关键词： 语义分割   遥感图像   U-Net   空洞卷积   注意力机制  

摘要： 随着遥感技术的不断发展,遥感图像在环境监测、城市规划等方面发挥着越来越重要的作用。遥感图像的语义分割技术是遥感应用中的一个重要分支,通过对遥感图像的语义分割,可以实现对不同地物和目标的快速识别和准确分割,为城市规划、资源管理、环境保护等工作提供数据和技术支持。由于遥感图像本身具有高分辨率、背景目标复杂、信息繁多等特点,导致传统的分割方法难以满足实际应用的需求。因此对于提高遥感语义分割精确性的研究,具有一定的理论研究意义与工程应用价值。本文针对遥感图像语义分割任务中存在的问题,从遥感图像语义分割任务对于精度的需求出发,提出了如下工作: 首先为了解决遥感语义分割场景下普通语义分割模型精度不够的问题,本文结合了空洞金字塔池化模块与残差模块对U-Net网络模型进行优化,提出了基于残差结构和空洞金字塔池化模块的编解码语义分割模型。通过引入U-Net网络模型,在编码器网络将主干网络下采样模块优化为残差模块;同时引入空洞空间金字塔池化模块来捕捉更加全面和丰富的图像语义信息;并在遥感数据集Potsdam与Vaihingen上,进行了对比实验,实验结果证明本文提出的网络相较于经典语义分割模型拥有更好的分割效果,在平均交并比(m IOU)上分别比表现最好的PSPNet提高了2.18%与1.58%。 然后针对于遥感数据集中部分类别复杂难以区分的问题,在网络中增加了通道注意力机制模块。坐标注意力机制是基于坐标信息的一种注意力机制,可以用于提高模型对于目标边界和细节信息的识别和分割能力。该模块可以自适应地调整每个像素点的权重,从而使模型更加关注目标的准确位置和形状,最后在遥感数据集中与之前模型进行消融实验,相较于没有添加坐标注意力机制的网络,m IOU部分在Potsdam与Vaihingen数据集上分别提高了1.24%与0.75%。 其次考虑到遥感数据集中类别分布不均衡从而容易导致过拟合的问题,常规的交叉熵损失函数对于不平衡的遥感图像语义分割任务存在一定的缺陷,因此提出了一种新的平衡损失函数。该损失函数可以自适应地调整不同类别之间的权重,从而解决了传统损失函数在处理不平衡数据时出现的问题,提高了语义分割的精度。该方案对于占比较少类别分割效果提升明显,在消融实验中对比于之前模型在Potsdam和Vaihingen数据集上的汽车类别m IOU分别提升了7.97%和9.45%。 最后以上述改进为基础,开发并实现了对应的遥感图像语义分割系统。

关键词： 预训练语言模型   程序学习   模型可解释性   强化学习   网络应用防火墙  

摘要： 程序学习被定义为开发某些满足规范或一组约束的算法的任务。预训练语言模型在多个自然语言处理任务上起到了举足轻重的效果,也为处理程序学习任务提供了可解决方案。所以,基于预训练语言模型的程序学习对于探索语言模型迁移到程序学习任务的工作机制是有意义的,如何为基于预训练的语言模型的程序学习寻找一个落地应用点(网络应用防火墙测试领域)也是有实际意义的。当前程序学习任务主要采用传统搜索算法或简单深度学习框架,该方法需要提前设计领域特定语言,利用海量程序学习数据去训练,而且针对每个任务需要一个特定的模型副本;而GPT-3等生成式预训练语言模型的成功展示模型对于不同任务具有迁移能力,而且只需要少量的训练数据。所以本文第一个主要工作是研究针对现有生成式预训练语言模型,设计有挑战性的程序学习任务,并通过自注意力归因分析模型中的数据流向,识别出模型中特定的注意力头并提高其输出值权重,能够提高模型在程序学习任务上的平均准确率6.71%;然后根据自注意力归因的权重大小对模型进行裁剪,能够在保持准确率的同时裁剪模型为原大小的87.2%,实现最优的模型裁剪;最后得出只要训练任务是类似的,重要的注意力Head是高度相关的结论。本文第二个主要工作是研究将基于预训练语言模型的程序学习方法应用到网络应用防火墙测试领域,第二个工作的目标是一方面研究基于预训练模型的程序学习方法的实际应用效果,另一方面解决传统机器学习方法在测试网络应用防火墙时存在的问题并提升测试的有效性和效率。网络应用防火墙被广泛用于保护关键的网络应用,以抵御多种安全威胁,因此定期测试防火墙以防止攻击者轻易绕过它们非常重要。基于机器学习的黑盒防火墙测试越来越受到关注,现有的基于机器学习的方法对攻击负载数据的来源和规模有严格的要求,并且存在局部最优问题,限制了其有效性和实用性。本文提出基于预训练语言模型的程序学习测试网络应用防火墙,该方法通过强化学习对生成式预训练Transformer语言模型进行微调,使其对攻击负载数据限制最小,从而在实践中更适用;其次使用打分模型建模和KL-divergence惩罚来提高方法的有效性并缓解局部最优问题。本文在两个著名的开源防火墙上针对三种常见攻击进行了评估。实验结果表明,该方法明显优于ML-Driven和RAT,在1,250,000个请求中发现了多达7.8倍(平均3.2倍)的绕过攻击负载,或者使用少达8.1倍(平均3.3倍)的请求找出了所有绕过攻击负载。

