关键词： 带标签噪声学习   深度神经网络   标签修复   抗标签噪声损失函数   特征表征  

摘要： 深度神经网络(Deep Neural Network,DNN)近年来在多个应用领域中取得优秀的效果。然而,DNN的成功应用往往依赖于大量具有正确标签的数据,而在许多实际场景下DNN的训练数据集都带有噪声标签(即标注错误的标签),因此DNN的泛化性能将受到影响。为解决这一问题,带噪声标签学习(Learning with Noisy Labels,LNL)方法得到了广泛的研究,该类方法旨在提高经过带有标签噪声的数据集训练的DNN的泛化性能。然而,DNN的实际应用场景往往较为复杂,因此常见的LNL方法仍然存在着一些不足。因此,本文深入研究了抗噪声标签损失函数的设计,分析了噪声数据(noisy sample)与困难干净数据(hard clean sample)的区别,改进了现有LNL方法所利用的语义特征,研究了现有LNL方法面对实例依赖标签噪声(instance-dependent label noise)时的不足,并相应地提出了解决方法。具体而言,本文的主要研究工作如下: 1、在DNN的实际应用场景中,常会同时遭遇噪声标签问题与类别不平衡问题,而在目前的主流的噪声标签鲁棒损失函数并没有很好地考虑到类别不平衡问题对现有噪声鲁棒损失函数的影响。因此,本文提出一种构建抗噪声与负样本(即不平衡数据集中所属类别占据主要数量的数据)影响的损失函数(Noisy Label and Negative Sample Robust Loss function,NLNSRL)的LNL方法。具体而言,本文量化了噪声标签问题及类别不平衡问题对于DNN性能的影响,并通过线性规划算法构建了可同时应对这两种问题影响的损失函数。本文以远程监督关系抽取以及命名实体识别这类经常同时存在噪声标签问题与类别不平衡问题的工程任务为例,验证构建NLNSRL的LNL方法的有效性,实验结果表明,该方法可以有效改善DNN在实际场景下的泛化性能。 2、常见LNL方法常将学习难度高(即损失函数值较大)的数据视为噪声数据,然而,来自困难干净数据的少见特征模式也可导致高学习难度,因此困难干净数据易被常见LNL方法误判为噪声数据。为应对这一不足,本文提出基于数据学习风险的带噪声标签学习(Samples’Learning Risk based Learning with Noisy Labels,SLRLNL)方法,该方法利用代表了数据对DNN准确性影响的数据学习风险来区分噪声数据与困难干净数据,因此相比现有LNL方法,SLRLNL能够更好地区分困难干净数据和噪声数据。此外,为了改善对困难干净数据的学习,本文进一步提出了基于重新标注的标签增强(Relabeling based Label Augmentation,RLA)方法,其鼓励DNN偶尔学习困难干净数据的其他有可能的标签,从而增强对该类数据的学习。本文在带噪声的常见图像分类数据集与关系抽取数据集上验证了SLRLNL方法的有效性。 3、现有LNL方法常依赖DNN提取的语义特征来检测和减弱标签噪声影响。然而,这些提取的特征可能在不同数据环境中与标签关联性不稳定,因此可能影响LNL方法的效果。为了应对这个问题,本文首次在LNL方法中提出基于不变性特征的标签修复(Invariant Feature based Label Correction,IFLC)方法,该方法增强了对与标签具有稳定关联性的不变性特征的学习,并增强了对所捕获特征的利用效果。具体而言,本文首先提出标签扰动(Label Disturbing,LD)方法来鼓励DNN在不同环境中获得稳定的性能,从而鼓励学习不变性特征。进一步地,本文提出表征去相关(Representation Decorrelation,RD)方法来加强了表征向量每个维度间的线性独立性,从而保证DNN能够准确利用学习到的特征。然后,本文使用鲁棒线性回归方法来利用特征表征进行标签修复。本文在带噪声的四个常见图像分类数据集上评估了IFLC方法的有效性,并与最先进(state-of-the-art,SOTA)的LNL方法进行了比较。实验结果表明,IFLC方法与现有的SOTA方法相比,性能相当甚至更好。 4、现有LNL主要基于DNN的记忆效应(Memorization Effect)来检测并削弱噪声数据的影响,该效应认为DNN学习噪声数据的速率要慢于干净数据,然而这一效应在带有实例依赖标签噪声的数据集中会失效,从而影响标签修复方法在实际应用中的效果。为应对这一问题,本文提出一种基于可区分的特征表征的标签修复(Separable Feature Representation based Label Correction,SFRLC)方法来更有效地检测并修复实例依赖标签噪声。SFRLC方法以DNN每层输出的联合向量作为特

