关键词： 母猪   断配间隔   机器学习   方差分析   分类模型   回归模型  

摘要： 母猪断配间隔（Weaning-to-estrus interval,WEI）是决定母猪非生产天数（Non-production days,NPD）的关键因素,非生产天数直接影响母猪年生产力（Pig Sow Productivity,PSY）。我国是养猪大国但PSY相对较低,需要进行相关研究来提高PSY。现阶段养猪业生产数据分析主要通过方差分析和一般线性回归模型,但随着生产数据的不断积累,这些方法难以处理庞大的数据量。目前机器学习模型在各个领域的广泛运用,为养猪生产大数据分析带来了新的选择,将养猪和机器学习相结合是未来智慧养猪前进的方向,但目前相关研究还有待进一步开展。本研究收集我国南方某规模化畜牧公司2021年共14328条母猪繁殖相关数据,分为A（楼房猪场）和B（传统平养猪场）两个群体数据集。首先利用特征筛选算法挑选建模特征,制定母猪正常断配分类标准后采用机器学习算法构建分类模型并比较,采用机器学习算法和传统线性回归方法构建以WEI为对象的回归模型并比较,再利用决策树视图分析从特征筛选结果中找出WEI关键影响因素。最后利用方差分析研究母猪WEI的关键影响因素、次要影响因素。本研究的主要结果如下:1.筛选结果:使用机器学习特征筛选算法Boruta来筛选用于构建分析模型的特征。特征:品系、品种、妊娠108日背膘厚、胎次、妊娠期长、分娩窝重、总产仔数、窝断奶总日龄、带仔数、哺乳期长度、断奶背膘、分娩月份、断奶月份、配种月份、母猪生产线和背膘损失。B群体数据集来源于平养猪场,缺少母猪生产线数据,其余与A数据集相同。2.母猪WEI最佳二分类模型筛选结果。利用逻辑回归（LOG）、随机森林（RF）、决策树（DT）和支持向量机（SVM）四种算法在A和B两个数据集的基础上分别构建了WEI的二分类模型。结果为:模型的分类准确性都在0.63以上,具有良好的预测效果。其中RF模型的预测准确性最高为0.84～0.86（P<0.05）,作为最佳分类模型建模方法。3.母猪WEI最佳回归模型筛选结果。在A和B两个数据集的基础上,使用K近邻（KNN）、决策树（DT）、随机森林（RF）、支持向量机（SVM）和传统线性回归方法（LR）建立回归模型,再使用5折交叉验证法计算模型评价指标决定系数（R2）和均方根误差（RMSE）来比较模型拟合效果。LR的R2为0.09～0.10,显著低于其他机器学习算法建立的回归模型（P<0.05）。回归模型中DT建立的模型R2显著优于其他建模方法（P<0.05）。4.影响WEI的关键因素结果。利用决策视图分析数据,影响A群体母猪WEI的关键因素为分娩月份、断奶月份、配种月份和哺乳期长度,影响B群体母猪WEI的关键因素还有窝断奶总日龄。结合特征筛选结果,确定分娩月份、断奶月份、配种月份、哺乳期长度和窝断奶总日龄为WEI的关键影响因素。***影响因素的方差分析结果。关键因素分析:分娩月份、配种月份、断奶月份、窝断奶总日龄和哺乳期长度对WEI的影响显著（P<0.05）。次要因素分析:A群体数据集中,背膘损失、带仔数、断奶背膘厚、妊娠期长度、品种和胎次对WEI的影响显著（P<0.05）;B群体数据集中,带仔数、断奶背膘厚和胎次对WEI的影响显著（P<0.05）。***对下一胎总产仔数的影响。WEI对下一胎总产仔数影响显著（P<0.05）,WEI为4时,总产仔数最高。综上所述得出结论:预测母猪正常断配的最佳分类建模方法为RF,预测母猪WEI的最佳回归建模方法为DT。结合决策树视图分析结果,筛选出WEI的关键因素:分娩月份、断奶月份、配种月份、哺乳期长度和窝断奶总日龄。通过方差分析研究关键因素和次要因素对母猪WEI的影响。机器学习回归效果显著优于一般线性模型。机器学习将成为智能化养猪的分析数据和构建模型的主要手段,结合方差分析结果可以为生产提供指导。

摘要： “情境”“任务”与“活动”，是《义务教育语文课程标准（2022年版）》中出现的高频词，已成为当前语文课程改革的热点，但实施过程中也出现了一些形式化、随意化、简单化的现象。学习是一个有意义的建构过程，设计有意义学习的情境、任务与活动，是有效促进语文核心素养发展的关键。