关键词： 动态图数据   开放式学习   节点分类   鲁棒性   图卷积网络  

摘要： 动态图数据是指节点特征和边关系会随时间发生变化的图数据,可被用于建模多种复杂数据,如交通网络、社交网络等。动态图数据中的一个关键的机器学习任务是节点分类,即预测未标注节点的类别。尽管近年来大量节点分类模型方法被陆续提出,动态图节点分类问题研究仍然面临以下三方面的挑战:一是已有方法大多基于“封闭式学习”的假设,即模型测试阶段所遇到的类别都是训练阶段已学习过的类别。然而在现实世界中,模型测试阶段往往会面向更加开放的环境,新类别和未知类别会持续涌现。传统的封闭式分类模型会强制将所有测试样本归纳到训练阶段学习过的已知类别中,从而获得极差的分类效果。针对动态的图节点分类问题,建立一个开放式学习的分类器能更有效的适应真实的应用场景和实际需求,获取更准确和更可信的分类结果。二是实际应用问题所对应的动态图数据常常携带大量的噪声数据,例如由于测量错误造成的离群值和异常值,由于设备性能造成的数据噪声等。在面向动态图数据的开放式分类模型构建中,如何规避噪声数据的影响,是构建准确可信、具有实际应用意义的动态图分类模型面临的另一个挑战。三是现有的模型通常使用one-hot向量对类别进行编码,这种编码方式较为简单粗暴。实际应用中出现的众多类别并不一定是独立等距离的,如何更好的对类别进行表示学习,从而服务于开放式的动态图分类学习,是我们可以进一步探索的另一个方向。针对以上分析,面向开放环境下的动态图分类问题,本文做了如下研究: （1）本文提出了一个新的基于动态图数据的开放式学习模型OSSC（Open-world Structured Sequence node Classification）。利用一个基于图卷积神经网络（Graph Convo-lutional Network,GCN）GCN的动态变化框架,OSSC能够捕获动态图数据中变化的结构和时序信息。通过不确定性状态和确定性状态的结合,以及抽样过程来生成节点表示,OSSC学习每个节点的潜在分布,以捕获节点属性和图的拓扑结构变化特征。另外,OSSC还引入了一个开放式分类损失函数以确保节点表示对未见类样本保持敏感。为了能够在真实环境中更好的分类,OSSC采用Openmax和Softmax的结合,来区分未见类以及把已见类正确分类。实验表明,OSSC能够在动态图数据中学习一个准确的开放式学习分类器。为了提高OSSC算法对噪声样本的鲁棒性,本文进一步提出了ROSSC（Robust Open-world Structured Sequence node Classification）算法,通过采用拉普拉斯分布表征节点和重抽样去除尾部概率,使得学习框架能够有效应对数据中存在的异常标注样本。 （2）传统的深度学习模型通常将目标类编码为one-hot向量,即把不同的类别表示为C维空间上相等距离的点集,这种方法不能很好地刻画类别的特征。为了进一步提高动态图数据的开放式学习框架的分类准确率,基于密集目标编码,本文提出DTE-ROSSC（Dense Target Encoding based Robust Open-world Structured Sequence node Classification）算法。本文将为每个已见类i（i=1,...,C）定义类别特定的密集目标编码Ei={eij|j=1,...,K}。密集目标编码学习将为每一个测试样本赋予其最邻近的目标向量。通过这种方式,所提出的DTE-ROSSC算法能够有效提高分类准确率。

