关键词： 大学生   学业成就   生命意义感   自主学习  

摘要： 在高等教育学领域,大学生学业成就是衡量高等教育人才培养质量的重要评价指标,新时代对高等教育人才培养提出了新展望;我国的高等教育已迈入普及化阶段;学习型社会的建立也为高等教育提出了新需求。大学生生命意义感和自主学习也是高等教育领域值得关注的重要变量。本研究以大学生学业成就、生命意义感、自主学习为研究对象,采用问卷调查和访谈编码相结合的方法,对湖北省某高校的888名本科生进行调查研究,厘清生命意义感、自主学习、大学生学业成就之间的影响机制,并探讨大学生学业成就的影响因素。 论文共有五个部分:第一部分为绪论,阐述问题的提出;本研究的理论意义和实践意义;对本研究的核心概念进行梳理,并对相关文献进行述评;阐述本研究所使用的理论基础,本研究的研究目标、研究思路、研究假设和研究方法,进而阐述本研究的具体实施过程。第二部分为大学生学业成就、生命意义感以及自主学习影响关系研究,主要分析大学生学业成就、生命意义感、自主学习之间的量化关系。第三部分为大学生学业成就、生命意义感以及自主学习影响机制研究,主要探讨大学生学业成就、生命意义感、自主学习的具体作用机制以及大学生学业成就的影响因素,并对分析结果进行讨论。第四部分为大学生学业成就提升策略,主要提出为提升大学生学业成就,提高高等教育人才培养质量的对策建议。第五部分为研究不足与展望,主要总结本研究的不足之处和未来研究展望。 最终,本研究得出如下结论:(1)生命意义感在性别、年级、本专业感兴趣程度、家庭社会经济地位上存在显著差异;自主学习在性别、本专业感兴趣程度、家庭社会经济地位上存在显著差异;大学生学业成就在本专业感兴趣程度、家庭社会经济地位上存在显著差异。(2)生命意义感、自主学习与大学生学业成就三个变量两者之间呈显著正相关,生命意义感能正向预测大学生学业成就,自主学习也能正向预测大学生学业成就,生命意义感能正向预测自主学习。自主学习在生命意义感对大学生学业成就的影响中起到部分中介作用。生命意义感影响大学生学业成就主要有以下两条路径,一是生命意义拥有较高的个体能够明确自己该做的事,并拥有克服困难的动力进而提升学业成就;二是生命意义寻求维度较高的个体具有较高水平的学习动机进而促进自主学习水平来提升学业成就。自主学习促进大学生学业成就的路径也有两条:一是通过学习动机促进学习投入的增加;二是通过学习策略进而提高学习效率。(3)除了生命意义感和自主学习能够充当大学生学业成就的影响因素外,智力、学习效率、学习毅力、学习投入都是大学生学业成就的主要影响因素。最后基于研究结论为提升大学生学业成就从关注心理健康、提升自主学习水平、加强学业指导三方面提出以下对策:明确高校教师和课堂作为生命意义教育主体,树立学生规划意识,发挥目标导向作用,健全心理危机干预机制;激发学生学习意识,发展学生学习本领;针对弱势群体开展学业帮扶,丰富助学途径,提高助学效率。

摘要： 一、复习铺垫，分享学习方法师：同学们，有些成语出自寓言故事，比如“掩耳盗铃”“画蛇添足”。你最喜欢哪个寓言故事？为什么呢？生：我最喜欢《叶公好龙》这个寓言故事。叶公非常喜欢龙，可是当真龙拜访他时，他竟然逃跑了。真有意思！生：我最喜欢《守株待兔》这个寓言故事。故事中的农夫偶然捡到一只撞死的兔子，便放下锄头不种田，每天坐在树桩旁，希望能够再次捡到兔子，结果田里长满了野草。故事告诉我们，人不能存侥幸心理。

