关键词： 事物本质   体积测量   正方体   课程教学   表面积   长方体   五年级数学   体积单位  

摘要： 意义是人们对事物本质的解释。追问存在的意义是哲学研究的起点,探究万物的意义是学校教育的重点,理解学科的意义是课程教学的支点。理解力教学通过提取基本概念来表征知识的本质和意义。例如,小学二年级语文要素"想象"的本质是将一个物体当作另一个物体,基本概念是"当作他物";五年级数学长方体和正方体表面积和体积测量的本质是表面积和体积单位个数的累加,基本概念是"单位个数累加"。

关键词： 互联网+政务服务   网上行政审批   便捷度   概念构建  

摘要： 网上行政审批"服务便捷度"是我国推进"互联网+政务服务"改革背景下政务服务能力、质量与绩效的重要面向,也是构建现代化国家治理体系与能力不可或缺的维度之一。本文将诞生于市场营销领域的"服务便捷度"(SERVCON)概念引入政务服务领域,以"服务便捷度"所关注的用户的时间、精力等非货币性支出为核心维度,结合行政审批服务场景和业务流程特征,以及数字政务时代互联网平台特性,构建了网上行政审批便捷度概念的分析维度体系。该体系涵盖审批事项可及度、搜索便捷度、咨询便捷度、要件准备便捷度、审批过程便捷度、审批结果获得便捷度等六个一级维度和26项测量指标,以期在理论上增进对政务服务情景下服务便捷度的理解,在实践上为提升网上行政审批便捷度提供系统的观察和评估工具。

关键词： 虚拟筛选   迁移学习   图神经网络   配体活性   虚拟筛选平台  

摘要： 药物虚拟筛选旨在药物发现过程中使用计算机技术从化合物库中筛选出具有生物活性的小分子,从而大幅提高先导化合物的发现效率。药物分子可天然表示为图的结构,分子中的原子表示为图的节点,原子间的键表示为图的边,可以利用图神经网络端到端学习多层特征表示。针对新兴或者潜在的药物靶点进行药物开发是研究的热点,但虚拟筛选模型的成功往往依赖于大量的数据样本,当已知活性配体样本信息不充分时,配体虚拟筛选难于得到好的预测性能。迁移学习通过借助源域丰富的样本信息,适合解决配体虚拟筛选研究中样本数量不足的问题。因此,本文提出了一种面向药物虚拟筛选的图神经网络迁移学习方法TL-MGNN,实现了样本信息不充分下靶向G蛋白偶联受体(GPCR)的配体生物活性预测和自动端到端的分子指纹生成。TL-MGNN由两个连续的步骤组成:第一步,在具有丰富样本的源域数据集上预训练分子图神经网络(MGNN)模型;第二步,在目标域上对MGNN模型进行微调,得到预测结果。我们在54个GPCR目标域数据集上进行了实验,这些数据集涵盖了大部分人类子家族。该方法与其他几种图神经网络的方法进行了比较,实验结果表明,我们的TL-MGNN方法在大部分数据集上都取得了最佳性能,显著优于WDL-RF等多种图神经网络方法。其原因是当配体样本信息不充分时,WDL-RF,attentive FP,GIN,Weave和MPNN这些神经网络模型很难达到收敛,而我们的TL-MGNN方法可以通过迁移学习来利用源域丰富的样本信息,因此获得了更优的性能。此外,TL-MGNN与组合了迁移学习的WDL-RF方法(TL-WDL-RF)比较,在r和RMSE平均提升了11.96%和3.69%,是因为TL-MGNN方法在图神经网络中不仅考虑了配体分子的原子特征信息,还加入了键的信息,因此能够进一步提升模型性能。另外,本文探究了目标域配体样本个数对TL-MGNN模型性能的影响,结果表明更多的目标域训练样本能够显著提升模型性能。最后,我们还探究了源域样本数量对TL-MGNN模型性能的影响,结果显示,当源域的配体样本数量增加时,大部分数据集上的模型性能都得到了提升。为了用户可以更好使用我们团队开发的多个药物虚拟筛选方法,本文开发了基于相同框架的多个虚拟筛选平台,包括图卷积网络迁移学习方法TL-MGCN、多任务学习方法MTR-GL和MTR-ISLR。平台基于Windows系统下的Apache+Mysql+PHP搭建完成,主要功能是实现靶向GPCRs的配体分子活性预测以及生成对应的分子指纹。本文采用HTML和CSS对平台页面进行设计,基于Python程序实现核心的虚拟筛选算法,并通过PHP程序实现前台与后台的交互,最后将预测结果返回给用户。另外,本文还考虑了平台的安全性设计,主要包括对用户重复操作的限制、输入格式的判断和防止XSS攻击等。同时,我们开放了所有数据集和代码。到目前为止,越来越多的研发团队开发了众多的药物筛选平台及软件,实际上真正免费开源的工具数量很少,因此这些虚拟筛选平台对于助力药物开发具有一定意义。