关键词： 机器学习   室性早搏   随机森林模型   心电图   左室流出道   右室流出道  

摘要： 目的:流出道解剖包括左室流出道(left ventricular outflow tract,LVOT)、右室流出道(right ventricular outflow tract,RVOT)等部位,因其解剖结构很接近,因此,室性早搏心电图图形非常相似,特别是起源于左右室流出道的室早。本研究旨在建立一种室性早搏起源预测模型,利用体表心电图特征来区分室性早搏起源LVOT还是RVOT。 方法:本研究纳入2015年1月至2022年3月共851例接受射频消融术的室性早搏患者。92例患者因合并结构性心脏病、既往射频消融史、心电图质量差、随访缺失被排除。其余759例患者分别纳入发展队列(n=605)、外部验证队列(n=104)和前瞻性队列(n=50)。发展队列由训练组(n=423)和内部验证组(n=182)组成。利用机器学习(machine learning,ML)算法基于体表心电图特征构建室早起源预测模型。 结果:起源于左右心室流出道的室性早搏在心电图指标(室早QRS波电轴、移行指数、I导联S波振幅、III导联R波振幅、AVR导联R波振幅、AVL导联S波振幅、AVF导联R波振幅、V1-V4导联R波振幅,V1-V3导联S波振幅、III导QRS波持续时间、V1导联R波持续时间、V1导联QRS波持续时间和V1导联R波持续时间占QRS波持续时间百分比)存在显著差异。在发展队列中,随机森林模型的ROC曲线最大面积(AUC)为0.96(95%可信区间:0.93-0.98),超过其余8种机器学习模型。随机森林模型在内部验证队列的布尔得分0.07,表示模型校准良好。随机森林模型得出的前6重要的心电图区分特征分别是:V1导联S波振幅、V1导联QRS波持续时间和V1导联R波持续时间占QRS波持续时间百分比、V3导联R波振幅、V2导联R波振幅、V1导联R波持续时间和V1导联R波振幅。在外部验证队列中,随机森林模型在预测性能方面超过了4种已报道的算法(准确性:94.23%,敏感性:97.10%,特异性:88.57%)。在前瞻性队列中,随机森林模型表现出良好的性能(准确度:94.00%,灵敏度:85.71%,特异性:97.22%)。 结论:随机森林算法精准定位流出道室性早搏起源,超过了以往4个流程,可用于射频消融手术前室性早搏起源鉴别。

关键词： 初中音乐   奥苏贝尔   有意义学习   实践研究  

摘要： 随着基础音乐教育课程改革的不断深入,国外音乐教学法中国化研究成果不断涌现,引起了人们对国外教育理念的关注,有不少利用国外教育理念结合我国音乐教育实践的研究,奥苏贝尔的有意义学习理论运用研究也在其中。由于当前基础音乐教育仍然存在“讲授—接收”的传统教学方法,忽视了学生主体地位,限制了学生的积极思维,使音乐教育失去了应有的价值,同时也挫伤了学生学习音乐的积极性。因此,如何激发和调动学生学习的自主性,充分发挥音乐教育在人的全面发展中的作用,是当前基础音乐教学改革亟待解决的问题之一。鉴于此,笔者尝试运用奥苏贝尔的有意义学习理论,提升初中音乐课堂教学中学生对音乐学习的积极性与主动性,引导学生独立地把固有的知识和新知识相结合,使机械学习向“有意义学习”转变。本文以奥苏贝尔的有意义学习理论为实践依据,以固始县国机励志中学为研究对象进行实践,之后,采取问卷调查法和访谈法进行了有意义学习理论在基础音乐教学中的应用情况调查,发现将有意义学习理论应用于初中音乐教学是可行的,也是必要的。且有意义学习理论可以与初中音乐教学进行有机融合,促进了学生的音乐学习。又根据调查结果分析总结了固始县国机励志中学使用有意义学习理论开展音乐教学存在的问题:一是学生进行有意义学习的基础条件不足;二是教师先行组织者的运用效果不明显;三是学生缺乏音乐学习的内驱力。针对问题,本文提出了有意义学习理论在初中音乐课堂中实施的策略:第一,促进有意义学习条件的形成,形成有意义学习概念化心向,建立音乐新旧知识技能间的联系,选择建构化教学模式;第二,有效运用先行组织者,要在进行教学之前确定先行组织者,促使学生形成完备的认知结构,促进音乐学习材料的同化,实现知识技能的迁移,突出学习材料的价值与意义;第三,提升学生学习的内驱力,体现发展性与多元化的评价方式,促使学生不断努力。最后对本文的实践研究进行了反思与总结。希望本研究成果可以为有意义学习理论在初中音乐课堂的教学实践应用提供一定借鉴和帮助。