关键词： 方向解耦   非局部相似度   计算机视觉   超分辨率  

摘要： 超分辨率重建是将低分辨率图像重建成高分辨率图像的任务,其广泛应用于遥感观测、医学诊断、照片高清化等领域。利用深度学习进行超分辨率重建是目前最为流行的方法之一,现有方法大多采用了非局部相似度来建立长距离依赖关系。目前非局部相似度设计通常具有计算量巨大、易引入冗余信息、无法适配多尺度内容等问题。同时现有的深度学习网络架构存在无法充分利用图像位置信息的问题。为此本文研究了基于非局部相似度的图像超分辨率网络,主要工作包括如下三个部分:1)提出一种“方向解耦”的非局部相似度(Decoupled Non-local Attention,DNA)算法。该方法将原先的相似度计算解耦成水平和垂直两个方向上的串行计算。DNA算法将复杂度从O(n2)降低到O(n1.5),并针对性地强化了边缘、轮廓等结构信息以降低冗余信息。利用DNA构建单图像超分辨率网络,取得了比现有算法更优异的结果。2)提出一种特征提取结构(Feature Extract Block,FEB)。该结构在现有注意力的基础上,引入偏移卷积构成的前向传播和由三种注意力算法构成的注意力部分。FEB的注意力部分包括窗口注意力、移动窗口注意力以及由DNA改进而来的长距离注意力。该结构的提出解决了卷积和现有注意力结构在以超分辨率为主的图像重建任务上无法充分利用图像位置信息的问题,同时具备低计算量和低冗余特征的优势。3)提出一种用于图像超分辨率的局部-全局注意力网络(Local-Global Attention Network,LGAN)。该网络采用FEB作为基础结构,利用灵活的窗口尺寸变动来更有效地适配多尺度内容、扩大感受野。LGAN网络在超分辨率任务上有着显著的优势。为验证上述内容的有效性,本文面向单图像超分辨率任务,在多个标准数据集上开展了实验,实验结果一致表明本文所构建的算法和网络具有一定的优异性。本工作相关代码已在 https://***/songzijiang/LGAN开源。

关键词： 联邦学习   多智能体   张量   图卷积神经网络  

摘要： 铁路综合视频监控系统是实现铁路异常智能监测和保障铁路行车安全的重要手段。现有的视频异常检测主要采用人工方式,存在漏检率高、实时性差和效率低等问题。论文基于多智能体思想和联邦学习架构,构建了多智能体联邦协同计算框架,研究基于节点张量的模型个性化更新方法,进而搭建面向铁路综合视频的多智能体联邦学习系统,实现了多智能体间联合建模与模型个性化更新。论文主要创新性工作如下:(1)基于多智能体的自适应联邦协同计算。针对多智能体协作训练学习效率低、可扩展性差和部分感知问题,论文基于MADRL思想,构建了基于多智能体的自适应联邦协同计算框架,实现了多智能体自适应协同训练。论文基于层次异构图卷积神经网络构建了动态协同感知网络,提出了基于DQN的多智能体协作模型,形成基于超网络的多智能体联邦协同训练算法,提升了多智能体协同训练的效率和扩展性。在MNIST和Fashion MNIST等数据集上的实验表明,相比于其他联邦训练方法,论文提出的方法在通信效率和模型性能等方面均有提升。(2)基于节点张量的个性化联邦学习。针对联邦学习训练中数据异构和模型异构的问题,论文通过学习从客户端提取节点特征和局部关系图结构,提出基于节点张量个性化联邦学习算法,实现了模型的个性化部署与进化学习。论文采用基于张量的图聚类方法,对联邦训练参与方分组,引入ISMOTE算法平衡终端数据分布,并基于GCN实现模型细粒度聚合,提升了个性化模型的泛化性和准确性。在CIFAR10和CIFAR100等数据集上的实验表明,以模型准确性和收敛速率为评估指标,该算法用更少的通信轮数获得更好的模型性能。(3)面向铁路综合视频的多智能体联邦学习系统。将论文提出的多智能体联邦协同计算和基于张量的个性化联邦学习训练方法应用到实际的铁路综合视频监控系统中,基于分布式多智能体架构,研制了云边协同多智能体联邦学习系统,实现了横向和纵向两个维度上异构节点的信息共享和模型融合,并应用于铁路综合视频异常检测场景中。图42幅,表30个,参考文献78篇