关键词： 自然联结   生命意义感   自我控制   学习投入   团体辅导  

摘要： 初中阶段是个体成长的关键时期,个体从童年期向青春期过渡,其独立意识逐渐增强。个体在初中阶段面临着人际关系和学业压力等问题。其中,学习是初中生的重要任务之一。学习投入作为积极心理学视角下的研究变量,衡量着学生在学习过程中的投入度、专注度、活力度。个体的学习投入程度越深,其学业成就感越高,这有利于青少年身心健康的发展。因此,关注初中生的学习投入状况有着重要的教育实践意义。当前许多研究重视自然与个体身心健康方面的关系,研究对象多以大学生为主,有关自然联结在中小学教育中的影响研究较少。自然联结可能会对个体感知和寻求生命意义、提高自我效能感和自我控制、缓解学业倦怠、提升学习投入和学业成绩等产生积极影响,这有利于促进个体的心理健康发展。其中,生命意义感和自我控制作为积极的心理资源和能力,也可能是个体在学习过程中进行自我调节、提升学习投入度的重要因素。基于此,本研究重点探讨自然联结与初中生学习投入的关系,进一步考察生命意义感与自我控制在自然联结与学习投入的关系中的作用,并在此基础上编制生命意义感的团体辅导方案,以期提升初中生的生命意义感、自我控制和学习投入。 研究一采取问卷调查法,使用《自然联结量表》、《生命意义感量表》、《简式自我控制量表》、《学习投入量表》,选取湖北省武汉市某中学初一、初二年级共670名学生作为研究对象,以探讨自然联结、生命意义感、自我控制和初中生学习投入之间的关系。研究结果表明:(1)自然联结与初中生学习投入呈正相关;(2)生命意义感在自然联结与初中生学习投入之间起部分中介作用;(3)自我控制在自然联结与初中生学习投入之间起部分中介作用;(4)生命意义感和自我控制在自然联结与初中生学习投入之间起链式中介作用。 在此基础上,研究二以生命意义感为切入点编制团体心理辅导方案,检验生命意义感的团体辅导干预对初中生生命意义感、自我控制和学习投入的有效性。在干预中,将招募的20名参与者随机分为干预组和对照组,对干预组开展为期8周的团体心理辅导,对照组不进行干预。研究结果表明:(1)干预组在生命意义感、自我控制和学习投入得分上的变化均显著高于对照组;(2)与前测数据相比,干预组在干预后其生命意义感、自我控制与学习投入得到显著提升。