关键词： 强化学习   离线-在线   Actor-Critic   状态部分可观测  

摘要： 强化学习作为人工智能的重要分支,在智能决策与智能控制领域具有广阔的应用前景。强化学习可以分为在线强化学习和离线强化学习,其中,在线强化学习通过边交互边学习的方式,不断优化智能体的策略,但是这种方法需要耗费昂贵的交互成本和承担交互风险。离线强化学习则是使用固定的经验数据集进行训练。因此,离线强化学习可以保证训练的安全性。同时,在离线强化学习中,大量数据的使用也使大决策模型的应用成为可能。但是,离线强化学习由于缺少在线交互的过程,会产生外推误差和数据缺失的问题。对于外推误差问题,可以通过行为策略约束进行有效缓解,而数据缺失问题则无法有效解决。另一方面,部分可观测特性是阻碍强化学习落地应用的重要原因。当前,对于环境部分可观测强化学习问题的研究仅限于在线强化学习领域,在离线强化学习设定下,往往没有考虑环境部分可观测特性。针对以上问题,本文围绕完全可观测和部分可观测情形下的离线-在线强化学习展开研究,主要工作总结如下:(1)在状态完全可观测的情形下,探究离线-在线强化学习设定下性能下坠问题,并提出一种离线-在线Actor-Critic算法。通过在策略目标函数中引入行为克隆约束项,缓解离线训练阶段的分布偏移问题。另一方面,在在线训练阶段,逐渐减小行为克隆约束项的影响,缓解切换阶段的策略性能下坠问题。(2)在状态部分可观测的情形下,提出状态部分可观测的离线-在线ActorCritic(PO3AC)算法。在PO3AC中,在离线训练阶段,使用循环神经网络分别训练Actor和Critic,同时训练一个状态预测模型,以预测状态观测到真实状态的一个映射。转入在线训练之后,在训练模型的同时,将状态预测模型预测的状态引入训练过程之中,用以指引在线策略的学习。在本文中,所有实验均在MuJoCo和PyBullet物理引擎上进行。实验结果表明:本文所提出的离线-在线强化学习方法在策略性能、训练时间、计算量等指标上均达到或超过AWAC、BCQ-ft等先进强化学习算法。O2AC算法性能高出对比最优算法性能13.8%,运行时间约为平均对比算法的40%;PO3AC算法性能高处对比算法性能一倍以上。

摘要： 美国当代音乐心理学家、音乐教育家埃德温·戈登结合心理学相关理论提出的音乐学习理论（Gordon music learning theory）包括音乐听想、音乐性向、音乐学习顺序三类内容。这套理论以音乐学习者为主体探讨音乐教学，其侧重点在于对学生自身音乐能力与潜力的研究，即讨论“儿童是如何学会音乐的”。音乐学习理论形成于审美教育哲学与实践音乐哲学产生争论的时代背景下，与科达伊、奥尔夫、达尔克罗兹、铃木教学法并称为五大音乐教学法。