关键词： 炭素混捏   混捏终点   机器学习   时序预测   LSTM算法  

摘要： 预焙阳极作为电解铝过程的重要原材料,其质量的好坏直接关系到铝电解的耗炭量、生产稳定性、铝的纯度等技术指标。炭素混捏为预焙阳极生产的重要工序,混捏终点判断影响着生阳极生产过程的自动化、生产效率和产品合格率。本文首先进行了影响炭素混捏终点的因素的机理研究,再对混捏工艺数据进行采集存储,最后利用机器学习方法建模,实现对炭素混捏终点的判断。所做工作及结论如下:(1)分析了影响炭素混捏终点的因素,明确了机器学习模型的各种输入量。通过对炭素混捏过程的分析,将影响混捏质量的因素和对混捏机工作有影响的因素进行总结归纳得出了影响炭素混捏终点的因素。再进行分析筛选,最终得到可后续采集并能作为机器学习模型的输入量有混合料温度、混捏时间、电机电流、电机电压、搅刀扭矩、搅刀旋转角度等。(2)通过混捏机智能传感系统采集了混捏工艺数据,并实现了两种数据传输及存储办法。对原有数字混捏机能采集到的电流、温度和压力等数据进行了分析,比较了多锅混捏运行数据的分布情况。结果表明数据存在采集频率低、采集因素不全等问题。进一步利用课题组设计的混捏机智能传感系统对混捏数据进行采集,实现了两种数据传输及存储方法,并选用了4G模块的数据透传方法,最终得到了混捏工艺的运行数据。(3)基于机器学习方法实现了对炭素混捏终点的判断。通过分析机器学习建模方法,明确了判断炭素混捏终点的实现步骤。本文根据混捏终点的评判标准不同,采用了两种建模方法。先建立了判断混捏是否完成的分类模型,将机器学习算法应用在炭素混捏终点的判断上。在得到了智能传感系统采集的数据后,再根据其数据的时间特性,进一步利用了时序预测方法,建立回归模型。根据实验结果,使用LSTM算法的时序预测模型判断混捏终点效果最好,其预测混捏剩余时间平均绝对误差控制在30秒内,误差峰值不超过60秒,模型预测结果符合预期。后续对该模型进行实际应用,实现了对炭素混捏终点的判断。

关键词： 行业轮动策略   DRL模型   DRLSTM模型   量化投资  

摘要： 在A股市场板块的轮动特征越发明晰的当前背景下,行业轮动策略越发受到投资者的青睐。然而,目前业界的行业轮动策略多数以人工分析、经验判断的方式进行决策,往往受到主观因素、情绪波动等因素的影响,难以实现最优组合。基于深度强化学习(DRL)构建策略可以消除主观因素影响,提取出普通方法难以挖掘出的规律,并实现自适应策略调整。本文的策略基于DRL模型,并且考虑时序数据的特殊性,策略实现采用了DRL的变种DRLSTM模型,以更好地学习时序数据的长期依赖关系。策略实现基于Fin RL框架,并在交易环境类中自定义动作子空间和风控模块。由于Fin RL中没有实现LSTM网络,故通过Keras自定义实现LSTM模型部分。在策略的回测实施中,首先将数据集分为测试集、验证集、交易集,以检验模型基于不同的数据集的交易表现。然后将原始数据进行特征工程和因子选取,因子测试方法采用单因子IC测试和单因子分组测试,以测试因子对于标的收益率的相关效应和分层效益,单因子对收益率的IC系数测试中可发现A股市场存在明星的动量效应,分层测试中财务指标整体较好。接着,将最终选取的因子输入DRLSTM模型,基于自定义的LSTM网络模型进行参数调优,最终获取模型稳定后的回测结果。回测结果显示,在基准风险收益为13.87%的条件下,策略可以实现28.157%的年化超额收益、20.312%的年化波动率,风险收益水平优秀。为了进一步在回测中证明模型适用性,本文额外增加三组基于相同数据集回测的对照策略,分别为买入并持有策略、因子回归策略、随机森林策略。结果显示策略在收益性、抗风险性、稳定性三方面表现良好,抗极端风险能力存在不足。综上所述,本文策略在捕捉行业特征、获取风险收益等发面取得了良好的效果,本文的实践经验也可以为未来的行业轮动以及其他股票投资策略提供一定的借鉴意义。

