摘要： 黄士陵作为晚清印坛的巨擘，以其独具个性的印学风格于篆刻史上独树一帜。黄士陵初涉篆刻，除了幼受庭训、皆以兴趣作为导引，博涉多方并未株守一家。关于篆刻“宗法”的问题，早在元代赵孟頫首次提出“宗汉”理论；同时期的吾衍在其著作《三十五举》中，也倡导学习篆刻应该尊崇汉印古法，反对新奇。由于二者的推崇和启导，“宗法汉印”成为篆刻学习和欣赏的标准范式。在所谓“正统”理论的氛围中，黄却从自身出发，以兴趣作为指引而非入手即“汉”，反而学习了当时所谓的流行作品。这在其早年出版的《般若波罗蜜多心经》中可见一斑。

关键词： 深度学习   相空间重构   原油价格   变分模态分解算法  

摘要： 现有文献表明,原油市场是复杂的非线性混沌系统,原油价格容易受到军事、政治、经济和外交等各种因素的综合影响,使得原油价格变化具有随机、突变和混沌等特征。中国作为全球原油进口量最大的国家,持续变化的国际原油价格对中国经济发展有着巨大的影响,基于此,准确地把握原油价格的发展趋势具有重要的意义。混沌经济时序存在于社会生活的方方面面,由于混沌数据不能直接应用于非线性技术建模,同时,根据初始灵敏度定律,混沌系统在长期内是不可预测的,那在预测原油价格序列的研究中应该先分析该非线性系统是否混沌。基于原油价格序列的混沌特性,本文提出了一种结合相空间重构技术(PSR)、变分模态分解算法(VMD)、卷积神经网络(CNN)和双向长短期记忆网络(BILSTM)的PSR-VMD-CNN-BILSTM模型来预测原油价格。首先,利用PSR技术对原油价格序列进行重构,采用自相关系数法和虚假最近邻点法来确认相空间的两个参数时间延迟(τ)和嵌入维度(m),并计算最大Lyapunov指数为正,验证了序列的混沌性;接下来,使用VMD算法对数据进行高频去噪处理以提高预测精度;其次,将重构去噪后的相空间序列输入到CNN-BILSTM的混合预测模型中,分别进行一天、一周、半个月和19天的多步预测,并与其他基准模型、未重构模型、未去噪模型和处理后模型进行比较以验证提出模型的优越性和适用性。本文使用从2002年1月4日至2021年12月31日共5638天的Brent原油价格数据进行实证分析,并用MSE、RMSE、MAE和MAPE作为评价指标对模型进行评价。实证结果表明:所提出的PSR-VMD-CNN-BILSTM模型相比其他对照模型,预测精度得到了显著提升,在每个时间步都有更好的预测效果,同时DM检验的结果充分说明了模型的优越性。该模型不仅为原油价格预测领域提供了新思路,同时可推广到其他具有混沌特性的经济时序中。

关键词： 风力发电预测   时间序列预测   空时注意力   图神经网络   序列相似度  

摘要： 2020年9月,我国政府向世界承诺2030年前实现碳达峰、2060年前实现碳中和的“双碳”目标。我国碳排放总量占全球碳排放总量的约30%,为世界之首,其中能源燃烧占碳排放总量的88%左右,因此能源和电力是双碳目标的主战场。风力发电是目前清洁能源中最重要组成部分,但风力发电具有随机性、波动性和间歇性的特点,对电网的平稳性提出了挑战,因而需要对风力发电功率进行精准预测,通过火力发电配合,实现削峰填谷,保障电网的稳定运行。针对双碳目标,论文首先收集并分析了碳排放量相关因子,并基于情景分析法与LSTM网络,对我国2030年前在低碳、基准、高碳三种发展情景下每年的碳排放量进行了预测,得到我国需要继续大力推行减碳政策的结论。因此,我国在未来一段时间内要大力发展的风电,要求对风力发电功率有精准的预测。针对风力发电功率时间序列存在随机性强、变化速度快导致难以预测的挑战,首先分析了目前主流的风电预测方法主要包括物理模型、传统统计模型以及机器学习模型。物理模型在区域大尺度上通过热力学和流体力学理论建模,在中高空进行大气运动的推演,需要借助超级计算机的复杂运算,难以应用于近地小尺度细时间颗粒度的精确预测。传统统计模型通常要求时间序列具有平稳性或差分平稳性,而风速决定的风力发电功率序列是典型的非平稳序列,具有显著的随机性、快速空间与时间去相关性,因此难以满足电网对预测精度的要求。深度学习模型能够提取时间序列内在的时间变化规律以及不同时间序列之间的关联关系,使用高质量的数据样本训练模型,可获得当前最优的性能。目前主流的深度学习模型在精细的风力发电功率预测任务中,提取的语义特征还不充分,预测结果误差较大,尚不能满足工程实践的要求。本文首先针对特征提取不充分的问题,提出了双阶段空时注意力模型,在传统时间注意力机制提取序列本身的特征的基础之上,增添了空间注意力机制以提取不同序列上之间关联特性。并在空间注意力机制上引入了目标与非目标机制,进一步提取待预测序列与其它序列之间的相关特性。通过预测误差分析,针对不同的风速区间预测误差分布规律不同的特征,设计了基于DTW的图神经网络模型,从预测误差中提取有用信息,实现对模型的预测结果进一步校准,从而提高模型预测的准确性。在华中某省的真实电量数据集上进行性能测试,结果表明本文提出的模型相比基线模型具有更优的预测准确性与稳定性。