关键词： 毫米波雷达   微多普勒   行人识别   深度学习   生成式对抗网络  

摘要： 行人识别是汽车自动驾驶领域备受关注的问题之一。相较于摄像头、超声波雷达等传感器,车载毫米波雷达不受雾霾、雨雪等恶劣天气以及环境光照强度的影响,能够测量目标的距离、速度和运动方向,且对目标的识别精度较高,因此使用毫米波雷达作为传感器广泛应用于行人识别问题。微多普勒效应为使用毫米波雷达进行行人识别提供了理论支撑,人行走时手和腿相对于躯干的摆动会产生微多普勒效应,每个人有不同的体型和走路习惯,因此在回波信号中包含特有的微多普勒特征。本文从雷达信号中提取时间-多普勒图和物理特征这两类微多普勒特征,提出了一种基于微多普勒特征的行人识别深度学习方法和一种基于生成式对抗网络的数据增强方法,并通过实验证明了两种方法在行人识别问题上的有效性。针对基于微多普勒特征的行人识别问题,提出了一个基于多任务学习的深度学习网络模型,模型联合学习时间-多普勒图和从图中提取的物理特征,并将两类微多普勒特征学到的知识融合作为最终的识别结果。实验结果表明,和其他行人识别深度学习模型相比,本文提出的模型具有更高的识别准确率和稳定的识别结果。针对数据样本较少的情况,提出了一个基于生成式对抗网络的数据增强方法。由于连续的距离-多普勒图之间存在时间相关性,设计了一个能够同时学习空间相关性和时间相关性的生成式对抗网络RDGAN(Range-Doppler Generative Adversarial Networks),生成类似真实数据的距离-多普勒样本从而扩充数据集,提高模型的泛化能力。实验结果表明,数据增强后的多任务学习模型能够达到更高的识别准确率。本文采用了更加接近真实场景的数据集,包含在两个房间不同时间收集的受试者自由行走的雷达数据。多任务学习模型在测试集上的识别准确率为88.86%,经过生成式对抗网络数据增强后能够达到91.52%,结果表明本文提出的方法为行人识别问题提供了有效的,且更具现实意义的解决方案。

关键词： 网络表示学习   深度学习   异质信息网络   属性网络   自监督学习  

摘要： 现实世界中的复杂系统通常可以建模为网络的形式,如社交网络、交通网络、引文网络等等。网络在生活中是无处不在的,对网络数据进行分析在各个学科及应用领域中都具有非常重要的意义。近些年,网络表示学习技术逐渐成为网络数据分析方向的一个研究热点。网络表示学习又名网络嵌入,它的本质是将网络映射到一个低维稠密的向量表示空间,同时又能够最大化地保存原始网络的拓扑结构及其属性特征等信息。网络表示学习为大数据的处理和挖掘提供了一种高效的网络表示形式,即将网络化的数据转化为向量,使其能够方便地应用到后续的节点分类、节点聚类、链路预测等多种下游机器学习任务中。然而,随着数字经济时代下社会的发展,真实世界中的网络逐渐呈现出大规模性、异质性等特征,如何对这样的庞大的复杂网络进行高效地处理及分析成为一个亟待解决的问题。尽管现有的网络表示学习方法在处理各种网络分析任务上已具有一定优势,但仍然还存在一些值得深入研究的地方。首先,现实世界中的网络是由不同对象及复杂的关系构成的异质信息网络,如何在进行异质信息网络表示学习的同时,对网络结构和复杂语义之间的潜在关联展开探索是待深入研究的难题。其次,除了网络本身的拓扑结构外,网络中的节点还具有各自特有丰富的外部属性信息,如何在保存网络结构特征同时有效融入这些非线性外部属性信息到节点表示学习过程是属性网络表示学习研究的关键。最后,现有的许多表示学习方法都遵循的一个共同前提是原始网络是可靠的,而通常这种可靠性在很大程度上无法得到绝对保证。为此,针对以上三个方面的问题,本文围绕保存网络语义的异质信息网络表示学习,探索了外部信息与网络拓扑之间潜在关联的属性网络表示学习,以及在不可靠原始网络上进行的基于结构增强的自监督异质网络表示学习,展开了基于深度学习的网络表示学习方法研究。本文完成的主要工作如下:(1)针对单视图网络难以描述异质信息网络中节点之间的复杂关系,设计了一种基于多视图的异质信息网络表示学习方法。首先基于元路径得到的网络语义将原始的复杂异质信息网络进行拆分,并构建多视图语义网络。在生成的多视图网络之上,通过提出的单视图网络语义保存和增强的视图协作机制建模网络结构与语义之间的联系。最终结合注意力机制对各个视图表示进行加权融合得到节点表示。(2)针对节点外部属性信息与网络拓扑之间的潜在非线性关联,设计了一种联合深度网络结构注意和属性注意的属性网络表示学习方法。首先,利用网络邻接矩阵和属性相似度矩阵探索了一种结合节点属性保存网络高阶信息的融合矩阵。其次,为了捕获到网络结构和属性之间的高度非线性关联,设计了一个基于深度属性注意的结构嵌入和基于深度结构注意的属性嵌入模块,两个模块在训练的时候分别能够表现出对结构和属性特征的学习偏好。最后通过联合两个模块的隐层输出作为最终的节点表示结果。(3)针对真实网络数据的可靠性难以得到保证,通常伴有噪声和不完整的特点,设计了一种基于结构和语义感知的自监督异质信息网络表示学习方法。首先,对于可能包含噪声和不完整的原始异质信息网络,采用一种基于节点属性的结构增强方法进行处理。然后,一方面通过节点级注意和类型级注意对网络模式结构进行了探索,实现节点局部邻域结构的保存。另一方面用深度神经网络探索了保存网络高阶语义的交换矩阵。通过以上两个方面的处理,最后设计了一个特定自监督学习优化损失函数,以从数据本身挖掘监督信号的方式对模型进行训练并得到最终节点表示。最后,在多个不同的数据集上,对上述提出的表示学习方法进行了实验验证,并与现有的网络表示学习方法进行了比较。实验结果论证了提出的方法在链路预测、节点分类等多个网络分析任务上的有效性。

