关键词： 储层计算   耦合洛伦兹系统   旋转周期解   不变环面   时空结构  

摘要： 多年来,系统间的同步特别是关于复杂系统的同步性研究一直吸引着人们的注意力,且广泛应用于实际生活中.对带有时空结构的同步系统的动力学进行重构是一件十分困难的事情,而机器学习方法的发展使得对各种复杂动力学系统的重构成为可能.本文分别使用储层计算方法和下一代储层计算方法去研究动力学模型,该模型是由多个单向耦合的洛伦兹振子组成的环系统.我们利用该模型来研究不同吸引子的动力学行为,得到了两类机器学习方法都能很好地对原始系统进行短期预测以及保持原系统的时空结构的结果.本文的主要内容如下:第1章介绍了同步系统重构的机器学习方法的研究背景、研究意义、研究现状及本文的主要工作.第2章简述了多个单向耦合的洛伦兹振子的复杂系统的基础知识和相关理论.第3章使用储层计算方法,重构多个振子耦合的洛伦兹系统的动力学行为.虽然利用各种神经网络对各种复杂混沌吸引子的重构进行了很好的研究,然而对于某些特殊吸引子的时空结构能否在长期预测中得以保持,人们关注甚少.且储层计算对于无模型预测是有效的,因此我们想要研究储层计算是否可以恢复原始的环耦合洛伦兹系统的旋转对称性.我们发现,尽管训练有素的储层计算机的状态预测逐渐偏离原始系统的实际轨迹,但在重构过程中相关的时空结构依旧保持不变.具体来说,我们得到了周期旋转波、准周期环面和混沌旋转波的旋转对称结构能够很好的保持这一结论.第4章使用下一代储层计算方法,重构多个振子耦合的洛伦兹系统的动力学行为.先前人们基于下一代储层计算的方法证明了它能完成原始储层计算的基准任务,像是预测短期动力学,复制混沌系统的长期气候以及推断未知数据的动力学行为等等.然而这对于下一代储层计算方法的研究依旧处于比较常规的问题上,尤其是使用下一代储层计算方法研究复杂系统的时空结构这一方面很少得到人们的关注.因此我们想要研究训练有素的下一代储层计算方法是否可以恢复原始环耦合洛伦兹系统的旋转对称性.我们发现,尽管训练有素的下一代储层计算机的状态预测逐渐偏离原始系统的实际轨迹,但在重构过程中相关的时空结构依旧保持不变.具体来说,我们得到了周期旋转波、准周期环面和混沌旋转波的旋转对称结构能够很好的保持这一结论.第5章进行了文章的总结和对未来研究的展望.

关键词： 多井产量预测   注采数据时空特征挖掘   注采井间动态连通关系   注水优化  

摘要： 科学准确的产量预测对油田现场的精细化管理有着重要的意义。国内注水开发油田大多已进入高含水开发后期,不同时间段内的井组流场存在极大的差异。分析油井产量的变化规律需要考虑井组内各油井产量与各水井注水量之间的关系。因此,有必要建立一种可精确预测复杂多变量注采序列的模型。 本文利用静态地质资料对注采井组整体建模,在渗流力学和深度学习方法的基础上,建立了一种利用动态生产数据的多井产量预测模型(IP-GWN)。该模型融合了时序卷积网络和图神经网络,利用时序卷积网络并行计算和低内存的优势,高效处理多维注采数据;利用图扩散卷积网络捕捉注采井间能量的传播规律,同时通过引入的自适应井间关系矩阵来表征注采井间的动态连通关系,以此挖掘动态图结构化下各注采序列之间的时空依赖关系。将根据地质资料得到的初始井间关系矩阵和历史生产数据代入模型中,即可得到井组内各生产井多时间步产量的预测结果。此外,本文还通过构建自适应井间关系矩阵与水井注水效率的关系式,提出了一种注水优化方法。 本文利用注水开发概念模型对IP-GWN进行了验证,结果表明自适应井间关系矩阵与井组区域地质概况具有较好的一致性,证明了该方法能够可靠地识别注采关系。将IP-GWN应用于大庆油田X7区中部实际井组,并与常用的深度学习产量预测方法进行了比较,结果显示,IP-GWN具有更高的预测精度。此外,利用基于自适应井间关系矩阵的注水优化方法,相比原方案,井组总体采油量增加了4.33%,与真实井组总产油量相比误差为0.254%。因此,该方法可应用于开发后期的注采井网多井产量预测,能为油田注水开发生产调控方案的制定提供依据。

