关键词： 小学数学知识   学习方法   探寻策略  

摘要： 小学六年所学的数学知识在中考和高考中所占的比例并不大，但是六年小学数学的知识点的量还是很多，如果不采用合适的方法来进行概括，学生是很难学好的。为此，本文就从“数与代数”“图形与几何”和“统计与概率”几个部分入手来具体地进行分析，一方面让每个学生掌握学习不同部分知识的具体方法，另外一方面则要让不同类型的知识在学生的脑海中形成一定的体系，然后再让学生学会使用合适的方法来分析和掌握小学的数学知识。

关键词： 骨关节炎   软骨细胞   铁死亡   mRNA   机械学习  

摘要： 背景:膝骨关节炎是一种常见而复杂的慢性疾病,在老年人群中拥有很高的发病率和致残率,关节软骨的退行性变化在骨关节炎的疾病进展中扮演着重要角色。细胞死亡是所有生物的基本生理过程,在维持体内平衡、防止疾病发展中发挥着重要作用。目前软骨细胞的死亡机制尚未完全阐明。铁死亡作为一种新型的细胞死亡机制,可能参与了骨关节炎的进程。在本研究中,我们通过生物信息学的方法筛选并验证了骨关节炎中铁死亡相关基因。目的:通过机械学习的方法筛选并验证了骨关节炎中铁死亡相关基因。方法:(1)从GEO数据库下载正常和膝骨关节炎软骨基因表达数据,通过生物信息学方法筛选铁死亡相关基因,进行KEGG和GO富集分析;(2)基于两种机械学习算法(lasso回归算法及SVM-RFE算法)对骨关节炎中铁死亡相关基因进行筛选并选取交集,再根据筛选出基因的蛋白互作关系预测出关键基因;(3)验证集分析了关键基因的表达差异,使用受试者工作特征曲线(ROC)分析关键基因的诊断准确性,最后在骨关节炎造模的大鼠上验证了ARNTL的表达。结果:(1)通过生物信息学分析,在膝骨关节炎软骨中筛选了58个铁死亡相关差异基因,通路和功能富集分析显示这些基因主要涉及铁死亡、破骨细胞及脂肪细胞的分化和HIF-1信号通路等;(2)基于lasso回归算法及SVMRFE算法对骨关节炎铁死亡相关基因分别筛选出13个和12个中心基因,选取交集基因再根据蛋白互作关系筛选出6个中心基因;(3)在2个验证集验证hub基因的表达差异水平和受试者工作特征曲线(ROC),预测ARNTL可能参与了骨关节炎软骨细胞的铁死亡过程,进而影响了铁死亡的进程;(4)在碘乙酸钠造模的膝骨关节炎SD大鼠中,ARNTL低表达,GPX4低表达。结论:在本研究中,我们筛选出了骨关节炎中与铁死亡相关的基因,并通过机械学习的方法,通过训练集和验证集确定ARNTL为关键基因,在骨关节炎软骨细胞中低表达,并且在骨关节炎大鼠上,也观察到差异,表明ARNTL可能是骨关节炎软骨细胞铁死亡的潜在调控靶点,为进一步研究骨关节炎软骨细胞中铁死亡的作用机制提供参考。

