关键词： 图卷积网络   少样本学习   ADFRN   SAGCN  

摘要： 随着网络深度的增加,图卷积网络容易出现过拟合现象,且现有的少样本学习方法往往会忽略具有类别特点的局部细节信息对于分类的贡献。因此,文章提出了一种基于自适应细节特征增强网络与语义对齐图卷积网络的少样本学习方法,能够根据经验知识去学习生成具有可变感受野范围,并从长宽和通道维度中捕捉具有类别特点的局部细节信息的卷积核。本研究将单一学习任务中所有强化后的特征图构造成图结构数据,利用语义对齐图卷积网络对结点特征进行优化,同时引入语义对齐操作防止出现过拟合现象。

关键词： 外来员工子女   方法学困生   学习方法   指导途径  

摘要： 部分外来员工子女由于频繁的流动而数学学习基础薄弱,学习方法不够科学合理,从而成了方法学困生.对此,教师要分析每个学困生在学习方法上存在的问题,通过不同的途径与方式对他们进行有针对性的引导,培养其学习兴趣,努力提高他们学习的有效性,从而实现学生的个性化成长.

关键词： 主动学习   跨模态语义推理   对比学习   视觉问答   互信息  

摘要： 视觉自动问答技术是一个新兴的多模态学习任务,它联系了图像内容理解和文本语义推理,针对图像和问题给出对应的回答.该技术涉及多种模态交互,对视觉感知和文本语义学习有较高的要求,受到了广泛的关注.然而,视觉自动问答模型的训练对数据集的要求较高.它需要多种多样的问题模式和大量的相似场景不同答案的问题答案标注,以保证模型的鲁棒性和不同模态下的泛化能力.而标注视觉自动问答数据需要花费大量的人力物力,高昂的成本成为制约该领域发展的瓶颈.针对这个问题,本文提出了基于跨模态特征对比学习的视觉问答主动学习方法(CCRL).该方法从尽可能覆盖更多的问题类型和尽可能获取更平衡的问题分布两方面出发,设计了视觉问题匹配评价(VQME)模块和视觉答案不确定度度量(VAUE)模块.视觉问题评价模块使用了互信息和对比预测编码作为自监督学习的约束,学习视觉模态和问题模式的匹配关系.视觉答案不确定性模块引入了标注状态学习模块,自适应地选择匹配的问题模式并学习跨模态问答语义关联,通过答案项的概率分布评估样本不确定度,寻找最有价值的未标注样本进行标注.在实验部分,本文在视觉问答数据集VQA-v2上将CCRL和其他最新的主动学习算法进行了性能比较,实验结果表明该方法在各个问题模式下均超越之前的方法,该方法对比当前性能最好的主动学习方法在不同的采样率下平均提升了1.65%的准确率.在仅标注30%的数据下,该方法可以达到100%样本标注下性能的96%;在40%的标注比例之下,该方法可以达到100%样本标注下性能的97%.这说明该方法可以选取出具有高指导价值的样本,节约了标注花费的同时最大化视觉自动问答的模型性能.

关键词： 人生意义   学习压力   学习动机   民办高职  

摘要： 民办高职院校是我国职业教育的重要组成部分。民办高职院校学生面临着学习和生活上的多重压力。采用大学生学习压力感问卷、大学生学习动机问卷及中文人生意义问卷,探讨民办高职院校学生学习动机和人生意义对学习压力的影响。结果发现,人生意义和学习动机对学习压力的正向预测作用显著,学习动机在人生意义和学习压力关系中起部分中介作用。

关键词： 行政行为   行政处分   法律继受  

摘要： 近代中国“行政行为”概念的引入,始于清末对日本行政法学著作的翻译与引介。从语词的使用与解释来看,清末“行政行为”一词并未成为专门法学概念。民国时期,“行政行为”一词成为法学界通用概念,但对其范畴的界定尚无定论。立法上,虽仅采用“行政处分”一词,但“行政行为”概念仍见诸立法理由、法律解释中。司法上,“行政行为”与“行政处分”二词均有使用。具体而言,北京政府最高司法机关大理院将“行政行为”与“行政处分”二词互换使用,或将“行政行为”用于与“司法行为”相区别。在国民政府时期的司法实践中,“行政行为”是行政机关行使职权之行为,须有法规之依据。经过司法实践的解释,实定法概念“行政处分”的含义逐渐清晰。司法机关通过对概念的界定,丰富了行政行为的意涵,亦有利于对人民权利的救济。