关键词： 小学   数学   深度学习   策略  

摘要： 小学数学是基础教育阶段的重要科目，主要教学目标是使学生掌握数学知识和数学思维，全面提升学生的学科素养，学生在学习数学知识的同时，需要具备将新旧知识联系在一起的意识和能力，实现深度学习，更深层次地把握数学知识点，能够灵活地应对各种数学问题。因此，小学数学教师应提高重视，积极转变教学理念和教学模式，采取有效措施激励学生深度学习。文章在分析深度学习相关概念及其实施的必要性基础上，详细探讨了学生深度学习策略。

关键词： 有意义学习   阅读教学   教学策略  

摘要： 阅读是人类借助语言符号获取信息、认识世界、发展思维的重要途径。因此,阅读的重要意义决定了阅读教学在语文教学活动的核心地位。一方面,阅读教学能使学生高效地汲取前人积累的科学文化知识,对知识重组整合,开阔视野,培养学生的创新思维;另一方面,通过阅读能够领会作者丰富的思想感情,唤醒学生审美情感体验,塑造学生优秀品格。《义务教育语文课程标准(2011年版)》在小学阅读教学目标及要求中提到:首先,阅读是学生个性化的行为,学生要主动积极构建文本意义,产生独特的感受与体验;其次,教师要教给学生有效的阅读方法及策略,让学生读出情、品出味、习得法,提高阅读能力;最后,要帮助学生在阅读中形成良好的思维能力,灵活运用知识,注重知识的积累迁移。有意义学习中的先行组织者策略能唤醒学生熟悉的生活和学习的知识经验,为阅读学习同化新知识提供稳定附着点,促进学生新旧知识的同化顺应;驱力策略能帮助提升学生阅读学习的兴趣,促进知识的保持与迁移;分化整合策略能使学生合理协调与整合学生的新旧知识内容。为了更好提高学生迁移运用阅读知识,在不同场景转换运用新知识,提升教师教学效果。笔者对该理论应用于语文阅读课堂实践展开了研究。本文梳理了有意义学习理论的内容,阐述了有意义学习理论的含义、条件和类型,为有意义学习理论应用于阅读教学的具体策略打下理论基础。进一步论证了有意义学习理论应用于语文阅读教学的必要性及意义。将阅读教学的特点与有意义学习结合起来,阐述了有意义学习应用于阅读教学的原则,并归纳总结了有意义的教学策略;通过教学设计的分析对有意义学习理论如何应用于阅读教学的过程进行了探讨,为阅读策略的提出提供了素材,得出了相应的阅读教学策略,即:运用意义学习心理机制促使有效阅读教学;运用意义学习组织原则构建阅读知识体系;运用驱力策略激发阅读学习心向。最后总结了有意义学习理论对阅读教学的启示:课前需了解和掌握学生的认知结构;教学中要创设导学情境搭建新旧知识桥梁;课堂小结要指导学生对知识整合协调。

关键词： 爬虫   资讯情绪指数   BERT预训练模型   LSTM模型   回测  

摘要： 近年来,我国股票市场发展速度很快,股票各项指数波动较大,股市的不稳定很大程度上受投资者的投资情绪所致。随着自媒体的快速发展,其具有时效性,普泛性,不可控性强等特点,媒体报道的新闻内容可能会使得上市公司面临着更加恶劣的舆论环境,影响投资者的决策行为,进而对股价产生影响。基于此,学者们产生了诸多文本情感倾向的研究,通过大量的技术手段得出股市的趋势运行思想与方法,但是这些研究方法却很难在现实中去实现。在当今大数据时代,通过有效的研究,可以为投资者以及管理者提供决策与管理制度意见,规避市场风险,在实际应用与理论研究中都具有重要的意义。 本论文在前人研究的基础上,设计出一种资讯情感量化的方法,并与股票行情及技术指标结合,构建了一个新的股票价格预测模型,本文的研究结果可以为市场投资策略提供有力的研究思路,为监管者提供决策意见。核心工作有: (1)从投资者情绪视角,利用爬虫技术自动化爬取个股资讯信息,运用BERT模型对个股资讯进行分类,然后构建资讯情绪指数(下文统称senti);使用LSTM模型,基于市场客观影响情绪指标的开盘价,收盘价,最高价,最低价,市盈率,换手率,乖离率,MACD指标,对比加入senti指标前后对股票预测效果的影响。通过实验研究,融入量化文本指标的股票预测模型可以很好的拟合股票的短期走势。 (2)使用格兰杰因果检验以及时间滞后互相关性分析技术分析了不同股票的资讯与对数收益率之间的因果关系,最后采用策略能否收益来衡量模型的有效性,通过以资讯情绪指数以及股价预测模型作为交易信号,设计了两个投资策略,回测验证了本文设计的资讯量化方法具有一定的获利机会,说明本研究具有一定的参考意义。通过对比研究分析,不同股票资讯情感与对数收益率之间的因果程度也不一样,股价受多因素影响。