关键词： 多模态   生物特征识别   深度学习   虹膜   人脸  

摘要： 多模态特征识别是指利用两种或两种以上不同类型的模态信息,通过分析、转换和融合其中的特征,来进行识别的技术。这些模态信息可以是传感器数据也可以是生物特征,其中生物特征是指个体独特的生理和行为特性,这些特性可以用于身份的识别,而基于生物特征的识别方法在安全性、便捷性和可靠性方面均优于传统方法。随着生物特征识别技术的广泛应用,基于单一模态的生物特征识别技术已暴露出其局限性,而多模态生物特征融合识别技术能够集成并整合多个模态的信息,有效地克服了单一模态生物特征识别所遇到的障碍。 随着多模态生物特征识别技术广泛的使用,人类的脸部区域因其生物特性的多样性、采集的便捷性以及与用户交互的高效性逐渐受到重视。在众多的多模态生物特征识别系统中,整合虹膜、人脸等生物特征的方案日益流行,这种方案显著提高了识别性能和用户体验。因此,本文基于深度学习方法,选择虹膜、人脸两种生物模态进行实验研究,主要研究工作如下: 针对现有的虹膜人脸多模态数据集较少的问题,本文基于开源单模态数据集,通过随机组合构建了虚拟多模态数据集,通过分类筛选构建了整体多模态数据集,通过自行采集构建了小型多模态数据集。 针对实际场景中基于深度学习方法的生物特征识别系统存在无法平衡识别准确性和资源密集性的问题。本文从单模态虹膜人脸识别出发,对现有的轻量化网络Ghost Net和Shuffle Net进行结构上的改进。与此同时,引入并改进CBAM注意力机制,以增强网络对细节特征的捕捉,减少网络轻量化后的性能损失,最终形成了基于改进注意力机制的轻量级神经网络GPFace Net和SPIris Net,从而在资源受限的情况下提升识别效果。在开源数据集上的实验结果表明,在保证一定识别性能的前提下,本文改进的算法能够有效降低网络模型所需的参数量、计算量以及存储空间。 针对单模态虹膜人脸识别的局限性,本文基于多模态融合识别技术,在特征层和分数层两种层次对虹膜人脸模态进行融合,提出了多模态虹膜人脸融合识别网络框架,该框架旨在克服单一模态下的生物特征识别存在的缺陷。具体来说,在特征层融合层次,自适应加权融合包括加权特征拼接和加权特征合并,这种融合方式在处理复杂数据时具有一定优势,但是却增加了计算成本和过拟合风险。而基于模态特定低秩因子进行融合的方式能够有效降低复杂度,提升多模态数据处理的性能,合理实现多模态生物特征信息之间的互补。在分数层融合层次,基于Rank的评价方法和基于模态的评价方法通过整合多个模态的评分结果,在训练成本较低的情况下,有效提高了识别准确性。 本文在CASIA-IrisV4、CASIA-WebFace公共数据集和吉林大学自主采集的JLU6.0数据集以及自建的数据集上进行各种实验研究,实验结果显示了本文所提出的单模态算法和多模态融合算法的有效性。在单模态识别算法方面,本文提出的方法在轻量化和识别指标上均超越了常见的基线方法,显著提高了资源受限场景下的单模态虹膜人脸模型识别性能。在多模态融合算法方面,本文提出的方法能够有效利用模态间的信息互补,并且在识别性能上比单模态识别具备更优的性能,在多个数据集上也取得了较好竞争力的实验结果。

关键词： 页岩油藏   深度学习   神经网络   压裂参数   产能预测   方法研究  

摘要： 加快页岩油藏的规模化高效化开发,对缓解我国日益严峻的能源安全形势具有十分重要的意义。但在当前页岩油藏一体化开发中,其压裂、闷井和开采过程缺乏系统完善的压裂效果评价、压裂参数分析和产能预测等方面的优化研究,传统解析法和数值模拟等方法也存在一定局限性。随着油气田开发对技术的需求趋向于智能化,深度学习方法在油气领域取得了良好应用效果。文章以吉木萨尔页岩油藏和英雄岭页岩油藏为研究对象,优选页岩油藏室内实验研究及现场生产数据,开展基于深度学习方法的页岩油藏压-闷-采一体化研究及应用。 首先,针对水力压裂和CO2压裂两种压裂方式,开展影响页岩油藏开发效果的室内实验深度学习研究。研究引入遗传算法对BP神经网络进行优化,与传统BP神经网络预测模型相比,GA-BP神经网络预测模型的拟合程度和预测精度均得到提升,平均绝对误差降低30%,均方根误差降低46%,R2提升11%。研究结果表明:两种压裂方式下影响页岩油藏压裂开发效果的因素有差异,其中水力压裂中的地层温度、渗透率和闷井时间为主控因素,CO2压裂中的施工压力和CO2浸泡闷井时间为主控因素。改进的深度学习算法表现出较高精确性,通过训练室内微观驱油实验数据集,对驱油机理形成了规律性认识;预测了岩心驱替实验的驱油效率,为室内实验研究驱油机理提供了理论参考。 其次,分别对吉木萨尔页岩油藏的90口水平井、英雄岭页岩油藏的21口水平井及压裂段进行特征参数分析。采用热力学图版分析、随机森林回归分析、单因素分析和多变量联合分析,得出影响两地页岩油藏多段压裂水平井产能的主控因素,并分析各影响参数的最优区间解;同时,引入决策树模型对两地压裂参数进行优化设计,得出施工参数优化结果,从而获得相应地区页岩油藏高产井（段）的最优解,提升实际油藏压裂生产能力。 最后,通过分别建立决策树模型、随机森林模型、GA-BP神经网络模型和卷积神经网络模型等四种不同的深度学习（机器学习）模型对英雄岭页岩油藏进行产能预测研究,并对比优选出最佳的产能预测模型。结果表明:卷积神经网络模型在四种模型中的预测精度最高,测试集的平均绝对误差和均方根误差分别降到了0.41和0.49,决定系数R2达到了0.914,模型预测效果佳,该深度学习方法可以在实际生产的预测和评估中起到重要作用。