关键词： 核心素养   深度学习   小学数学   教学策略  

摘要： 深度学习作为素质教育的重要手段，可以全面增强学生的数感、量感，提升学生的运算能力，使之具备良好的空间观念，增强应用意识。文章对核心素养下小学数学教学开展深度学习的意义进行分析，并围绕“北师大版”小学数学教材中的教学案例，提出核心素养下小学数学教学中深度学习的策略，指出教师要构建深度学习框架、整合深度学习知识、设计高阶思维游戏、引导学生深度思考生活问题，以此助力学生的数学核心素养发展，增强数学教学效果。

关键词： 形式化方法   动态系统   李雅普诺夫屏障证书   混合整数规划  

摘要： 信息物理系统(Cyber-Physical Systems,CPS)是一类集成了计算、通信、控制和传感技术的复杂系统,广泛应用于智能交通、工业制造、航空航天、智能家居等领域。动态系统理论提供了一种数学建模的方法,可以用来描述CPS或其子系统的运动状态和变化趋势,并实现控制和优化。通过动态系统建模,研究人员能够更清楚地了解系统的行为和特征,探索系统的内在规律和机制,从而为系统的设计和控制提供参考和指导,提高系统的可靠性、安全性和效率。但由于动态系统行为的复杂性和不确定性,传统的建模方法面临准确性、效率和可扩性方面的挑战。深度学习技术为动态系统提供了简单、灵活的建模方案,然而其难以解释的特点限制了它在安全攸关领域的应用。形式化方法能在一定程度上弥补深度学习技术的缺陷,该方法通过数学计算和逻辑推理来分析系统的设计并检测潜在的错误和缺陷,为计算机软件系统的正确性提供严格保证。本文针对具有安全性和可达性的动态系统提出了形式化学习方法,该方法结合了深度学习强大的建模能力和形式化方法的严密逻辑来自动学习和验证动态系统模型,确保它们符合预定义的规约——安全性和可达性。其中,安全性是指对于给定系统的初始状态,系统在随时间演化的过程中不会进入不安全状态集;可达性是指系统状态随着时间的推移总能进入目标状态集。本文的研究内容如下:·研究了面向离散系统的形式化学习方法。设计了离散系统的神经网络李雅普诺夫屏障证书(Lyapunov Barrier Certificate,LBC)及其训练方式,LBC是表明系统具有安全性和可达性的通用证书。训练得到的神经网络证书通过混合整数线性规划技术得到验证,这种优化技术可用于解决涉及连续变量和离散变量的数学优化问题。通过将神经网络的验证问题表述为具有二值变量的优化问题并求解,即可判定模型和神经网络证书是否满足规约。实验结果表明,该方法能够成功合成离散系统的LBC,且与DDPG(Deep Deterministic Policy Gradient)相比有更好的长期预测效果。·研究了面向连续系统的形式化学习方法。由于连续系统和离散系统具有不同形式,这导致了李雅普诺夫屏障证书的形式也不同,因此需针对性地设计损失函数。为了验证连续形式下的LBC中的李导数条件,需要采用混合整数二次规划,这种规划技术用于解决包含线性约束和二次约束的优化问题。在实验中,应用这一形式化学习方法成功合成了神经网络证书,且准确地重建了系统的向量场。·对上述两种方法实现了一个形式化学习框架FLMSR。该框架由三个交互部分组成:Learner、Seeker和Verifier。其中Learner用于联合学习动态系统模型和神经网络证书,Seeker对系统状态空间进行采样,通过仿真寻找反例,反例会在下一次迭代中用于更新模型和证书。Seeker寻找反例的方式是算力节约型的,如果这种方式未能找到反例,Verifier将对模型和证书进行验证,以对模型的安全性和可达性提供形式化保证。