关键词： 居民短期电力负荷预测   联邦学习   差分隐私   激励机制   聚合算法  

摘要： 随着社会、经济的不断发展,全世界都将迎来“百年未有之大变局”。世界仍处于四处动荡之中,能源危机始终是世界爆发零星战争的导火索。能源供应稳定是我国经济大发展的前提,伴随着我国碳达峰、碳中和战略的提出,绿色低碳逐渐成为人民生活安居乐业的主旋律。居民住宅的电力系统稳定性研究在建筑智能化研究中占据主要地位,居民用电的节能减排成为实现绿色低碳安全的第一目标。居民的供电结构正在向更加智能、灵活的可再生能源发电过渡,居民提前定制用电策略将大大地降低不可再生资源供电压力和居民用电成本。短期电力负荷预测可以对未来几分钟到一小时之间的用电情况进行预测,精准的短期电力负荷预测可以为居民电力调度和稳定运行提供技术前提,并且需要大量数据来扩充数据特征。目前,国家和个人都高度重视个人信息隐私,在数据共享上存在严重的数据孤岛问题,数据难以发挥其实质价值。为此,本文引入了联邦学习来解决居民短期电力负荷预测系统的应用难题,主要开展以下三个方面的研究。 首先,为了提升联邦学习中的居民低负荷预测模型的精度,提出了一种基于深度学习的混合居民短期负荷预测框架(DCNN-LSTM-AE-AM),该框架结合了空洞卷积神经网络(DCNN)、长短期记忆网络(LSTM)、自编码器(AE)和注意机制(AM)。首先,设计了一个T-最近邻(TNN)算法对原始数据进行预处理;然后,引入DCNN来提取长时间特征;其次,提出LSTM-AE来学习隐藏在提取特征中的序列特征,并解码为输出特征;最后,通过AM来提取和融合高阶特征来输出预测结果。在两个真实世界数据集上的实验表明,该方法能够很好地捕获低负荷数据的振荡特性,优于其它方法。 其次,为了提高联邦学习效果,研究一种基于数据质量的激励机制。为了加强用户的隐私保护和便于激励机制中隐私保护度的设计,首先提出了一种新的增强差分隐私算法(RDP-Fed Avg)。然后,提出了一种基于随机抽样利润提取(RSPE)拍卖的激励机制来实现高质量的模型服务,即实现利润最大化。实验表明,本文提出的隐私保护算法对性能的影响较低,满足了个性化的隐私保护要求。此外,本文提出的激励机制提供了一种有效的策略,促使客户诚实报价,实现客户端和服务端的双赢目标。 最后,为了解决全局模型在部分本地客户端可用性差的问题,提出了一种公平性的个性化聚合算法。该算法通过改进客户端本地更新来实现全局模型的快速收敛,并利用q-Fed Avg和个性化选择模型策略来提升联邦学习聚合方案的公平性以及本地模型的可用性。实验结果表明,相比联邦平均算法,个性化聚合算法在大部分客户端上的性能有小幅度提升,在小部分客户端的性能提升明显,且该算法具有更好的稳定性和收敛表现。

摘要： 学习的意义和学习内容的生命意义，当是教学的根本驱动力。当下，学习意义普遍匮乏，学生多被动学习，教学应试色彩浓重。要改变这一现状，必须坚定“学生立场”“深度教学”，重视学生学习感和学习意义的实践研究，使学习过程实现生命化，最终使学科核心素养落心生根。笔者通过剖析教学案例，试图从四个视角探讨学习意义的浸透路径，即从功利走向审美、从生活走向生命、从平淡走向深刻、从习常走向批判。

关键词： 分类模型   深度学习   统计学习   疾病分类   股价预测  

摘要： 随着人工智能技术的发展,统计学习方法在许多领域得到了成熟的应用。分类模型作为统计学习方法的核心,已成为当今的研究热点。传统分类模型通常针对二分类问题所设计,随着应用领域的不断细化,对常规分类模型提出了新的挑战,现有的分类方法在处理多类别标签、时间序列特征以及高维稀疏数据时往往难以取得令人满意的表现。因此,提出能有效处理高维大样本数据,且便于推广至多分类场景的预测模型,具有较强的应用价值。本文结合统计学习方法与深度学习方法,提出了能够有效处理分类问题的ENet-LSTM/DNN组合模型,并引入ENet/SCAD/MCP惩罚三项logit模型、机器学习模型、深度学习模型作为比较对象,通过Kappa系数、PDI指标、HUM指标以及ROC曲面评估了ENet-LSTM/DNN模型在股价预测与疾病分类问题中的表现。在股价预测问题中,本文从纳斯达克指数中获取了AAPL、MNST、BAC三家公司的股票价格历史数据与财经新闻数据,基于TTR程辑包与文本情感分析,计算出30项技术指标与4项市场情绪指标作为预测变量,以股票价格的上涨、横盘以及下跌作为响应变量,比较了八种预测方法的预测表现。发现ENet-LSTM模型具有最好的预测性能,预测精度高达0.6350。实证分析说明ENet-LSTM模型兼具ENet惩罚方法与LSTM模型的优势,能够消除数据间的多重共线性,同时利用门控机制准确地捕捉时间序列数据中的有效信息。在疾病诊断问题中,本文选取了Kaggle数据库中的幼儿遗传病数据集为研究对象,以患者的生理指标作为预测变量,遗传疾病类型作为响应变量,建立了ENet-DNN模型并引入七种分类模型作为比较,结果表明ENet-DNN模型的预测精度高达预测精度为0.7020,能有效处理高维大样本数据集,具有比单一ENet惩罚三项logit模型与DNN模型更好的预测性能。综上,本文基于常规统计学习方法与深度学习方法,提出了兼具ENet惩罚方法与深度学习模型优点的ENet-LSTM/DNN模型,并且在股价预测与疾病领域的三类分类问题中取得了较好的预测表现,具有较高的研究价值与现实意义。