关键词： 戏剧   影视文学   学习方法   创新研究  

摘要： 现如今我国社会的发展在不断进步，而对于戏剧影视等相关娱乐项目的需求也在不断增加，基于这一前提下，戏剧影视文学的发展趋势也在提升，成为高等院校重要课程之一。依照具体的调查分析可以发现，以往传统的戏剧影视文学方式不再适应新时期人们需求，如果想要促进戏剧影视文学发展，培养出更多创作型人才，那么就需要创新戏剧影视文学学习方式，加深学生理解，提升学生学习能力。

关键词： 深度学习   点云   流场预测   邻域关系   注意力机制  

摘要： 翼型流场可以反映飞行器的气动特性,其对飞行器外形的设计优化有着重要意义,卷积神经网络等深度学习方法在流场预测研究中已有应用,大大减少了传统计算流体力学的计算时间。而基于卷积神经网络的流场预测由于需要将不规则的网格数据插值到均匀的笛卡尔网格而引入额外的误差,可能导致预测精度不佳;此外,翼型附近的流场复杂多变,常对翼型附近计算域的网格加密,均匀的笛卡尔网格难以实现近密远疏的网格特点。本文提出一种新的基于Point Net++的点云深度学习方法对翼型流场进行预测,主要工作如下: (1)将用于物体分类和分割的Point Net++点云网络引入翼型流场预测,将非结构网格的顶点视为点云并将其坐标直接作为神经网络的输入,通过传统计算流体力学仿真软件获得61种不同翼型在9个攻角下的549组流场数据,构建点云数据集并训练网络,学习空间位置和流场物理量之间的端到端映射,实验结果表明点云可以很好的描绘翼型几何外形并体现流场流动特性。 (2)针对Point Net++网络对局部特征提取不够充分的问题,提出了基于邻域关系和多函数特征整合的Point Net++改进算法,其提取邻域点特征的同时还提取邻域关系特征,利用多个对称函数同时对邻域点特征和邻域关系特征进行特征整合,在丰富了局部区域有效信息量的同时,保持点云的置换不变性。实验结果表明该方法增强了局部特征提取能力,从而提高了流场预测的效果。 (3)针对直接增加特征提取模块数量或升高局部特征维度难以进一步提升网络预测精度的问题,本文在主干网络增加通道及空间注意力机制模块,通过加权操作对局部特征进行自适应的调整,同时增加倒置残差MLP模块,增强特征提取,且缓解梯度消失现象的发生。经实验证明,网络的预测精度以及泛化能力进一步得到提升。 本文所提出的网络只使用数据原始信息从而避免了插值,保证了原始数据精度,且继承了非结构网格近细远粗的特点;仅通过收集顶点集上的信息,即可推断出翼型的形状和位置,从而确定绕流流场;通过少量翼型的训练即可预测不同翼型在不同攻角下的流场。对Point Net++网络的改进,增强了特征的捕获和表达能力,针对翼型流场预测任务具有良好的性能。

