三大核心问题,其中技能学习与技能泛化是机器人技能增长的关键。 本文针对机器人技能学习与技能泛化科学问题,以模仿学习方法为基础,结合最优控制策略,研究机器人对人类典型操作技能学习的技术方法。以末端点位运动技能学习研究为起点,研究在任务约束下的操作运动学习与泛化问题,并延伸到对人类操作关节构型的模仿和操作性能优化问题中,最后解决面向位姿-力信息融合的复杂操作技能学习问题。本文主要研究内容包括以下四方面:(1)基于全局特征整合与泛化的末端点位运动技能学习研究;(2)基于空间几何约束的连续运动技能学习研究;(3)基于人类操作工具特征的关节构型摆位技能的学习研究(4)位姿-力信息融合的操作技能学习研究。 首先,针对在单一任务情景中,动态运动基元方法无法准确地提取运动特征的问题及无法实现全局模仿泛化的问题。本文采用了多元高斯过程回归方法优化动态运动基元模型,实现对多组示教运动特征的整合,提高了动态运动基元方法在多任务情景中学习及泛化的能力。之后,提出一种基于欧式变换的动态运动基元优化方法,实现空间全局的运动模仿泛化。 其次,针对被操作物体的几何特性会对人类行为决策产生影响问题。通过对人类操作运动分析发现,仅在笛卡尔坐标系空间难以精确表达受被操作对象几何形状或几何约束影响运动的特征分布。本文基于黎曼流形空间,采用多种类坐标系统融合的方法表征人类示教运动,构建人类示教运动的高斯分布来提取任务几何约束与操作运动特征关系模型。在运动泛化阶段,泛化生成具备抵抗外界扰动的操作运动来完成任务。 再次,针对传统的技能学习研究忽略了操作过程中人体操作关节构型变化的问题。本文以冲击任务中工具使用为研究背景,深入探讨了不同关节构型对操作的影响。引入了方向可操作性能指标,以量化工具操作末端在指定方向上的操纵能力。采用基于交叉方向乘子法的迭代二次型最优控制方法,使得工具的抓握姿态以及执行冲击动作的关节构型更贴近于人类操作习惯,以实现沿特定方向最大化工具操作的能力。 之后,由于多元信息融合学习与泛化问题是对人类复杂操作技能学习的关键,本文以圆轴孔装配任务作为研究背景,针对存在位置、姿态、交互力信息融合的复杂操作技能的学习问题,提出一种基于方向角的装配姿态表征方法。并提出一种动态约束动态运动基元方法实现对装配姿态的学习与泛化。采用径向基神经网络对整合的交互力信息进行学习,进一步提高了力-力矩信息的预测的精确度。最后,构建位姿-力信息融合的模仿学习系统框架,提高了机器人对装配技能学习的准确性和高效性。 最后,设计了针对人类典型操作技能学习的综合实验。通过书写、擦拭等技能学习实验,验证了优化后的动态运动基元方法在多运动特征整合及全局模仿的有效性。通过抓取多种类物体以及开启箱子技能学习实验,验证了在空间几何约束下的运动泛化方法的稳定性和柔顺性。通过锤击动作关节构型模仿实验,验证了提出的方法对人类操作工具关节摆位技能学习的有效性及应用的灵活性。通过圆轴孔装配技能学习实验,验证了本文提出的多元信息融合的模仿学习框架下,对装配技能学习的高效性及有效性。