关键词： 稳健统计   分类学习   MOM算法   异常值处理   中位数区间  

摘要： 在当今大数据时代背景下,对数据进行有效分类的有监督学习任务有着大量需求。当数据被精确收集时,经典的逻辑回归、支持向量机等方法给出了很好的分类方案。然而,实际应用中由于记录错误、数据污染等原因往往会导致异常值出现。注意到传统方法在处理含有异常值的数据时往往表现不佳,探索稳健分类学习方法在统计学习中至关重要。着眼于稳健分类问题,本文基于一般MOM方法,通过确定合适的中位数区间实现样本数据筛选,提出了Im-MOM（Improved MOM）方法。在稳健分类学习问题当中,MOM算法已被证实是一种稳健的学习算法;注意到在使用MOM方法时,为了权衡稳健性,一般会把分箱数所设较大,但已有实验发现分箱数超过一定程度时,稳健性基本不变而精度下降,在这也因此启发本文在稳健性一定的情况下,最大化模型的预测精度。基于以上问题,本文提出的Im-MOM方法的核心点是利用中位区间选取更多的样本数据,以最大限度的利用有效数据信息。针对本文提出的Im-MOM方法,本文首先考虑了统计学习理论中估计精度的一种自然度量——超出风险。在异常值数目一定条件下,证明了经验损失的超出风险上界。其次,分别给出Im-MOM与MOM方法的理论计算复杂度。最后,为保证Im-MOM算法的收敛性,本文也讨论了Im-MOM梯度下降算法的收敛性。在数值模拟部分,本文首先基于生成数据集进行模拟,将Im-MOM方法分别应用在不同的损失函数中,验证得出Im-MOM方法相较于一般MOM方法能够有效抵制异常值的干扰,分类预测结果更准确;并且在估计参数上,Im-MOM方法所得到的估计参数方差更小,估计参数更接近真实参数。同时,本文将Im-MOM方法应用在HTRU2数据集上,同样得到方法的稳定性与预测准确率有显著的提升。其次,为了测试不同异常值比例下Im-MOM方法相较于MOM方法的有效性,分别在不同损失下模拟了多种异常值比例的实验,相较于MOM方法,Im-MOM在稳定性与预测能力上均有提升。最后,为了验证方法对于异常值产生原因的泛化性,本文利用多种异常值生成规则进行模拟实验,可以看到Im-MOM方法可以有效减少异常值干扰并明显提升预测准确率。

关键词： 反应动力学   无监督学习   准经典轨线   反应势垒  

摘要： 准经典轨线(Quasi-Classical Trajectory,QCT)计算是化学反应动力学研究的重要工具。轨线包含了从反应物到产物的整个反应过程的信息,分析轨线特征对识别和理解反应机理具有重要意义。QCT研究通常需要大量的轨线来减少统计误差。对于海量的轨线,很难通过识别不同类型的反应路径,找到“典型”的反应过程对其进行分类,若做定量分析则更加困难。多原子分子反应的轨线是由高维坐标空间中的数据点表示的,如果将这些高维数据点转换到低维空间,同时保持其分布规律,将为轨线分析提供非常有用的帮助。机器学习研究领域中多种无监督学习方法的联合使用,为反应轨线的数据处理提供了可行方案。本论文选择两个典型的小分子反应,探索不同机器学习方法在分析准经典轨线优势,为进一步发展高效的轨线分析方案提供有益的参考。本论文分为三个章节。第一章为绪论,主要介绍小分子碰撞反应的特点,反应动力学理论研究的背景和模型、以及本论文涉及到的准经典轨线方法和相关的机器学习方法,包括等距离映射、k均值、动态时间规整等。第二章以无势垒反应体系Be与HO反应为例,运用等距离映射、动态时间规整方法分析准经典轨线,很好的揭示了反应的微观机理,发现深势阱和潜入式能垒对反应的动力学过程起到了决定性作用。由于反应存在深达2.78e V的势阱,所有的反应轨线都经历这个势阱,在形成Be-OH复合物后才继续向产物端运动,并未发现OH键直接断裂的反应过程。从势阱到产物还是需要翻越一个势垒,尽管这是能量低于反应物极限的潜入式能垒,但相对于势阱,该势垒高度达到2e V,对反应概率有重要的影响。对反应中HO分子同位素效应的初步研究发现,势垒的相对高度是反应性的决定因素。此外,两个反应物相对运动速度对于困于势阱的未反应轨线与反应轨线之比影响最大。因此,虽然Be与HO的反应没有反应势垒,但反应的主控因素并不是长程相互吸引作用,传统捕获模型不适用于该反应。第三章以HCl与OH反应为例,仔细分析反应势垒存在时的反应机制。虽然反应由势垒位置对应的过渡态主控,但轨线的分析表明反应总体上分成两种类型。一种是翻越势垒的直接过程,另一种是在翻越势垒前在一个浅势阱中形成复合物的间接过程。运用不同坐标系下的数据做为降维计算的输入,轨线的分类一致,但特征在细节上略有差别,给进一步的相似度分析造成不同的影响。选择合适的轨线为标准,辅助以趋势线的拟合,能够更好的做定量分析讨论。