关键词： 高光谱图像   变化检测   协同学习   自动编码器   分解网络  

摘要： 遥感图像变化检测是利用同一地理区域不同时间获取的遥感影像,来提取、描述感兴趣物体或现象随时间变化的特征,并通过定量分析影像对的特征差异来获取地表变化的过程。变化检测可以广泛应用在国土资源与地表覆盖上的动态监控、灾情分析、军事侦察等方面,是目前智能遥感领域的热点问题。相比于其他光学遥感数据,高光谱图像可以获取可见-近红外、短波红外等波段区间蕴含光谱和图像的立方体数据,具有纳米级光谱分辨率,其独到优势是可以更为灵敏地反映地表材质变化,但应用于变化检测依然存在如下主要挑战:1)不同时期拍摄到的图像受地形、光照以及大气效应等因素的影响产生的光谱变异现象,容易导致错误的变化检测结果;2)高光谱图像是“图谱合一”数据,综合利用光谱和图像特征信息进行高光谱模式变化分析是关键;3)由于高光谱图像获取代价较为昂贵、人工标注成本高,训练样本集偏少,因此相比有监督学习方法,无监督学习变化检测备受关注。 针对上述高光谱图像变化检测的挑战性问题,本论文以高光谱图像无监督深度学习方法为研究主线,取得如下研究成果: (1)提出了一种基于协同学习框架的高光谱图像无监督变化检测方法。为了解决伪标签中的噪声对模型训练的危害,采用了两个结构相同的网络在迭代中相互为对方选择高置信度样本来抑制自信偏差,并通过标签校正对模型进行微调。在此基础上,设计了一种基于组置信度的样本选择机制,通过预先分组在多个群体中筛选可信程度较高的样本,从而保证训练集的可靠性和多样性。由于协同学习和动态的标签校正,伪标签可以在迭代中不断地更新和细化,因此与固定的伪标签方法相比具有更高的检测精度。 (2)提出了一种基于三维卷积自动编码器的高光谱图像变化检测方法。首先该框架利用无监督的三维卷积自动编码器从双时相图像中提取深层的空谱特征,减少了光谱冗余并保留了主要的变化信息。同时构建了一个损失项来增大变化像素并缩小不变像素之间的特征差异,增强所提取特征的判别性。最后只需要使用少量的标记样本训练一个简单的分类器用于识别变化区域。实验结果表明该框架能有效缓解标签数量有限时的过拟合现象,检测性能优于直接使用原始光谱特征的分类器网络。 (3)提出了一种本征分解模型引导的高光谱图像无监督变化检测方法。为了将光照等因素导致的光谱变异分量从原始数据中分离出来,以获取纯粹的地物反射分量用于变化检测任务,设计了一种无监督的图像本征分解特征变化检测网络。该网络由两个对称的编码器和一个共享的解码器构成,其中编码器用于提取双时相图像的丰度系数和变异因子,然后通过解码器重构原始光谱特征。此外,该网络利用交叉重构来对其双边的特征空间,并设计了合理的一致性损失来进一步约束解空间。多个高光谱数据集上的实验表明,该方法能有效检测出变化区域,尤其在复杂数据集上具有显著优势。