关键词： 多核学习   主特征值比例   核目标对齐   神经正切核   随机特征  

摘要： 多核学习是一种流行且重要的核方法,其被广泛应用于各个领域。但大多数多核学习方法所采用的基核函数结构过于简单,在处理数据规模大且分布不均衡等问题时表示能力不足。确定完基核函数后,在多核学习方法中,基核权重计算也会对其性能产生较大影响。传统计算基核权重的方法通常只衡量样本数据中基核函数的表达能力,考虑过于单一。此外,核矩阵在大规模数据集中计算成本很高,这使得多核学习难以被应用到大规模问题求解中。基于上面描述的问题,本文的研究工作主要是提升多核学习算法在大规模数据集上的性能和运行效率,工作内容主要体现在以下几个方面:(1)提出一种基于神经正切核的多核学习算法NTK-MKL。通过对有限宽和无限宽神经正切核进行理论和实验研究,证明了其相较于传统的基核函数有着更好的表现。然后使用神经正切核替代传统的基核函数(如多项式核、高斯核和线性核等)作为多核学习的基核函数,从而提升多核学习方法的表示能力。(2)提出一种基于主特征值比例和核目标对齐的多核学习算法PK-MKL。该算法通过计算NTK的主特征比例值和核目标对齐值,然后将二者进行组合形成一种新的度量标准,接着将求出的度量值作为NTK核的权重,进行多核组合。该算法对基核函数在样本数据上的表示能力和基核函数的复杂度同时进行考虑,可以有效的提高多核学习的性能。(3)提出一种基于NTKSketch的多核学习算法NS-MKL。该算法通过使用反余弦核特征映射的张量积,得到显式NTK特征图;然后通过对反余弦核的特征空间进行采样,得到了NTK的随机特征,减少NTK的特征数量。接着,使用张量草图算法来近似连续层中产生的特征的张量积,减少特征的维度,从而加快多核学习算法的运算效率。此外,将NS-MKL算法应用于油井压裂增油效果预测问题中,来验证算法的有效性和可行性。

关键词： 持续学习   灾难性遗忘   宽度学习   凸学习方法  

摘要： 近年来,随着科技的进步与发展,机器学习已经在人工智能领域展现出了卓越的成绩,然而,目前大多数机器学习范式只在单个学习任务上表现良好,当面对顺序输入系统中的多个任务时,常常出现学会新任务,忘记旧任务的现象,导致灾难性遗忘发生。持续学习主要挑战的是在学习时避免灾难性遗忘,对于持续输入系统中的各项任务均表现出良好的训练测试效果,在学习新任务的同时不会忘记旧任务,同时可以利用在旧任务中积累到的知识促进新任务的学习,从而有效避免灾难性遗忘。持续学习能够更好地模仿人类学习的特性,因此实现持续学习是未来人工智能发展的关键。 本文的主要观点是灾难性遗忘现象本质上是由学习方法的非凸性导致,因此,我们提出了利用凸学习公式来解决灾难性遗忘问题。所提出的方法主要基于宽度学习系统(Broad Learning System,BLS),分别将其与递归最小二乘法(Recursive Least Squares,RLS)和反向传播法(Back Propagation,BP)相结合,根据损失函数是否为训练参数的凸函数来划分凸和非凸学习方法,可以得到两种凸学习方法:CLS-BLS(Convex Least Squares BLS),CBP-BLS(Convex Back Propagation BLS),以及两种非凸学习方法:NLSBLS(Nonconvex Least Squares BLS),NBP-BLS(Nonconvex Back Propagation BLS)。这里递归最小二乘法与反向传播法的区别主要在于损失函数不同,前者利用包含误差总和的损失函数,后者利用基于瞬时误差的损失函数。 将以上四种方法分别用于解决机器学习中的持续分类问题。本文利用从Python机器学习工具包sklearn中获取的DIGITS手写数字数据集作为测试基准,实验结果表明凸学习方法CLS-BLS达到了良好的持续分类效果;而CBP-BLS由于使用了基于瞬时误差的损失函数,导致算法没有学习新任务的能力,只在初始任务中表现良好;NLS-BLS和NBP-BLS则主要因为学习方法的非凸性导致产生灾难性遗忘问题。由此可以证明本文的主要观点:在利用包含误差总和的损失函数并且使用凸学习方法的情况下,算法能够有效地实现持续学习。此外,我们将提出的有效方法CLS-BLS与基于梯度的持续学习方法GEM(Gradient Episodic Memory)进行了对比,实验结果表明CLS-BLS能更有效地避免灾难性遗忘,进一步证明了提出方法的合理性和有效性。