关键词： 非小细胞肺癌亚型分类   CT影像   深度学习   多视图   循环神经网络  

摘要： 非小细胞肺癌严重威胁人类的生命健康,其最常见的两种组织亚型肺腺癌与肺鳞癌在治疗方案、生存时间等方面存在显著差异。利用CT影像进行无创的非小细胞肺癌亚型分类,能够帮助医生制定针对的治疗方案,进而延长患者的生存时间,具有巨大的研究意义和应用价值。近年来,深度学习技术已经有效应用于肺癌亚型分类任务中,但如何从CT影像中充分且高效地提取肿瘤特征并减少背景噪声干扰仍待解决。本文提出了多种新颖的深度学习方法,深入挖掘CT影像多视图、多切片中蕴含的丰富肿瘤形态结构信息以及连续切片中蕴含的空间相关性信息,同时有效分离肿瘤信息与背景噪声,进而实现更加准确的非小细胞肺癌亚型分类。具体研究内容如下:(1)针对肿瘤信息利用不充分以及背景信息干扰等问题,提出了一种基于多视图特征分解的非小细胞肺癌亚型分类方法MVFD-Net。该方法使用CT影像轴向、矢状和冠状视图的肿瘤图像作为多视图输入,以全面考虑不同视图中包含的肿瘤信息。为了分离多视图特征中的背景信息,设计了一种特征分解模块,通过注意力机制来分解代表肿瘤信息的多视图共有特征和代表背景环境信息的多视图特有特征,并提出了多视图交叉重建损失函数以保证特征分解的有效性,以及多视图特征相似性损失函数来进一步增强多视图共有特征的相似性。本文比较了 MVFD-Net和现有方法的分类性能,结果表明此方法具有出色的非小细胞肺癌亚型分类能力并显著优于其他方法。(2)为了充分挖掘不同视图、不同切片中包含的肿瘤形态结构信息,在上述研究基础上,本文进一步提出了一种基于多视图多切片的非小细胞肺癌亚型分类方法MVMS-Net。该方法首先从CT影像多个视图的肿瘤中心切片以及多张相邻切片中提取特征,并通过特征分解和多种损失函数的设计来分离不同切片中的背景信息。为了充分捕捉连续切片中蕴含的空间相关性信息,本文还设计了一种基于循环神经网络的加权多切片融合模块,促使网络学习更具辨别力的特征表示。实验结果表明,MVMS-Net能够准确区分肺腺癌和肺鳞癌,进一步提升了非小细胞肺癌亚型分类性能。

关键词： 噪声标签   鲁棒性学习   元学习   部分多标签学习  

摘要： 近年来,随着计算机视觉技术的不断发展,图像分类在人们的日常生活中得到了广泛的应用,如人脸识别系统,车辆识别等。但随着互联网上图片数据量的爆炸式的增长,大量数据由众包系统、搜索引擎和社交网站上直接收集而来,因此不可避免地存在大量噪声标签,人工为这些数据进行正确的标注是几乎不可实现的。深度学习依赖于大量可信的数据,但在实际情况中普遍存在的噪声会对算法的性能产生不利影响。因此,如何利用这些含有噪声标签的数据进行鲁棒性学习成为了一个越来越受关注的课题。尽管针对噪声数据的鲁棒性分类问题的相关研究取得了一些有价值的进展,但是目前仍存在许多需要解决的问题。1)在噪声单标签分类问题中:确定性模型(通常构建为加权方法或损失纠正)往往忽略了样本的模糊性,缺乏足够的信息来准确地估计权重或纠正损失;而其他的一些基于元学习的方法没有充分利用分类网络的输出的结构信息。2)在部分多标签分类问题中:一些方法需要进行基于全局数据的矩阵计算,在数据量较大的情况下效率低下甚至难以计算;在对数据信息的利用上,传统方法通常不能有效利用标签空间和特征空间的结构信息,这使得模型倾向于过拟合候选标签集中的噪声标签。本论文对噪声标签下的图像分类问题的鲁棒性方法进行了深入研究,针对现有的研究存在的一些问题,提出了两种鲁棒性的分类方法。本文的主要贡献如下:1)针对噪声单标签分类问题:本文设计了一种基于元学习的适应性矫正训练的噪声标签鲁棒性分类算法,将学习过程建模为分层概率模型,并将矫正向量视为潜在变量,通过矫正概率推断(Warped Probabilistic Inference,WarPI)来实现对预测后验的有效估计。这有助于解决样本模糊性问题,进一步提高模型的泛化能力。在多个数据集上针对不同类型的噪声设置进行了大量的实验,实验结果表明了本文提出的WarPI模型相比于其他模型在有效性、效率和稳定性上的优越性。2)针对部分多标签问题:本文提出了一种基于图卷积结构的部分多标签学习框架Co-GCN。该方法构建了基于标签空间和特征空间的图结构,在充分利用数据结构信息和标签统计信息的基础上,避免了复杂的运算操作,同时进一步提升了模型的鲁棒性。本文提出的方法与其他一些最先进的方法在两个多标签图片数据集上进行了多次实验以评估所提出模型的有效性,实验结果表明了本文提出的方法优于其他方法。