关键词： 随机森林   XGBoost   AdaBoost   认知异常   相关因素  

摘要： 目的:本研究应用随机森林、XGBoost和AdaBoost模型筛选中国健康与养老追踪调查数据库与认知有关的变量,再使用logistic回归模型对筛选后的数据进行分析,以探求中国45岁及以上中老年人影响认知的相关因素,为该人群认知情况的了解及其预防提供科学依据。 方法: 1.本研究使用2018年中国健康与养老追踪调查数据(CHARLS),调查对象为45岁及以上人群。采用标准认知调查问卷和认知状态电话访谈(Telephone Interview of Cognitive Status,TICS)量表评价研究对象的认知状况。参考既往文献,分别按照不同年龄段、教育程度和性别计算认知功能总分的均值减去1倍标准差,高于此界值则评定为正常,否则则评定为认知异常(Cognitive Abnormalities,CA)。 2.将整理好的数据按4:1的比例划分为训练集和测试集,并对训练集进行降采样处理,使其成为平衡数据,利于模型建立。 3.使用训练集数据分别构建随机森林、AdaBoost和XGBoost三种机器学习模型,根据三种模型计算出各自变量的重要性排名,通过向前变量选择法,逐步引入变量,以AUC面积作为衡量标准,筛选出最佳变量组合,以这些最佳变量组合构建logistic回归模型。比较三组logistic回归模型,选出最佳模型的变量进行进一步的解释说明。 4.本研究使用python3.9.7软件建立随机森林模型、XGBoost和AdaBoost模型,应用R4.3.0软件进行logistic回归分析,P≤0.05为差异有统计学意义。 结果: 1.本研究最终有13269个观察单位,认知异常患病率为17.24%。其中男性6735人,患病率为12.20%;女性6534人,患病率为21.14%。经过4:1的比例划分训练集和测试集后,训练集有观察单位10615人,患病率为17.15%,测试集有观察单位2654人,患病率为17.63%。 2.训练集CA1820人,非CA8795人,经过欠采样处理非CA为1820人,二者比例为1:1,数据达到平衡,训练集共有样本量为3640人。 3.随机森林模型筛选出了75个变量,构建logistic回归模型,筛选出了24个变量;XGBoost模型筛选出了159个变量,构建logistic回归模型,筛选出27个变量;AdaBoost筛选出了32个变量,构建logistic回归模型,筛选出26个变量。随机森林模型结合logistic回归BIC值为4531.039,5折交叉准确率为69.31%;XGBoost模型结合logistic回归模型BIC值为4555.334,5折交叉准确率为67.20%;AdaBoost模型结合logistic回归模型BIC值为4450.550,5折交叉准确率为70.80%,AdaBoost模型结合logistic回归模型均略优于随机森林模型联合logistic回归模型和XGBoost模型联合logistic回归模型,因此选择AdaBoost模型结合logistic回归模型筛选出的变量进行解释分析。 ***模型结合logistic回归模型结果:经济因素中最近一周烟酒等花销大OR值大于1;家具家电及耐用消费品支出大、电子货币存款多、金融机构存款多、过去一年领到工资OR值均小于1。健康状况与功能指标中15岁以前的身体状况一般、自评健康非常满意、填写问卷求助程度、走1公里无法完成、去商店买食品杂货无法完成、家里没有电话、有腰疼OR值分别为1.822、1.603、1.449、1.416、1.881、1.690、0.748。体检指标中最近常规检查男女专科、常规检查心电图OR值分别为1.926、0.523。住房情况指标中室内整洁度一般、居住房屋可以宽带上网OR值分别为1.417、0.728。基本信息和生活习惯指标中男性、大专及以上学历、汉族、主要生活在城乡或镇乡结合区、若需要有配偶可以照顾、每周喝1-6次啤酒、一个月内有上网社交为认知异常的保护因素,OR值分别为0.611、0.240、0.651、0.626、0.765、0.428、0.501;80岁及以上年龄、婚姻一点也不满意、最近一个月睡眠时间超过8小时为认知异常的危险因素,OR值分别为1.776、2.465、1.352。 结论: 1.本研究数据AdaBoost模型联合logistic回归模型的组合优于随机森林模型组合和XGBoost模型组合。 2.本文最终筛选出了26个CA相关变量。CA患病风险男性低于女性,汉族低于少数民族。认知异常的相关因素有年龄、婚姻满意度、睡眠时长、15岁以前的身体状况、自评健康状况、室内整洁程度、文化程度、生活区域、饮酒频率等。经济指标显示经济越好越有利于延缓认知衰退。生活能力指标显示随着能力的