关键词： 个体治疗规则   加权支持向量机   截断   选择性集成  

摘要： 随着人类基因组计划的完成、分子医学水平的不断提高以及大数据时代的来临,个性化医疗正迎来全新的发展时期。这种不同于传统“一刀切”式的医疗模式的兴起也引起越来越多的统计学家、计算机科学家和临床从业者的关注。个性化医疗根据患者对不同治疗的反应的异质性,为患者提供个性化治疗方案,以达到最佳的临床效果。它的首要任务是估计最优个体治疗规则。最近,统计学者提出了一种新的个性化医疗方法,该方法基于结果加权学习框架,利用集成的神经网络对最优个体治疗规则建模,结果表现不俗。本文主要针对上述方法的值函数做了进一步改进,提出一种基于样本调整的最优个体治疗方案学习方法。在该方法中,我们通过引入“截断”,对截断内外采取不同的治疗标签翻转策略,使得治疗标签的分布与真实分布更加接近并降低了误分率。为了提升预测精度,降低模型方差,我们在采用加权支持向量机来估计个体治疗规则的同时还对该分类器进行了选择性集成。本文通过模拟研究和实际数据分析两方面来考察该方法的可行性,并与最近提出的几种方法进行比较来分析优劣。模拟研究表明该方法在小样本且具有非线性和交互作用协变量效应的情形下,具有明显优势。CCLE数据分析结果表明对于具有高度复杂性的真实数据,该方法也可以灵活地捕捉其中潜在的个体异质性信息并进行准确预测。

关键词： 结构系统识别   近似贝叶斯计算   概括统计量   子集模拟   宽度学习   模型类选择  

摘要： 在结构系统识别的贝叶斯推断中,对于复杂系统往往似然函数表达式未知或计算起来非常复杂而无法进一步推断,近似贝叶斯计算方法是近似获得模型参数后验分布的有效计算工具。方法的核心思想是避免对基于实测数据的似然函数直接计算,而通过随机模拟办法,来逼近似然函数而获得模型参数的后验分布随机样本。方法的前提是保证模型输出和观测数据向量在某度量下足够接近,因此需要选择合适的概括统计量提供度量,将高维的观测数据降维到低维空间与模型输出进行对比。但是近似贝叶斯计算方法应用于结构系统识别时,若结构观测数据中存在离异值、较大噪声等异常情况时,模型参数近似后验分布采样误差较大,选择有效的概括统计量就显得尤为重要,但是仍为挑战性难题。本论文针对此问题,研究了基于子集模拟法的近似贝叶斯计算方法实现精确随机采样过程的高效化,在此基础上,提出了基于宽度学习的概括统计量的自动学习方法。主要研究内容如下:(1)首先,研究了子集模拟的近似贝叶斯计算方法,在其基础上建立了概括统计量自动学习方法。介绍了近似贝叶斯计算相关理论,分析了其在应用过程中的随机采样效率较低的问题,研究了子集模拟法实现采样过程的高效化。考虑概括统计量对于近似贝叶斯计算采样精度的重要性,提出了基于宽度学习的概括统计量自动学习方法,并采用二阶滑动平均模型验证了方法有效性。通过对比深度神经网络方法,表明方法具有在很短时间达到较高后验分布采样精度的优点。(2)然后,研究了概括统计量自动学习的近似贝叶斯计算方法在结构参数识别中的应用。结构实际观测数据往往会存在离异值、噪声较大以及观测时长过短等异常问题,在基于子集模拟法的近似贝叶斯计算方法中引入基于宽度学习的概括统计量构造方法,通过线性结构和非线性结构动力学参数识别算例验证了方法性能,揭示方法能有效提高参数近似后验分布采样对于三种异常情况的鲁棒性。(3)最后,研究了概括统计量自动学习的近似贝叶斯计算方法在结构模型类选择的应用。探讨了宽度学习概括统计量在近似贝叶斯计算模型类选择中应用的可行性,揭示了方法可对“不合理”的结构模型进行甄别。同时,验证了模型类选择可实现对模型复杂度降低提供指引,并分析了方法在某些情况下不适用的机理。