关键词： 癌症   多组学   深度学习   生存分析   预后预测  

摘要： 研究背景及目的癌症(恶性肿瘤)是当今世界上最严重的健康问题之一,每年都有数百万人死于各种类型的癌症。其中,肝细胞癌(hepatocellular carcinoma,HCC)是最常见的癌症类型之一,HCC发病率高、死亡率也很高,给全球范围内的医疗保健体系和社会带来了巨大负担。在HCC的临床诊治过程中,准确高效的预后预测对于实施精准医疗和为临床决策提供有效支持至关重要。传统的生存分析方法,大多是根据少量的临床数据来进行预测,不能反映出癌症患者的全貌和复杂性,因此,对预测的精度会造成一定的影响;幸运地是,随着新一代高通量测序技术的不断发展,越来越多的组学数据被用于癌症患者的预后预测,这些海量组学数据为精准预测癌症患者的预后情况提供了坚实的基础和可能;同时,随着高通量组学数据的不断增长,机器学习、深度学习等人工智能方法也被逐步应用和强调。然而,目前整合深度学习方法和多组学数据以预测HCC预后的相关研究鲜有报道。这也意味着目前在HCC的治疗中,很难实现真正的个体化治疗,因为缺乏对每个患者独特情况的准确评估和预测。因此,开展相关研究,发掘深度学习方法和组学数据的潜力,实现HCC的预后预测,将为现代医学的精准医疗和个体化治疗提供有力支持。基于此,本文将构建一种新的能整合不同组学数据的深度学习模型预测方法,用以高效对HCC进行预后预测。该模型方法通过整合基因组学、转录组学和表观组学等组学数据,可为癌症患者提供更加精准的预后预测的同时对癌症进行亚型分类,从而为患者提供更加个性化的治疗方案。总之,海量多组学数据的整合利用和深度学习模型的不断发展和应用将对癌症的预后预测和精准治疗产生深远的影响。研究内容及方法1.在本研究中,深入探索了HCC的预后预测,纳入了包括基因组、转录组、表观组学等多组学数据,并对这些数据进行了有效地整合和利用,以提高HCC的预测精确度。2.为提高癌症患者预后预测的准确性和可靠性,本文创新性地构建了基于“监督”和“堆叠”的深度学习策略。首先,引入Cox模型进行联合监督,结合多种组学数据对癌症的预后进行综合评估。其次,将多个监督模块进行堆叠,以进一步提高模型的预测性能。最后,本研究还优化了模型的联合损失函数,以增强模型的鲁棒性和稳定性。通过这些创新性的方法,本研究构建了堆叠监督自编码器模型(stacked supervised auto encoder,SSAE),并使用癌症基因组图谱(the Cancer Genome Atlas,TCGA)数据库的LUAD患者的转录组学数据对SSAE模型预测性能进行模拟测试。3.使用Riken Japan(LIRI-JP)肝癌单组学数据集对模型进行应用研究,从单组学层面在各种方法上进行了预测性能的比较。4.使用TCGA-HCC患者的m RNA、mi RNA和甲基化多组学数据对SSAE模型预测性能进行测试,并对多组学数据的前融合、后融合进行了研究,进而构建了基于前融合的堆叠监督自编码器模型(early integration stacked supervised auto encoder,EI-SSAE)和基于后融合的堆叠监督自编码器模型(late integration stacked supervised auto encoder,LI-SSAE),从多组学层面在各组学数据上、各种方法上进行了预测性能的比较。5.在本研究中,利用整合的多组学数据,构建了一种基于深度学习的预测模型,用于预测HCC患者的预后情况。通过对模型输出的预后指数进行分析,将患者划分为不同的生存亚型,并针对每个亚型进行了生信分析和生存分析。研究结果1.在TCGA-LUAD数据集中(包含435例样本和25481个基因),测试集中相较于随机生存森林(CI=0.54、P=0.15)和Deep Surv(CI=0.55、P=0.10),SSAE有更高的一致性指数(CI=0.58)和更低的Log-rank P值(P=0.05)。在生信分析上,共筛选出40个差异基因,其中包括IGFBP1、ANXA13、MUC2、CIDEC、NTSR1、DSG3等为上调的代表性差异基因。在生存分析上,两种亚型的生存结局差异有统计学意义(HR:2.841,95%CI:1.907-4.232,Log-rank P<0.001)。2.在LIRI-JP肝癌数据集中(包含237例样本和13395个基因),测试集中相较于随机生存森林(CI=0.68、P=1.60E-02)和Deep Surv(CI=0.70、P=7.30E-03),SSAE有更高的一致性指数(CI=0.72)和更低的Log-rank P值(P=5.10E-03)。在生信分析上,共筛选出47个差异基因,其中包括G6PD、HSPA6、NDRG1、CDC20、BIRC5等为上调的代表性差异基因。在生