关键词： 短期气候预测   机器学习   降水   气温  

摘要： 短期气候预测有着广泛的社会需求,但由于气候系统形成的复杂性和我国地形的独特性,对其准确预测极为复杂和困难。目前主要的预测方法包括动力模式和统计预测方法。但是动力模式对计算初值敏感,无法同化长期的历史资料;统计预测方法无法很好解决模型不稳定性、特征因子复杂性、预报因子-预报量关系非线性的问题,因此这两种方法实际预报技巧不高。机器学习本质上来说也属于统计方法,可以很好地解决模型非线性问题,但在短期气候预测中并未得到广泛应用。基于上述原因,为了处理预报因子-预报量关系的非线性问题,本研究提出了一个机器学习预测模型,并对中国月平均气温及降水进行预测;针对模型不稳定性、特征因子复杂性的问题,本研究提出一个动态建模的机器学习(TD-ML)方案,对中国季节尺度气温及降水进行预测。与传统统计预测方法及目前气候动力预测模式相比,本研究提出的预测模型,在具有挑战性的气候异常空间分布预测技巧方面表现出了较大的优势。具体研究内容如下:(1)针对预报因子-预报量关系的非线性的特点,利用中国160个国家站的逐月气候资料、国家气候中心130项气候因子数据集,采用皮尔森相关性分析确定预测因子并使用线性回归、岭回归、随机森林、梯度提升树算法升四种算法建立了一套中国月气温及降水的预测方案模型,并与国际主流的三种动力模式预测结果进行对比检验预测效果。结果表明,机器学习算法模型相对现有的动力模式预测能力略有提升。(2)针对季节尺度气温预测有着模型不稳定性、特征因子复杂性这两个统计学预测难点,分别提出动态建模、特征增强的解决方法,在此基础上形成一种新的动态建模的机器学习预测方案。结果表明,动态建模和特征增强对机器学习模型都分别有技巧提升作用,使得最终的TD-ML方案在与国际主流的业务模式同期预测相比时,本方案在趋势把握方面能够优于或不弱于它们,在异常空间分布技巧方面则有较大的优势。(3)针对季节降水预测效果不理想的问题,以夏季降水为例分析了不同起报月对我国季节降水预测精度的影响。实验表明,包含了前冬季节气象因子的起报月可以有效地提高模型对于夏季降水的预测精度。

关键词： 零样本学习   生成模型   多模态学习   三元组损失   对比损失  

摘要： 目标识别是计算机视觉领域研究的核心任务之一。随着识别任务向大规模和细粒度的类别发展,其研究面临数据不平衡以及标签数据成本较高等问题,传统深度学习方法不再适用,因此,零样本学习方法被提出。零样本学习的目标是通过共享语义信息,将在可见类中学到的信息迁移到不可见类中,以达到在不使用类别已标签数据进行训练的情况下实现对该类别样本的识别。零样本学习根据测试样本类别是否包含可见类,分为传统零样本学习和广义零样本学习,广义零样本学习更具挑战性和现实意义。早期零样本学习研究方法主要是学习图像特征空间与语义信息空间之间的嵌入映射。但由于域偏差等问题,导致该类方法在广义零样本学习设置中表现性能较差。为解决这一问题,基于生成模型的零样本学习方法随之产生。由于生成特征与语义信息联系不够紧密,缺乏细粒度信息和可鉴别性,对于基于生成模型的零样本学习方法性能也有一定的影响。因此,如何提高生成特征的质量是目前零样本学习的研究重点。本文对基于生成模型的零样本学习方法做了系统调研,并围绕目前生成模型中的不足进行深入研究,同时对提出的模型进行验证对比,主要内容如下:(1)针对生成视觉特征与语义信息联系不够紧密的问题,本文提出了一种基于对齐VAE与三元组结合的零样本学习方法。该方法包括基础VAE模块、参数对齐模块、交叉重建模块、三元组模块。其中,基础VAE模块的作用主要是生成潜在空间特征,通过参数对齐模块、交叉重建模块、三元组模块对基本VAE模块进行约束,使其生成的潜在空间特征能够与语义信息更好的结合,有利于后续通过语义信息更好地将可见类中学习到的信息转移到不可见类中。根据三元组选择规则,该方法产生了四种变体,本节对所有变体都进行了充分的实验,实验结果证明了该方法的有效性。(2)针对原始特征空间远离语义信息而缺乏语义相关性和鉴别性的问题,本文提出一种基于特征对比优化的混合零样本学习方法。该方法将生成模型与嵌入模型结合形成混合框架,将真实视觉特征样本和生成模型产生的生成视觉特征样本映射到一个嵌入空间中,在嵌入空间中执行最终的广义零样本学习分类。另外,为了优化可见类样本和不见类样本的视觉特征质量,该方法采用了一个特征对比优化模块,该模块将视觉→语义映射集成到基础混合框架中,引入了语义周期一致性损失与对比损失,来明确地鼓励类内紧凑性和类间可分性,并指导模型学习更具语义相关性和鉴别性的视觉特征。实验证明,该方法识别精度和鲁棒性明显提高。(3)在花卉识别领域,考虑到传统深度学习训练的花卉识别模型需要大量已标签数据进行训练,而一些濒临灭绝或珍稀的花卉种类,即使使用现代搜索技术,可能也无法收集足够训练传统识别模型的数据样本,本文依据上述模型,将零样本学习方法应用于花卉识别,搭建了基于零样本的花卉识别系统。本文对该系统的设计和架构进行了详细介绍,并对该系统的功能和运行效果进行了说明和展示。该系统能够通过借助不同花卉的语义信息,实现对模型训练过程中未见类别花卉的识别。而且,该系统可以弥补部分已标签样本较少的花卉类别无法通过传统深度模型进行训练识别的问题,具有一定的意义和实用性。