关键词： 高分子物理   机器学习   传播子方程   自洽场理论  

摘要： 在高分子物理中,自洽场理论是极其重要的理论之一,传播子方程则是高分子自洽场理论的关键方程。因此,在本文中,我们使用机器学习方法对高分子链传播子方程进行了求解。 首先,我们采用了一种基于笛卡尔网格采样和拉丁超立方采样混合的物理神经网络来求解一维高分子链传播子方程的正向和逆向问题。我们使用了一种新的方法进行数据采样,提出了新的周期边界条件损失函数的构建方法。然后在训练过程中对神经网络中的参数进行了优化。最后我们使用这个模型对给定的高分子链传播子方程的正向问题和逆向问题进行求解,并得到了相当合理的结果,证明了该神经网络求解器在正向和逆向问题上的有效性。同时我们将神经网络解与数值解进行了比较,证明了我们这个方法的精度较好,同时也有很高的计算效率。 进一步地,我们构建了一个神经网络模型来计算含有传播子方程的三维两嵌段聚合物自洽场方程组。网络模型包括两个前馈神经网络,一个网络表示传播子方程,另一个表示自洽场化学势场,两个网络由自洽场方程组所构建的损失函数进行耦合。通过优化损失函数,最终得到神经网络计算结果。通过对比网络解与数值解,我们证明了该模型的有效性和准确性。另外,我们也绘制了两嵌段共聚物微相分离过程的三维可视化图。本文通过使用机器学习方法对一维及三维传播子方程的研究可以为之后高分子物理问题的求解提供一定参考和帮助。

关键词： 主题意义   高中英语   项目式学习  

摘要： 随着经济全球化的深入发展，我国对人才的培养视角也逐渐转向国际化。英语作为国际通用语言，语言教学越来越受到关注。但传统的英语教学模式缺乏灵活性，容易忽视学生英语核心素养的培养。引入项目式学习方法，旨在关注主题意义，通过项目式学习更好地发展学生的英语语言能力、文化意识、思维品质和学习能力。

关键词： 动态图   图表示学习   图神经网络   知识蒸馏   深度学习  

摘要： 图表示学习作为一种有效提取网络特征的技术手段,已被广泛应用在各种网络系统分析中,例如交通网络中的流量预测,金融网络中的欺诈分析,以及基于分子网络的药物开发等。目前大多数关于图表示学习的研究方法主要是面向静态网络设计的。然而,在现实世界中,网络会天然地呈现出动态变化的特性,即网络拓扑结构会随着时间变化而变化,这给现有的图表示学习带来了许多新的问题和挑战。例如,动态网络中不仅包含网络的拓扑信息,而且还蕴含了网络的时间演化信息,而大多数图表示学习方法仅关注到网络的拓扑信息。此外,动态网络内部蕴含了许多高阶结构语义信息,这些信息有助于挖掘动态网络中存在的复杂多样的演化模式,如何有效地提取这些高阶结构语义信息也是当前图表示学习亟待解决的问题。并且,由于动态网络对模型信息捕获能力要求高,导致此类模型通常存在复杂度高与参量多的问题。因此,本文围绕以上问题展开了深入的研究,旨在提高图表示学习方法在动态网络下的性能表现与实现图表示学习模型的轻量化。本文的主要研究内容与贡献如下:(1)提出了一种基于边感知的时序超图卷积网络方法。针对现有面向静态网络的图表示学习难以充分地获取动态网络的时间演化信息的问题,本文设计了一种时序超图构造方法,使得所构造的超图可以同时地表示动态网络中局部结构信息和时间演化信息。此外,还引入了一种超边投影算子,用于增强模型对于时间演化信息的感知能力。最后,提出了一种边感知的时序超图卷积方法,其中包含了超边内部信息聚合与超边间的信息聚合两个阶段,以实现在时序超图上进行节点信息的聚合与传递。在五个公共动态网络数据集上的实验结果显示,该方法显著地优于现有的图表示学习方法。(2)提出了一种基于群体感知的时序图扩散网络方法。针对动态网络中高阶结构语义信息获取的问题,本文设计了一种群体亲和矩阵,用于描述网络中的群体交互,可有效地表征动态网络的高阶结构语义信息。此外,由于动态网络具有多样的演化模式,为了增强模型的自适应性与可解释性,引入了一种图transformer网络,用于建模动态网络的时间演化信息。与此同时,还提出了一种时间嵌入,用于增强图transformer网络对于时间顺序的感知能力。与八种先进的图表示学习方法相比,该方法取得了最好的性能表现。并且,通过对模型时间权重的可视化,可以观察模型具有强大的自适应能力,这也为预测结果提供了一定程度上的可解释性。(3)提出了一种基于双重对比蒸馏的模型压缩方法。针对动态网络下图表示学习模型存在复杂度高与参数规模大的问题,本文提出了一种用于压缩图表示学习模型的方法,称为双对比蒸馏。在双对比蒸馏方法中,基于师生模型框架,首先设计了一种编码器层次的对比损失,以实现从强大而复杂的教师模型向轻量且高效的学生模型的知识转移。此外,为了弥补师生模型知识转移中存在的信息损失,还引入了一种基于互信息理论的局部结构层次的对比损失,可有效地从学生模型自身蒸馏出局部结构信息。在与其他四种先进的知识蒸馏技术的性能对比结果中,该方法表现出了显著的性能优势,并且在某些数据集上甚至超过了教师模型的性能表现。