关键词： 先验学习   Langevin Dynamics采样   图像降噪   投影算子  

摘要： 在实际应用中,先验学习已经变得越来越重要,比如在图形降噪领域中,可以通过从含噪图像中学得先验知识和干净图像,从而达到图像降噪目的。一般的先验分布的刻画方法主要是假定某个模型为先验分布,但直接给定先验分布不能有效地表达先验信息的复杂性。然而随机采样法能够充分提取模型的相关信息,从而用来进行先验学习,所以随机采样法成为一种先验学习的有效方法。在现代信号处理与机器学习中,随机采样方法占据越来越重要的位置,其不但能够实现先对复杂系统的模拟,系统未知参数及超参数的估计,而且还能够利用其来学习数据的未知先验分布。目前采样方法大多都是基于光滑无约束的目标分布进行采样,比如Langevin Dynamics采样,他是MCMC采样的一种新趋势,在形式上将梯度上升算法与随机扰动项结合,使其保持在分布的高似然处采样,且随机扰动项保证其不会坍塌至局部最大值。但是在现实应用中的数据往往都属于特定的可行集,比如声音数据、图像数据等,如果使用传统Langevin Dynamics采样方法,无法使采集的样本满足可行集的约束,因而本文提出一种引入投影约束的Langevin Dynamics采样方法,通过在Langevin Dynamics采样的基础上,引入正交投影算子,将所采集的样本投影到可行集内,使其满足分布需求。最后将此方法应用于含噪图像的先验知识学习上,使用交替的策略,通过提出的采样方法,从后验分布中采集样本,用采集的样本估计后验分布,并用更新的后验分布对干净图像进行极大后验估计,最后从含噪图像中学得先验知识和干净图像,即实现图像降噪目的。模拟实验表明所提方法是有效的。

摘要： 随着信息技术、“互联网+”、大数据、人工智能等的发展,社会和学校都更加注重对学生创新能力和逻辑思维能力的培养。国家出台一系列相关政策,提出创新创业精神与能力要从中小学抓起,强调信息化技术和教育模式在中小学教育中的实践和应用,全面培养中小学生计算思维、逻辑思维、创新思维等各项能力。如果将在科技创新比赛时运用的“创客理念”和“创客项目”这种教学和学习方法,应用到课堂教学中,尤其是学习难度大并且跟机器人、科技创新等联系最紧密的物理实验教学,

关键词： 机器学习   随机森林   震害数据   地震破坏预测   重要性分析  

摘要： 精确评估地震损失对于震前防灾减灾、震后灾区救援与快速重建有着至关重要的意义。现有的基于实际震害评估大多研究样本数据过少、仅限在某特定区域和某种结构类型,所采用的数据样本数量也有限。机器学习可以通过输入大数据样本作为训练,学习参数之间复杂的非线性关系。相比于传统的方法,机器学习方法具有更高的计算效率、更科学、更便于应用等特点。为此,本文基于2011年3月11日东日本大地震的37万8037条建筑物实际震害数据,使用随机森林算法设计了一个综合考虑地震动信息、建筑物属性信息和场地信息等多维度信息的方法,用于预测建筑物的地震损失程度。主要工作如下:(1)首先详细整理了 2011年3月11日东日本大地震378037条建筑物破坏数据,通过数据匹配、数据预处理等方法搭建震害资料数据库,并选用地面峰值加速度、谱加速度、层数、结构类型等12种影响因素作为模型输入,利用美国应用技术协会(ATC-13)发布的四种震害等级破坏状态(轻微破坏、中等破坏、严重破坏、倒塌),准确地预测了建筑物地震破坏所引起的损失,充分发挥机器学习高效性的计算特点。(2)详细介绍了随机森林、支持向量机、XGBoost和决策树四种经典的机器学习算法,比较四种方法预测精确率,得出随机森林方法所预测的分类性能更占优,并分析随机森林方法在震害预测研究的适用性。(3)基于随机森林方法进一步对模型的分类性能研究,利用数据平衡化处理和模型超参数优化两种方法对模型进行优化。结果显示:欠采样通过减少分类中多数类样本的数量来实现样本均衡导致模型丢失大量重要信息,采用过采样的SMOTE方法模型准确率更优;采用贝叶斯优化比学习率曲线的超参数优化方法所给出的模型性能更高。(4)为了提高模型的适用性和模型在震后决策性能表现,提出了预测目标优化方法,利用FEMA-356规范将预测目标划分为立即使用和生命安全两种应用性能,将原有四分类简化为二分类,结果显示模型准确率分别提高到73.0%和87.5%。(5)对预测目标优化后的模型进行预测性能验证,包括以下三个方面:①以日本福岛县地区为例,使用QGIS地理信息系统工具标注各受损建筑损失分布,验证模型的建筑空间分布泛化性能,结果显示模型预测与真实分布基本符合。②采用新西兰地区2014年1月20日所发生的Mw6.3级地震受损的1650栋建筑作为单次地震事件验证,结果显示在生命安全性能下,整体准确率达到79.9%,在立即使用性能下,整体准确率达到73.0%。③采用新西兰地区2003至2014年所发生地震受损的137648栋建筑作为多次地震事件验证,结果显示在生命安全性能下,整体准确率达到73.3%,在立即使用性能下,整体准确率达到70.3%。