关键词： 焊枪姿态   横焊   图像处理   机器学习   LSTM  

摘要： 焊接运用在工业生产的众多领域,自动化焊接已经成为焊接行业的发展趋势,目前的自动化焊接仍然只能进行流水线作业和简单焊接任务,其智能化水平较低,焊接机器人只能实现在特定环境下对熔池进行控制。工业生产正在向高精度、智能化、高效化发展,焊接机器人难以满足逐渐提高的工业要求,而且由于焊工的缺乏和焊接环境的恶劣,迫使焊接机器人从事生产的领域增多,但是其焊接质量达不到要求,无法替代人工进行焊接作业。焊接机器人智能化水平严重制约自动化焊接领域的发展。熔池的控制是保证焊接质量的关键所在,由于焊接过程中熔池的实时状态是不确定的,受众多因素影响难以建立数学模型分析流动过程。研究焊工在横焊过程中对熔池的控制,焊工通过观察实时熔池状态,获取熔池信息,依据焊接经验调整焊枪姿态实现对熔池的控制。为了充分探索和利用焊工基于经验的行为机制,即观察熔池并解析熔池信息实时调节焊接参数,本文采用机器学习的方法解析焊工实时横焊焊接过程并建立了人类焊工智能焊接的模型,分析焊工如何利用经验对横焊熔池进行控制,并从以下几个方面对焊工对横焊熔池控制的操作行为进行了研究。(1)寻找高级焊工进行横焊实验,搭建手动焊接过程图像采集平台,通过视觉传感器采集熔池图像并作为原始数据集,此过程是解析横焊焊工操作行为的基础。(2)为了研究横焊下焊工的操作行为,找出如何根据熔池的变化焊枪发生改变的,需要提取焊工操作的特征。为此搭建焊工横焊过程图像采集平台,对采集的熔池图像进行处理,提取熔池的特征和焊枪的特征。原始图像受到弧光干扰和噪声的影响较大,对图像进行预处理,采用中值滤波滤除椒盐噪声并提取感兴趣(ROI)区域,再进行图像增强突出熔池轮廓,使用边缘检测算子提取熔池边缘。焊枪受弧光干扰较严重,需要分别提取熔池的轮廓和焊枪的轮廓,最后得到了熔池的中心点和焊枪的中心点,即焊枪的位置和熔池的位置。(3)由于焊枪的位置改变是根据上一时刻熔池的位置而发生变化的,两者之间有着时序关系。运用机器学习的长短期记忆网络(LSTM)强大的序列学习能力,搭建一个基于长短期记忆网络的焊工智能焊接模型。该模型以横焊熔池图像提取的熔池位置信息为模型的输入,焊枪位置信息为模型的输出,通过焊工智能焊接模型研究焊工的焊枪位置随熔池位置的变化关系,解析焊工的操作行为并对焊枪的轨迹进行预测。由于搭建的LSTM模型是多输入对输出,网络较为复杂,设计了灰狼优化算法(GWO)对网络进行优化,提高模型的准确率。(4)对GWO进行了改进,搭建了一个IGWO-LSTM的焊工智能焊接模型,改进后的模型性能优于GWO-LSTM模型,同时比较了反向传播神经网络(BP)和门控循环神经网络(GRU)在测试集的误差,IGWO-LSTM模型在测试集的均方根误差(RMSE)是最低的,平均相对百分误差(MAPE)平均绝对误差(MAE)都是最低的,其拟合效果最佳。IGWO-LSTM模型能够解析焊工横焊过程焊枪位置随熔池位置的变化并预测焊枪轨迹,初步实现焊接智能化,并为智能化焊接奠定了基础。