关键词： 贝叶斯网   结构学习   树宽   蒙特卡洛树搜索   平均消元成本  

摘要： 贝叶斯网作为人工智能领域中一个经典的可解释不确定性处理模型,已被广泛应用于众多领域。面向贝叶斯网的机器学习方法是贝叶斯网研究的重点方向。虽然现有的贝叶斯网学习方法可以学习出与训练数据拟合最好的最优贝叶斯网,但由于贝叶斯网推理算法的复杂度与贝叶斯网结构密切相关,最优贝叶斯网的推理复杂度不一定是最优的,可能导致花费大量计算资源学习出的贝叶斯网的推理复杂度很高,难以实际应用。为此,本文研究如何在贝叶斯网的学习过程中考虑推理效率,从而使学习结果既准、推理效率又高。贝叶斯网的“树宽”是衡量其推理复杂度的一个关键指标,贝叶斯网的树宽越小,其推理复杂度越低。本文提出三种限树宽的贝叶斯网学习方法,在学习过程中分别从三个方面限定贝叶斯网的树宽,从而限定学习结果的推理复杂度:(1)提出了一种结合遗传算法和粒子群优化算法的贝叶斯网学习方法。该方法引入精英集策略,智能限定贝叶斯网中每个结点的最大父结点数目,缩减贝叶斯网的树宽,从而降低贝叶斯网的推理复杂度。(2)提出了一种基于蒙特卡洛树搜索(Monte Carlo Tree Search,MCTS)的限树宽贝叶斯网学习方法。MCTS将树搜索的精确性与随机采样的普适性结合,在一些搜索空间较大的博弈类和规划类问题中取得了显著的效果。本文将MCTS引入贝叶斯网学习框架中,设计了平衡局部探测和全局勘探的启发函数,以增强对贝叶斯网结点序空间的搜索能力,进而在结点序空间中进行限树宽的贝叶斯网学习。在多个数据集上的实验结果表明,在MCTS的启发能力下,该方法优于k-G,与k-MAX基本相当。(3)设计了一种比树宽更准确地衡量推理复杂度的指标——平均消元成本(Average Elimination Cost,AEC),并提出了限定AEC的贝叶斯网学习方法。在实际应用中,很多数据集中结点值域大小并非都是二值或者相同的,这种情况下树宽并不能准确刻画此类贝叶斯网的推理复杂度。而AEC考虑到了贝叶斯网中每个结点的值域大小,允许结点间共享彼此未使用的消元成本,故AEC对推理复杂度的刻画能力比树宽更强。在多个数据集上的实验结果表明,该方法优于同类方法。