关键词： 故障诊断   卷积神经网络   长短期记忆网络   多尺度特征提取   注意力机制  

摘要： 近年来,深度学习技术在基于振动信号的轴承故障诊断中表现出了巨大的潜力。然而,在基于深度学习的故障诊断方法中,传统单一的网络拓扑结构特征提取的区分性弱和噪声鲁棒性低,故障诊断的准确率不高。此外,目前大多数的研究方法在变负载环境下故障识别率低。针对以上问题,提出了一种改进的神经网络端到端故障诊断模型。该模型将卷积神经网络(convolutional neural networks,CNN)和基于注意力机制的长短期记忆网络(the attention long short-term memory,ALSTM)相结合,借助ALSTM捕捉时间序列数据中的远距离相关性,有效抑制输入信号中的高频噪声。同时,引入多尺度和注意力机制,拓宽卷积核捕捉高低频特征的范围,突出故障的关键特征。经多个数据集测试,并且与现有方法进行比较,实验表明,该方法在准确率、噪声鲁棒性及变负载下的故障识别率方面表现突出。

关键词： 道德与法治   情境创设   问题探究   学习方法  

摘要： 道德与法治教学是小学德育工作的重要组成部分,对学生世界观、人生观、价值观、法治观、道德观的塑造与发展具有极为重要的影响。通过具体的教学案例,探索如何追求道德与法治教学中的“真”,有利于提高道德与法治教学的有效性,提升学生的思想道德素养,使学生得到全面发展。

关键词： 深度卷积神经网络   复杂多目标规划问题   机器学习   智能采样  

摘要： 针对多目标规划进化算法中测试函数的Pareto最优解集模式单一、种群多样性与算法收敛速度相互牵制等问题,设计了一种基于深度卷积神经网络的复杂多目标规划问题的机器学习方法:在原像空间中,提出“部分精英集的Gauss采样+部分拉丁超立方采样”的混合采样新方法,其中部分样本以精英集中的Pareto最优解为中心进行Gauss采样以保证所获Pareto最优前沿不差于上一代,部分样本利用拉丁超立方采样以保证样本的多样性;在像空间中,利用基于深度卷积神经网络图像特定边缘提取直接获取Pareto最优前沿。为测试算法求解复杂多目标规划问题的效率和普适性,将5个经典多目标规划问题进行改进(测试模型的最优Pareto解集具有随机性并增加了测试模型维度),利用该算法对5个改进模型进行了仿真试验,结果表明,算法对求解复杂多目标规划问题的具有可行性且具有较高的计算效率。

关键词： 灾难性遗忘   贝叶斯增量学习   不确定性   学习率   权值选择策略  

摘要： 为提高现有增量学习模型在容量固定环境下学习的持久性,提出一种基于权值选择策略的增量学习方法。根据贝叶斯神经网络携带的不确定性动态地调整权值的学习率,以此优化一个能同时记忆新旧知识的模型;为使模型的学习与记忆更有弹性,在此基础上提出一种权值选择策略,该策略可以令模型主动选择性地释放部分网络资源,在不严重损害旧任务性能的前提下促进后续任务的学习。实验结果表明,在模型容量固定的环境下,权值选择策略的引入可以更有效地发掘模型的持续学习能力。

关键词： 糖尿病   脉搏信号   小波分解   集成算法   动脉损伤  

摘要： 背景:糖尿病可引起广泛的动脉结构和功能病理变化,导致动脉僵硬度增加、顺应性降低和动脉弹性降低。本研究从动脉损伤的角度,实现对尚未出现临床表现但有动脉损伤的糖尿病患者的早期检测。方法:动脉损伤会导致血管的力学参数发生变化,而脉搏信号的波形变化与心血管系统的力学参数变化密切相关。通过9级小波对糖尿病患者脉搏信号进行分解,提取cD8、cD7、cD6系数(中高频成分,代表信号细节特征),作为能够反映动脉损伤程度的特征,将特征矩阵输入到10折交叉验证模型的Stacking集成学习模型中,设置第一层的4个基学习器为SVM、Random Forest、XGBoost、Extra Trees,第二层的元学习器是KNN。结果:单个机器学习模型可以达到90%以上的准确率。Stacking集成学习算法的准确率比单一机器学习模型高4%~5%,ROC曲线下面积提高1%~6%。结论:小波分解得到的脉搏信号cD8、cD7、cD6系数可以有效反映糖尿病引起的动脉损伤程度,因此动脉损伤对糖尿病的早期检测具有一定的指导意义。Stacking集成学习算法将多个模型的优势结合起来生成一个新模型,可以获得比单一模型更好的性能。