关键词： 有限元模拟   深度学习   RCS   桩基应力应变  

摘要： 深度学习模型具有优越的学习能力与抽象表示能力,在机器视觉、自然语言处理、时间序列预测等领域得到广泛应用。但深度学习模型具有两方面的不足:1)模型训练通常需要类型丰富、数量充裕、标注良好的高质量数据样本;2)模型的可解释性差,具有“黑盒”特性:模型有效的工作机理、提取特征对结果的影响、特征之间的关系等都难以获得。针对深度学习的上述问题,研究机理与数据融合的智能计算方法,通过机理分析与建模,可以1)理解任务可解决的物理机理,不仅指导深度学习模型需要提取的语义特征,同时指导深度学习模型的结构设计,通过将领域知识嵌入模型,提高模型的学习效率;2)基于任务的机理分析及其确定的语义特征,可建立物理特征量反演的逆映射模型,解决反问题求解的难题。将机理与数据融合的智能计算方法具体应用于电磁计算与静力学计算领域,借助有限元分析的机理建模技术,研究飞行目标电磁探测与桩基应力应变预测的机理分析与机理建模,探索机理指导下的深度学习正演与反演智能计算模型设计方法。具体研究内容包括:(1)针对电磁计算的雷达探测飞行目标任务,首先对飞行目标雷达截面积(RCS)信号的生成机理进行分析,并通过有限元分析的机理建模,构建以单站远场雷达平面波为激励源下规则几何体RCS信号生成的机理模型。在电磁计算的网格划分为模型的结构依据,设计了减少网格参数并能结合电场强度降低输入参数量的网格数据预处理方法。然后基于有限元分析模型的网格划分结果,设计了一种基于网格结构为输入层的GAN模型模拟生成RCS信号,由此可实现目标的分类识别。进而设计了反演飞行物表面材料电磁散射系数的深度学习模型,性能测试验证了提出的反演网络的有效性。(2)针对静力学计算的桩基静载应力应变预测任务,首先对应力应变计算的本构模型的物理机理进行了分析,确定有限元分析的建模方式,建立桩基静载应力应变计算的有限元分析模型,并提出一种降低网络结构复杂度的网格数据预处理方法。然后基于有限元分析的网格划分结构,提出了基于Resnet模型的桩基静载应力应变预测的深度学习网络,不仅实现高精度的预测应变值,同时大幅提高预测的效率。针对决定桩基承载力的土层弹性模量与摩擦系数,基于正演模型的应力应变预测结构,提出了将U-Net模型与扩散模型相结合的关键参数反演的深度学习模型。性能实验结果表明,提出的反演模型能够精确预测桩基土层关键参数预测。通过在电磁计算与静力计算的两个应用中的具体研究表明,机理与数据融合的智能计算方法通过将物理机理的领域知识与数据驱动的深度学习建模进行高效融合,可以在物理机理的理解基础上确定语义特征,不仅指导深度学习模型的结构设计与网络参数设计,同时可以指导关键物理参数反演的反问题建模,并提高深度学习的泛化能力,解决有限元分析方法的建模与计算复杂度高的难题,为深度学习在工程领域中的高效应用提供了可行的方法。