关键词： 计算机辅助分子设计   反应溶剂   溶剂化效应   前线轨道理论   机器学习  

摘要： 反应溶剂在有机合成中起着重要作用,在溶剂化效应下,可以调节液—液均相有机合成的反应速率。过程系统工程的优化方法可应用于反应溶剂分子结构设计,从而提高反应速率和选择性,改善产品收率和纯度,从根本上减少或消除副产品的生成,实现有机合成清洁生产。但反应溶剂的设计仍存在一些问题,例如现有反应动力学模型需要对基元反应的过渡态结构进行计算搜索,耗费大量的计算时间成本。对此,本文开展基于前线轨道理论及机器学习的反应溶剂设计研究,通过前线轨道能量量化溶剂化效应,构建反应动力学模型,进一步,结合机器学习对动力学模型计算过程中的重要参数——介电常数进行高通量预测,并以此为基础开展反应溶剂设计研究。本文主要研究内容及成果如下: （1）针对传统反应动力学半经验模型存在过渡态搜索耗时费力的问题,提出一种预测反应速率常数的混合建模方法用以构建反应动力学半经验模型。该方法由前线轨道理论推导、灵敏度分析与描述符选择与补充三个步骤组成,可分别改善反应动力学模型的泛用性、稳定性与准确性。采用文献中的两个算例对所提混合建模方法进行验证,得到了回归效果良好且抗干扰能力强的反应动力学半经验模型,从而证明了模型的准确性与通用性。本文所构建的反应动力学模型为后续反应溶剂设计工作奠定模型基础。 （2）提出一种预测介电常数性质的机器学习模型,用以解决反应动力学模型的描述符对介电常数参数精度依赖较高且介电常数实验数据经常缺失的问题。该方法由词嵌入无监督网络、图注意力网络与集成学习策略三部分组成,分别用于生成分子结构描述符、预测分子性质与进一步提高模型效果并避免误差放大问题。该方法不仅可以应用于介电常数预测,还可应用于毒性、水溶性、水合自由能性质预测,体现了其通用性。本文所构建的介电常数预测模型结合反应动力学模型可实现溶剂环境下反应速率常数的高通量预测。 （3）基于反应动力学半经验模型和介电常数性质预测模型,使用计算机辅助分子设计方法设计最优反应溶剂,实现快速、准确找到使反应速率常数最大化的反应溶剂目标。该方法由确认目标及性质要求的准备阶段、计算机辅助分子设计阶段以及验证分析阶段组成。能够快速求解得到符合要求的最优目标分子结构。并以SNAr反应和Menschutkin反应为例,设计得到使反应速率/选择性更优的反应溶剂分子结构,说明了所提方法的通用性以及反应溶剂反向优化设计的可行性与有效性。

关键词： 茶病   EfficientNet   分层分类   加权抽样   微信小程序  

摘要： 茶叶病害是茶树生长过程中不可避免的问题,传统的病害识别方法费工费时、精确度差,且难以应对茶叶病害小样本且分布不均匀、茶叶病害之间相似度高等问题。为了解决这些问题,本文提出了一种基于高效骨干网模型的加权抽样分层分类学习方法。该方法在Efficient Net模型为高效骨干网络进行分层分类学习的基础上,通过增强特征提取能力,有效缓解茶叶病害之间相似度高对模型分类性能的影响。另外,为了更好的解决茶叶病害样本少且分布不均匀的情况,本文还引入了加权抽样的方案,该方案不仅缓解了样本数据过少带来的过拟合影响,还使不平衡的分类数据抽到的概率大致平衡,进一步提高了识别准确率。本文以茶叶健康和茶叶的4类常见叶部病害(茶藻斑病,茶白星病,茶炭疽病,茶云纹叶枯病)为主要研究对象,在基于7种不同的高效骨干网络中引入“加权抽样分层分类学习方法”进行训练,并对加入该学习方法前后的模型进行效果对比分析,使用准确率(Accuracy)、精确率(Precision)、召回率(Recall)、f1-score进行评估。实验结果表明,7种模型在引入加权抽样分层分类学习方法后,其准确率大多有所提高,其中Shuff Net-V2模型在加入该学习方法后准确率提高了12.21%,而Efficient Net-B1模型在加入本文学习方法后准确率高达99.21%,相较于Efficient Net-b2(98.82%)和Mobile Net-V3(98.43%),识别准确率得到了进一步提升。这表明,加权抽样分层分类学习方法在茶叶病害识别中具有很好的效果,可以帮助提高模型的分类性能。而后利用迁移学习的混淆矩阵和模型可视化对模型进行评估和可视化,从而进一步的帮助我们提高模型的性能和理解模型的工作原理。最后,研究者开发了一个识别茶叶病害的微信小程序,通过该小程序,用户可以方便快捷地获取准确的茶叶病害识别结果和对应的病害描述以及防治方法。该小程序不仅可以帮助果农和相关科研人员更好地甄别茶叶病害,提高茶叶种植的质量和产量,还可以帮助消费者更好地了解茶叶的品质和病害情况,增强消费者的购买信心。因此,该小程序具有一定的实用性。总之,基于高效骨干网模型的加权抽样分层分类学习方法在茶叶病害识别中具有很好的效果。该方法可以有效地缓解茶叶病害之间相似度高和样本少且分布不均匀的问题,提高模型的分类性能和准确率。该研究还为茶叶病害识别领域的研究提供了新的思路和方法,有望在农业生产和消费领域产生广泛的应用和推广。