关键词： 深度学习   气动建模   生成式对抗网络   差异性学习   黎曼流形  

摘要： 数据驱动的智能空气动力学是一个新兴的跨学科研究方向。飞行器的气动特性同时受飞行状态参数和气动布局参数影响,如何根据这两类参数利用深度学习方法准确获取飞行器的气动特性是智能空气动力学研究的一个重要的课题。当气动布局参数固定时,训练气动模型的数据集常来源于数值模拟（Numerical Simulation）、风洞试验（Wind Tunnel Testing）和飞行试验（Flight Testing）。数值模拟待求解的偏微分方程（Partial Differential Equation,PDE）的数值解计算过程会消耗大量的时间和硬件资源;风洞试验易受洞壁、支架等干扰;飞行试验难以遍历所有的飞行状态。因此气动数据样本通常具有有限性和数据模式差异性特点。这为深度学习在气动建模领域的应用带来两个难点:一、数据有限性问题:气动数据样本数量少,但其变化范围大,导致气动样本具有稀疏性,增加了气动模型的收敛难度;二、数据模式差异性问题:由于不同飞行状态对应的气动特性具有显著差异,现有无差别建模方法在学习样本中有限状态的数据模式时,易受其它数据模式的影响,导致预测误差大。此外,当飞行状态参数固定,根据气动布局参数求解飞行器气动特性时,气动布局通常有两种描述方式,一种是参数化特征,如展长、弦长、后掠角或多项式系数,另一种是欧氏坐标点云。由此,引出难点三,复杂外形特征提取问题:当飞行器外形产生细微变化时,飞行器的气动特性可能产生显著改变,而上述两种基于欧氏距离/向量的描述方式都难以感知飞行器外形曲面结构的细微变化,导致气动特性预测不准确。本文针对上述三个难点开展研究,具体研究内容和创新如下:1.针对飞行状态参数的有限性造成深度学习模型难以收敛的问题,本文提出生成式对抗网络（Generative Adversarial Net,GAN）判别器最佳逼近定理,证明当采用GAN处理由于样本的有限性而产生的稀疏数据时,判别器的最优形式为径向基神经网络（Radial Basis Function Neural Network,RBFNN）,并进一步提出基于径向基函数的GAN（Radial Basis Function-based GAN,RBF-GAN）和基于径向基函数集群的GAN（Radial Basis Function Cluster-based GAN,RBFC-GAN）两个新模型,用于生成大量的飞行/流动状态数据及其对应的气动特性分量。实验结果表明,与GAN相比,RBF-GAN和RBFC-GAN产生的数据均方误差（Mean Square Error,MSE）分别下降65.33%和77.37%,稳定性分别提升34.62%和72.31%;2.针对现有无差别建模方法难以反映数据模式差异性问题,本文提出数据模式差异性自适应建模的多任务学习（Multi-task Learning,MTL）模型,将数据集中包含的飞行/流动状态的不同数据模式视为多个子任务,再由集群网络（Cluster Net）针对每个子任务进行分布式学习。实验结果表明,该模型可减少不同数据模式在学习过程中的相互干扰,使非定常流场中速度分量和定常流场的压力分量预测MSE分别下降1.85%和35.11%;3.针对欧氏空间下的描述方法难以反映飞行器复杂外形特征问题,本文开创性地将飞行器外形置于黎曼空间,证明由贝塞尔曲线/曲面（Bézier Curve/Surface）逼近飞行器外形可构建分段光滑拓扑流形,进一步提取具有明确数学含义的流形特征作为飞行器的气动布局特征。实验结果表明,和坐标点云数据相比,以流形特征为输入重构的翼型曲线更为光滑,并且重构的翼型MSE下降了41.30%;4.在3所提定理的基础上,结合2中的数据模式差异性学习机制,进一步提出基于黎曼流形特征和差异性气动数据的融合模型（Riemannian manifold feature And Discrepant Data-based Fusion Method,MDF）,开展针对飞行状态特征和气动布局特征的联合学习研究。实验结果表明,与最新的研究方法相比,UIUC数据集中的翼型阻力系数（Coefficient of Drag,CD）预测MSE下降54.56%;DLR-F11机翼表面压力系数（Coefficient of Pressure,CP）预测MSE下降55.54%。本文的研究意义如下:1.将气动建模方法与人工智能方法结合,探索智能空气动力学研究的新方法;2.开展的针对飞行状态参数的数据生成研究和数据模式差异性自适应建模研究,可针对有限飞行状态数据模式快速、准确地预测气动特性,大幅降低飞行试验风险,缩短飞行器设计的迭代时间;3.在黎曼空间下,针对具有复杂外形的飞行器开展流形特征提取研究,可快速获取能准确描述其几何结构的、具有明确数学含义的