关键词： 深度学习   小学数学   单元整体教学   知识生成   数学思维  

摘要： 新课标背景下，教师应当特别重视引导学生深度学习，这符合课程理念的要求，能够促进学生更好地掌握数学知识与技能，培养学生的核心素养。过去的深度学习中，小学数学单元整体教学存在问题，包括不够重视整体预习、缺乏教材整体梳理、无法引领深度思考、练习不够丰富多样、评价不够科学系统。在深度学习下，小学数学单元整体教学策略有:准备单元预习资料，布置单元预习任务;整体梳理单元内容，促进学生理解知识;开展单元教学活动，逐步深度建构概念;整体设计单元练习，引领深度发展思维;整体实施单元评价，构建单元评价体系。教师通过落实这些策略，能够有效提高单元整体教学的有效性。

关键词： 信息技术   小学数学   深度学习   方法探究   策略探析  

摘要： 近些年来，随着我国经济水平的不断提升，我国的信息技术飞速发展，逐渐成为课堂教学中的重要辅助工具，对教师开展教学、学生们学习知识都起着重要的作用。那么，在小学数学教学中，如何利用信息技术打造一个深度学习课堂呢?这是教师们都比较关注的一个问题，也是正在面临着的教学难题。基于此，笔者将围绕着这一个话题展开讨论，谈谈自己的想法，希望可以对教师们有所帮助。

关键词： 径流预报   多源降水   长江流域   CNN-LSTM   可解释性  

摘要： 流域径流预测对水资源管理、防洪抗旱、水电能源开发等水利工程有着至关重要的作用。准确的降雨径流模拟是流域径流预测基础,数据驱动型降雨径流模型通过挖掘历史数据中驱动因子与目标值之间的关系来预测径流,在应用方面具有较高的灵活性。一方面,目前深度学习被应用在水文-径流预测领域主要是时序建模算法,但单纯的时序模型结构往往限制了对水文气象要素空间变化的刻画,考虑水文气象要素的空间特征能在一定程度上提高的深度学习模型的径流预测效果。另一方面深度学习模型的径流模拟缺乏物理机理解释,水文意义不明确。对深度学习模型可解释性的研究是提高深度学习模型的泛化能力和可靠性的基础。鉴于此,本文以长江子流域为研究对象,利用多源降水数据,分析输入数据不确定性对深度学习径流模拟的影响;构建LSTM变体模型,分析模型适用性;揭示深度学习模型在时序和空间两个维度在水文预报中的预报机制,为提高对模拟结果的理解和模型的优化提供参考。围绕上述研究内容,得到主要结论如下:(1)本文基于多源降水产品驱动LSTM模型并在金沙江流域、岷江流域、乌江流域、湘江流域和赣江流域研究区域进行径流预测。量化了洪峰发生前的降水对径流模拟的贡献以探究LSTM模型在时间维度上的水文解释,分析了多源降水数据驱动对径流预测结果的影响。结果表明各流域基于CMA和CN05降水数据驱动模型预测结果NSE值为0.8左右,基于CMFD、ERA5和GLDAS再分析降水数据驱动模型预测结果NSE值在0.6～0.8左右。通过积分梯度法发现在长江上游高海拔地区,融雪径流、历史降水与近期降水共同作用是金沙江流域和岷江流域洪水的主要原因,其中金沙江流域洪水事件受到融雪径流的控制占比46.81%。乌江流域和湘江流域,历史降水与近期降水共同作用是诱发流域洪水的主要原因。赣江流域,洪水事件的发生主要是由历史降水事件主导。另外LSTM模型同时接受多源降水数据驱动可以有效提升径流预测效果。(2)本文搭建考虑水文气象要素空间特征CNN-LSTM模型,采用可视化卷积层的方法分析模型权重分布和降水特征分布的关系,探究CNN-LSTM模型在空间维度上的水文模拟解释。结果表明CNN-LSTM基于各套降水数据驱动的预测结果在各流域均优于LSTM模型,有效考虑降水的空间信息有利于提升深度学习模型的预测性能。通过可视化模型卷积层发现,卷积层的权重分布和降水特征分布存在高度相关性,金沙江流域和岷江流域模型卷积层权重分布与多年月平均和多年日平均降水空间分布图存在高度的相关性;在湘江流域和赣江流域模型卷积层权重分布与流域多年平均月最大降水和日最大降水空间分布存在高度的相关性。以上的发现为提高模型径流预测能力提供新的思路,针对CNN-LSTM模型可以利用卷积层权重分布判断对径流预测结果影响较大的降水区域,通过改善这部分区域的降水数据质量进而提高整个流域的径流预测效果。