关键词： 素养本位   跨学科   学习逻辑   学科性  

摘要： 跨学科主题学习立足发展学生核心素养,是教育部印发的《义务教育课程方案(2022年版)》的一大“亮点”,体现在不同学科课程标准的修订当中。跨学科主题学习具有学科性、综合性、实践性等特点,有助于落实发展学生核心素养的目标要求、满足学生学习逻辑的价值诉求、适应义务教育阶段课程变革的发展趋势。跨学科主题学习的顺利实施,需要立足课标,分析并借鉴项目式学习、研究性学习等的经验;基于学科,以跨学科观念重构教师专业知识,开展跨学科教研;以学生发展为本,强化过程性评价,完善学习成果保障机制。

关键词： 小样本学习   特征增强   自注意力机制   多尺度特征融合   图像分类  

摘要： 针对大多数小样本学习在特征提取中存在特性信息提取不足、难以准确地提取样本中的重要特征信息以及类内样本多样性可能导致类中心点偏离等问题。提出一种多尺度特征聚合的小样本学习方法(MSFA)。具体来说,该方法利用多尺度生成模块生成关于全部训练样本的多种不同尺度的特征信息,使用自注意力聚合不同尺度的重要特征信息,并将不同尺度的重要特征信息进行拼接,以此来实现关于图像更为准确的特征表达。分别计算每个查询集样本与类原型的距离以及与类内各样本间距离的平均值,并以加权方式得出最终距离。在miniImageNet、tiered-ImageNet和Standford Dogs三个数据集上进行大量的实验,实验结果表明:提出的方法可以大幅提升基线方法的分类性能,特别是在miniImageNet数据集上,在5-way 1-shot和5-way 5-shot设置中,相较于Prototypical Network方法,分类准确率分别提升7.42和6.28个百分点。

关键词： 形式化方法   动态系统学习   安全性   可达性  

摘要： 在动态系统建模问题中,深度学习为建模提供了更便捷和灵活的方法,但其难以解释的特点降低了模型的可靠性。针对具有安全性和可达性的动态系统,提出了一种形式化模型学习方法,将安全性和可达性引入到对目标系统的学习过程中,使模型满足这两个性质。为保证所学系统在定义域上严格满足这两个性质,该方法基于现代控制理论中的Lyapunov方法和Barrier函数设计了可验证的Lyapunov Barrier函数(LBF),通过将其与动态系统联合学习,使得LBF能够为所学系统提供安全性和可达性保障。最后通过求解混合整数线性规划问题验证了模型确实满足相关性质,与DDPG的对比实验展示了这一方法的有效性。

关键词： 证据推理规则   集成学习   结合策略   自适应  

摘要： 当前集成学习中的结合策略难以兼顾各个基学习器之间的信息和模型的可解释性。使用证据推理(evidential reasoning,ER)规则作为结合策略,将各个基学习器结果作为证据参与融合,可以较好地解决以上问题。但传统ER规则的证据参数是单一的,对不同的基学习器模型使用相同的证据参数显然是不合理的。为此,提出一种基于自适应证据推理(adaptive-evidential reasoning,A-ER)规则的集成学习方法,该方法在每次证据融合前对证据的类别进行判断,针对不同的证据类别自适应分配不同的证据参数。通过不同的分类案例表明,该方法与案例中其他方法相比具有更高的分类精度,证明了该方法使证据参数设置更加合理且具有更好的可解释性和泛化能力。

关键词： 小学英语   项目化学习   主题意义探究  

摘要： 小学英语项目化学习的目的是促进小学英语课堂教与学的变革,以及学生的核心素养发展。教师在课堂教学中应积极激发学生的自主学习潜能,以单元主题为有效依托,通过组织开展以真实任务驱动的项目化学习活动,落实并深化主题意义探究,在层次渐进的实践活动中提升学生的核心素养。