关键词： 水质量参数   伏安传感器阵列   深度学习   电化学检测设备  

摘要： 快速准确的地表水参数检测是水质量评估的重要环节。我国使用多种水质指标来评价地表水的质量,其中高锰酸盐指数(CODMn)、硝酸盐（NO3--N）、可溶性无机磷（DIP）和氨氮（AN）是四项基础的水质指标。目前,对于水质量参数的检测方法需要样品预处理、复杂的操作程序和庞大的设备。这些因素对展开高时间和空间分辨率的水参数测量造成了阻碍。相比之下,电化学分析提供了方便和快速的检测。基于伏安分析方法的多传感器系统在处理具有基质效应的多组分溶液上非常有效。本文构建由金纳米颗粒（Au NPs）、银纳米晶枝状结构（Ag NDs）和还原氧化石墨烯（r GO）修饰的丝网印刷碳电极（SPCE）组成的伏安传感器阵列。该传感器阵列在对水质指标的伏安测量中表现出良好的交叉敏感性。为了解除由于各个组分相近的氧化还原电位和基质干扰形成的峰重叠现象所带来的限制,提出了一种融合卷积的Transformer模型（FCv T）。FCv T以松耦合的方式结合卷积算子和自注意力算子。模型在捕获局部峰模式的同时,以动态权重融合全局范围内的特征向量。该模型采用融合局部特征和全局互补特征的方式解除重叠峰的限制,实现对复杂溶液中各组分浓度的量化。然后,为了满足水质量参数监测对现场检测的需要。设计了一种具有良好交互和数据共享能力的便携式多通道电化学检测设备。该设备可以执行循环伏安法或差分脉冲法,同时拥有易操作的图形化交互接口、四个测量通道和网络访问能力。设备能够在低电流水平下实现高分辨率的测量。围绕该设备构建数据分析平台,伏安数据的预处理和多变量分析模型在云端运行。最终结果在网页端进行可视化,为现场检测的结果提供了远程的访问通道。在自制混合溶液的数据集和真实水样的测试中,伏安传感器阵列与深度学习结合的框架表现出了良好的性能。结果表明,该工作开发的多伏安传感器系统、融合卷积的Transformer模型和便携式电化学检测设备具有广阔的应用潜力,可用于快速、准确地分析地表水质量参数。