关键词： 二手车价格预测   LightGBM   XGBoost   stacking   bp＿stacking  

摘要： 随着生活水平的提高,人们对于出行的需求不断增长,我国二手车市场规模不断扩大,二手车交易量从2012年的794万辆增长到2022年的1602万辆。随着疫情的放开和国家政策支持,二手车市场规模会越来越大。然而,二手车市场还存在着一些问题,如没有统一的定价指标,在二手车定价过程中主观性较强,人为因素影响较大。为了使二手车市场健康发展,建立客观、统一的定价标准有着重要的意义。本文在查阅了国内外二手车价格模型的相关研究的基础上总结了相关经验,发现在二手车价格的评估过程中,对二手车价格影响较大的变量中分类型变量占据一半左右,但国内外研究中均未对其处理或处理方式较简单,可能会影响定价的准确度。 本文使用二手车交易的公开数据集构建二手车价格预测模型。首先,根据不同的车型以及变量的现实意义填补缺失值和筛选异常值;然后,使用embedding方法处理分类型变量得到最终的训练集。本文使用的模型是改进的stacking模型:bp＿stacking模型,模型使用BP神经网络和Light GBM模型构建了可以在第二阶段读取到原始样本信息的stacking模型。模型训练完成后本文从两个方面进行对比。第一个方面对比相同的模型在本文数据预处理方法上的表现和其他文章数据预处理方法上的表现,结果显示XGBoost模型、Light GBM模型、stacking模型的mae值分别降低了8%、9.2%和10%。第二个方面在相同数据预处理结果上使用本文创建的模型与其他性能最好的模型作比较,结果显示,本文的bp＿stacking模型的mae值为447.66,相较于stacking模型下降了13.8%。 本文将embedding模型引入二手车价格预测中,使得二手车样本中占比较大的分类型变量得到更好的处理,同时本文构建的bp＿stacking模型明显的提升了stacking模型的性能。

关键词： 岩性识别   机器学习   集成学习   同质集成   异质集成  

摘要： 基于机器学习的测井岩性识别是近年来较为常用的岩性解释手段,如何优选机器学习方法和相关参数是制约所建立岩性识别模型精度的难题。本文提出了一种提升机器学习岩性识别精度的集成学习方法,从而对随机森林算法进行了一定程度的推广,该方法沿用套袋法(Bagging)框架,将原始的子分类器从决策树算法推广到任意机器学习算法,形成同质集成学习算法。同时,总结了子分类器优选和参数优选的准则,以提高相较于单种机器学习算法岩性识别的精度。在同质学习的基础上,进一步将子分类器推广到不同子分类器的组合,形成了异质集成学习算法,并提出了子分类器优选方法,以获得最优的机器学习岩性识别算法。为验证集成学习方法的有效性,选取鄂尔多斯盆地大牛地气田岩性数据进行对比实验,结果表明:所有类型的分类器都可以作为同质集成学习的子分类器,且子分类器参数优选规律能够使得同质集成模型相较于原始模型在准确率方面提升1.5～10%;子分类器优选算法对于组合同质集成模型是有效的,所建的异质集成模型相较于同质集成模型在准确率方面有提升且取得了约85%的准确率。尽管异质集成模型的构建较为复杂,但其更适合于建立更强大的岩性识别模型,是一种有效提升机器学习岩性识别精度的集成学习方法。