关键词： 机器学习   原子核质量   碰撞参数   对称能  

摘要： 机器学习能够从大量复杂的数据中挖掘其内在的关联,近些年被广泛应用在科学研究中。本文分别评估了两类机器学习算法在修正核质量、重构重离子反应碰撞参数以及提取对称能斜率系数等热点问题上的表现,并讨论了机器学习模型的外推能力和泛化能力。结果表明:机器学习方法在三个核物理问题的研究中均体现出强大的能力。将机器学习方法应用于核物理问题的研究中可以进一步探索新物理,从而更好地推动理论和实验的发展。

关键词： 青少年   基本运动技能   学习   现实意义   路径   研究  

摘要： 近年来,我国家庭生活水平大幅提升,青少年逐渐形成了多静少动的生活习惯。根据教育部2021年发布的第八次全国学生体质与健康调研结果,虽然青少年体质健康达标优良率上升,身体形态、肺活量水平等发育指标向好,但柔韧、力量、速度、耐力等素质指标,特别是上肢力量和耐力素质仍亟须提升。因此,我们应立足时代现实,重视青少年基本运动技能学习路径的探索。

关键词： 随机权神经网络   增量构造学习方法   前馈神经网络   随机方法   数据分析   无限逼近性  

摘要： 随机权神经网络(random weight neural network,RWNN)在解决数据定性和定量分析方面具有强大的潜力,其最显著的特征是隐含层参数随机生成.这一特征使得RWNN相比于基于梯度下降优化微调节点参数的神经网络具有诸多优势,如结构简单、易于实现和低人工干预等.RWNN的隐含层和输入层之间的参数是在一个固定区间内随机生成,而隐含层和输出层之间的输出权值则通过解析法进行求解.增量构造方法从一个小的初始网络开始,逐渐添加新的隐含层节点以提升模型品质,直到满足预期性能目标.基于此,重点从基础理论、增量构造学习方法和未来开放研究方向等方面切入,全面综述增量RWNN的研究进展.首先介绍RWNN的基本结构、理论和分析;进一步重点介绍RWNN在增量构造学习方法上的各种改进及应用;最后指出RWNN增量构造学习未来开放的研究方向.

关键词： 无监督领域自适应   串行自编码器   特征学习  

摘要： 传统的基于自编码器的无监督领域自适应方法大多依靠单一的自编码器模型,故无法学习得到领域间的全局特征表示.针对该问题,提出一种基于串行自编码器(serial autoencoder unsupervised domain adaptation,SAUDA)的无监督领域自适应方法,以串行方式连接两种不同类型的自编码器学习更丰富的全局特征表示.利用堆叠自编码器(stacked autoencoder,SAE)对源域和目标域的特征进行初步学习;进一步地,采用稀疏自编码器(stacked sparse autoencoder,SSAE)对堆叠自编码器所得特征学习结果进行二次特征学习,以得到领域间更好的全局特征表示.结果表明,与传统的神经网络方法相比,基于SAUDA的无监督领域自适应方法在实验数据集上具有更好的跨领域分类性能.

关键词： 图神经网络   图数据分割   集成学习   子图分解   子图聚合   电价预测  

摘要： 目前的日前电价预测模型往往在欧式空间下进行建模,而许多研究表明图神经网络技术在各领域都具有优良的性能,但存在难以叠加多层以及鲁棒性不强等问题,因此,为进一步提升电价预测精度及图神经网络算法性能,提出基于图数据分割的子图集成学习方法,算法首先通过对区域电价多源信息进行图数据建模,形成具有边信息和节点信息的电价图数据,然后借鉴集成学习的思想,通过将电价图数据进行分割,形成多个子图数据,利用图卷积对每个子图进行图学习,最后将每个子图学习结果进行聚合,形成一层多子图学习层,所提方法适用于不同的图卷积核以及不同的下游任务场景,最后为日前电价预测任务构建预测模型。利用美国电力市场的运营数据进行算例分析,通过与对照算法对比及不同的图卷积核对比,证明所提算法具有更好的预测精准度。