关键词： 资源调查   扫海面积法   随机森林   梯度提升回归树   极限梯度提升回归  

摘要： 渔业资源评估技术是了解海洋渔业资源信息、制定渔业管理计划、保障海洋渔业资源可持续利用的重要工具,不仅可以保障生态环境,还为渔业政策的制定提供了依据,有助于实现渔业管理的经济、社会和环境目标。长久以来,扫海面积法广泛应用于渔业生物量评估工作中,其主要优点为计算简单、可操作性强,但该方法需假设资源均匀分布,若要提高生物量评估的准确性,则须改进调查方案并增加调查预算。而如今,渔业资源评估技术不再局限于传统获取渔获数据的方法,而是灵活地运用多元化的机器学习模型和统计算法,将遥感技术和大数据技术等新技术手段应用其中,从卫星图像和其他传感器获取大量数据,提高了渔业资源评估的科学性和精度,为渔业管理和保护提供了科学准确且全面的依据。本研究基于2006年8月和2007年1月、5月、11月在舟山渔场海域开展渔业资源底拖网调查所获得的多种经济蟹类数据,研究了舟山渔场海域三疣梭子蟹(Portunus trituberculatus)、双斑蟳(Charybdis bimaculata)、日本蟳(Charybdis japonica)、细点圆趾蟹(Ovalipespunctatus)4种主要经济蟹类生物量,并对比了扫海面积法与随机森林(Randomforest,RF)、梯度提升回归树模型(Gradientboosting regression tree,GBRT)和极限梯度提升(Extreme gradient boosting,XGBoost)等 3种机器学习模型的评估效果。分析舟山渔场四种经济蟹类时空分布与环境因子之间的关系,同时以方差解释率(VE)等指标来筛选最优拟合模型。通过建立的模型评估剩余站点的生物量分布情况,重复模拟20000次,最后将RF、GBRT、XGBoost 3种方法分别估算调查海域20个站位4种经济蟹类的全部生物量,并与扫海面积法估算的结果进行比较,比较不同评估方法之间准确性的差距,得出评估结果更接近真实值的评估方法。通过研究得到以下结果:1.本研究通过减少投入建模站位数量,根据不同模型的性质分别建立最优模型来估算4种经济蟹类的生物量,对比4种蟹类渔业资源评估方法的准确性和实用性,发现底温和pH等因子对四种经济蟹类分布有显著影响,得出随着调查站位数的减少,在数据不集中、波动较大的情况下,如秋、冬季节,XGBoost方法对生物量的评估效果明显优于扫海面积法,误差降低7.49%～21.34%;2.通过对数据分布均匀的情况下进行建模估算4种经济蟹类的生物量,得出在数据集中、波动小的情况下,如春、夏两季,扫海面积法与机器学习方法两者结果的差异不显著(P>0.05)。3.在对3种机器学习算法的估算结果进行比较后,得出三种机器学习算法均能够较好地预测舟山渔场主要经济蟹类的生物量,其中XGBoost算法的预测效果最佳,这与其他研究的结果一致。4.本研究采用机器学习方法对舟山渔场主要经济蟹类生物量进行估算,结果表明机器学习方法相较传统方法具有更好地估算精度和泛化能力。特别是在对多种因素影响的考虑和特征筛选方面,机器学习方法具有明显的优势。通过本文的思路方法使用机器学习方法在估算舟山渔场主要经济蟹类资源生物量更为科学高效,为今后研究蟹类资源生物量提供一种新的估算途径。本研究基于多种模型对4种经济蟹类时空分布与环境因子之间的关系进行分析,探索了机器学习方法在生物量评估中的应用,以期提高评估准确性并节省资源调查成本,通过本研究的流程和方法,为今后探索舟山海域主要经济蟹类生物量估算提供新思路。

关键词： 多智能体强化学习   自监督学习   数据增强   辅助任务学习  

摘要： 多智能体强化学习是强化学习的重要拓展,为现实场景中涉及到多个控制载体的决策任务提供了解决思路。近年来,在许多需要感知高维度原始输入数据和决策控制的任务中,深度多智能体强化学习都取得了实质性的突破。然而深度多智能体强化学习在拓展了强化学习领域的同时也继承了强化学习的缺陷,在离线多智能体强化学习中,现有的算法面临着分布偏移导致的外推误差问题,并且随着智能体数量的增加,外推误差的累积速度更快;在在线多智能体强化学习中,由于环境的复杂化以及智能体策略的相互影响,现有的算法面临着样本利用率低、收敛速度慢、模型不稳定等问题。针对上述问题,本文分别研究了在离线和在线场景下的两种基于自监督的多智能体强化学习优化方法,应用到基线算法上能够实现显著的性能提升。本文在星际争霸II多智能体任务环境(Star Craft II Muti-Agent Challenge,SMAC)中验证了方法的有效性,主要研究内容如下:(1)针对离线场景下的分布偏移问题,提出一种基于状态增强的离线多智能体强化学习算法,通过对状态进行数据增强拓展了离线数据集,为离线算法添加了局部探索,降低了算法对分布外状态的敏感度。本文将状态增强方法与基线算法MACQL相结合,实验结果显示即使是简单的数据增强方法,也能有效缓解分布偏移带来的外推误差问题,让算法更准确地对Q值进行拟合。此外,针对目前离线多智能体强化学习缺乏公认数据集的问题,本文在实验中提供了SMAC环境下的自制多智能体离线数据集,能够较为客观地对算法性能进行评估。(2)针对在线场景下的低样本效率以及模型不稳定问题,提出一种基于状态预测的在线多智能体强化学习算法,通过构建自监督形式的状态预测辅助任务来提升强化模型的状态表示学习能力,从而加速模型收敛。本文在基线算法QMIX上添加状态预测任务,实验结果显示状态预测网络学到的有效的状态特征能够显著提升算法样本效率,并且模型应对多智能体环境波动时更加稳定。