关键词： 深度学习   卷积神经网络   植物病害检测   可可树   YOLO架构   对象检测骨干  

摘要： 可可树(学名:Theobroma cacao L.),也被称为可可,其加工后的果实在全球范围内被广泛消费,是一种极具经济价值的农作物。它是一种热带二倍体树木,属于锦葵科(Malvaceae sensu lato)和锦葵目(Malvales)的成员。目前市场上对可可的需求量很高,但是其生产力水平却相对较低。可可树疾病的高发病率以及快速传播是可可种植园面临的主要问题。可可病会导致可可豆产量和质量的大幅下降,而生产力的下降和疾病管理成本的增加会让种植者遭受巨大的经济损失。 及时有效地识别这些疾病对于实施预防措施以保证可可种植的可持续性至关重要。目前管理可可病害的方法主要有三种:生物控制、遗传改良和技术方法。生物控制,即研究生物防治剂和有机方法来可持续地管理可可病害。遗传改良,即利用基因工程创造抗病和高产的可可树品种。使用技术方法管理可可病害相比现有或传统方法具有多个优势。深度学习模型是一种主要的技术方法,它可以高效准确地检测与可可相关的疾病。深度学习技术在可可方面的应用可以提高其疾病管理的总体效能,在降低误诊的可能性的同时确保正确治疗方法的实施。并且可扩展的技术解决方案让这些深度学习模型能够在大型可可种植园中实施成为可能。专门为图像分类任务设计的卷积神经网络(CNN)架构是一种疾病监测的核心模型。通过在带注释的可可数据集上应用迁移学习,预训练的CNN模型得以改进,预训练后的模型既能学习到一般图像特征的知识,又能适应可可特有的特征属性。为了解决一系列疾病对可可树产量的影响,本研究提出了一种基于深度学习的方法,利用计算机视觉技术来精确且自动地识别可可荚、可可树和可可叶的疾病。 (1)为了检测可可树疾病,本研究提出了YOLOv5m网络。YOLOv5m网络是一种在单阶段目标检测网络中效率极高的网络结构。它的主干网络能够捕获不同尺寸的特征,并通过其颈部结构组合这些特征,然后生成P3、P4和P5这些特征图,以检测小型、中型和大型物体。Swin Transformer被融合到主干网络中,以增强YOLOv5m网络性能并提高可可树疾病检测的准确度。融合在YOLOv5m主干网络中的Swin-Transformer起到一个辅助特征提取器的作用。它有助于模型捕捉图像中的长距离依赖关系和全局上下文关系,从而获得更具辨别力的目标检测特征。预训练的Swin-T不仅加快了训练速度,而且还提高了检测性能。此外,YOLOv5m模型中增加了EIo U损失,用于优化定位准确度。当物体定位得到改善时,YOLOv5能够在训练过程中学习并预测得到更精确的边界框。最后,通过应用K-means++聚类算法优化初始聚类位置的选择,确定更合适的初始锚框位置,从而实现更精确的目标检测定位。这种方法使模型的精度从0.91提高到0.96,召回率从0.89提高到0.94,m AP从0.86提高到0.92。 (2)YOLOv7模型成功地在4,306张可可豆荚图像上进行了训练,可以检测常见的可可豆荚疾病,如黑荚病、霜霉病和可可豆腐病。为了提高检测精度,本研究提出了一种简单但有效的目标检测激活函数,称为Flexible Rectified Linear Units(FRe LU),它通过增加微小的空间条件负担,将Re LU和PRe LU扩展到2D激活。卷积块注意力模块(CBAM)利用注意机制强调重要特征并淡化不重要特征,从而提高CNN的表征能力,Sim AM(A Simple Attention Module)是一种简单无参数的注意力模块,可以有效地生成三维权重,本研究将CBAM与Sim AM结合,并将其集成到了YOLOv7主干网络中,为可可豆荚病检测任务提供了一个简单而实用的解决方案。FRe LU-Si LU通过丰富的非线性变换与CBAM-Sim AM注意力机制,增强YOLOv7模型检测可可豆荚疾病的能力。显著特征也得到了增强,这种方法使模型精度从0.89提高到0.95,召回率从0.61提高到0.74,m AP从0.89提高到0.95。 (3)为了实现对可可叶病的准确高效检测,本研究改进了YOLOv8模型。YOLOv8是一种经过验证的目标检测框架,其以速度和准确性而闻名,将其用于识别可可叶病是一种可行的策略。为了更好地提取低级特征,如昆虫和虫害的边缘纹理,在YOLOv8模型中用DCF(Dense Feature Aggregation)模块代替了基于C2F Dense Block的模块。DCF模块能够聚合数据集中的低级特征,使模型在识别病虫害的边界、纹理和其他特征方面表现得更好。同时为了增强网络的特征提取能力,本研究提出了一个特征增强模块,该模块在多个不同规模和数量的分支上使用标准卷积和扩展卷积来构建多分支结构实现特征增强。WIo U v3采用动态非单调机制,创建了一个更合理的梯度增益分配策略,本