关键词： 奥苏贝尔意义学习理论   中学音乐教育   认知结构  

摘要： 奥苏贝尔的有意义学习理论是学生从已有的认知结构中吸收新知识的过程。通过小学六年的学习后中学生已经掌握了部分音乐知识,具有基础的知识框架,学生可以充分利用已有的认知结构对新知识进行构建,在此基础上有意义学习理论适用于中学音乐教学。本文以目前南昌市第十九中学奥苏贝尔意义学习理论应用现状为实例调查,通过文献研究法、问卷调查法、访谈法、案例分析法对奥苏贝尔意义学习理论应用于中学音乐课堂深入探究。本文从四个章节进行讲述,第一章节对南昌市第十九中学音乐教学现状进行了调查分析;第二章节提出了一些奥苏贝尔意义学习理论应用于实践的教学思路,以人民音乐出版社八年级下册《樱花》的教学设计为例,简述了意义学习理论在音乐教学中的应用思路;第三章节则以南昌市第十九中学音乐教学为例,收集意义学习理论应用后的师生反馈,并得出实施过程中遇到的问题;第四章节从教师层面与学生层面提出奥苏贝尔意义学习理论应用与中学音乐课堂的建议。作者研究意在努力推动意义学习理论的实际应用,改善目前实践中所遇到的问题,让奥苏贝尔意义学习理论应用于中学音乐课堂成为教学常态。

关键词： 遥感图像超分辨率   注意力机制   盲超分辨率   深度学习   残差网络  

摘要： 随着卫星图像处理技术的不断进步,遥感图像的应用范围越来越广泛。然而,受到目前遥感成像技术发展的限制以及外界环境影响,遥感图像的分辨率往往无法满足实际应用需求。为解决这一问题,遥感图像超分辨率成为提高图像质量的一种重要技术,该技术可克服当前遥感图像采集系统和采集环境的限制,解决遥感图像质量差、感兴趣区域模糊和图像难以高效重建的问题,具有重要研究价值。近年来,随着深度学习的不断发展,图像超分辨率方法取得了巨大进展,但现有算法也存在一些问题。一方面,图像超分辨率重建算法存在网络参数量大,计算复杂度高等问题,难以在计算资源有限的硬件平台上实现高效运行。另一方面,在退化过程未知且复杂的真实遥感场景中,使用特定退化方式训练的网络会导致超分辨率重建出的图像质量严重下降。针对上述问题,本文研究了面向单幅遥感图像超分辨率的深度学习方法。具体研究内容如下: (1)针对超分辨率深度模型计算量大和时间复杂度高的问题,本文提出了一种基于自注意力机制的轻量化超分辨率方法。该方法通过设计轻量化通道注意力机制块,对重要通道进行筛选,降低自注意力操作计算量。此外,本文还设计了分组多尺度自注意力模块,该模块使用不同大小的窗口进行自注意力操作,并通过简单的级联将不同类别的信息融合,进一步提高重建图像的质量。本文在两个公开遥感数据集上进行了实验,在WHU-RS19数据集上缩放4倍时,所提方法获得的PSNR和SSIM比其它研究方法平均提高了2.23%和2.46%。 (2)针对真实世界中未知退化的低分辨率图像,提出了一种多层退化表示引导的盲超分辨率方法。该方法通过学习退化表示来区分来自不同退化核生成的低分辨率图像,从而更好地重建真实图像。同时,本文提出了一种退化引导的深度残差模块,对原始图像不同尺度的高阶特征与退化表示进行特征融合,自适应地提取不同退化信息的高阶特征,从而恢复图像中原有的细节部分。本文在公开遥感数据集和真实遥感场景上进行了实验,在高分二号实拍数据上缩放4倍时,所提方法获得的失真感知系数PI比其它研究方法平均降低了16.92%。 (3)遥感图像超分辨率重建软件设计和实例应用。本文利用图像处理开源库Open CV、深度学习框架Py Torch以及用户交互平台Py Qt5实现了遥感图像超分辨率重建软件的设计,并且在公开的遥感数据集和真实遥感图像上进行了测试。实验结果表明,该软件能够有效地提高遥感图像的分辨率,同时保持图像细节和清晰度,具有很好的应用前景。