关键词： 参考作物蒸散量   FAO-56Penman-Monteith模型   机器学习模型   经验模型   气候变化  

摘要： 参考作物蒸散量（ET_o）是农业水循环和水量平衡的重要组成部分。准确估算ET_o对于农业水资源管理、作物需水量估算和灌溉优化调度都具有重要意义。联合国粮农组织（FAO）推荐的FAO-56 Penman-Monteith模型被认为是计算ET_o的标准模型,能够得准确估算ET_o。然而,许多地区缺乏该公式所需的完整气象数据,导致其应用受到很大限制。为了探究在有限气象数据输入条件下替代FAO-56 Penman-Monteith模型的ET_o估算方法,本文利用我国63个具有辐射观测值气象站点1991-2017年的逐日气象数据,以FAO-56 Penman-Monteith模型计算的ET_o作为标准值,比较了7种不同机器学习模型在7种输入气象变量组合下的ET_o估算精度。然后,在全国696个气象站点,建立3种基于有限气象要素输入组合的机器学习ET_o估算模型,并与相应输入的ET_o经验估算模型进行对比。最后,基于CMIP6的27种GCMs和两种排放情景（SSP245和SSP585）的未来气象数据,分析了我国大陆地区未来696个气象站点的气象要素和ET_o的空间分布特征。研究得到如下主要结论:（1）气象要素Rs、Tmax和Ra与ET_o有较强的相关性,随着输入气象要素数量的减少,机器学习模型的ET_o估算精度降低。气象要素输入组合为Tmax+Tmin+U2+RH+Rs时的ET_o估算精度最佳,其次是Tmax+Tmin+U2+RH+Ra输入组合,仅有Tmax+Tmin+Ra作为输入变量时的ET_o估算精度最低。（2）在利用7种机器学习模型（RF,SVM,XGBoost,Light GBM,MLP,MLR,以及***）估算ET_o时,机器学习模型的估算精度远高于多元线性回归方法,尤其是***、SVM和MLP模型的表现更好。其中,通过Stacking集成方法的***模型比传统单个机器学习模型的平均R2增加0.28%-0.87%;RMSE、MAE、NRMSE值分别降低3.29%-12.81%,2.40%-13.57%和3.28%-12.75%。这表明Stacking集成方法在提高机器学习模型的预测性能上具有更大的潜力。（3）机器学习模型要比相应的传统经验模型具有更高的ET_o估算精度。经验模型中仅有Lobit模型和Abtew模型在部分地区有较好的ET_o估算性能。在中国大陆4个不同气候区中,亚热带季风气候区（SMZ）和高原山地气候区（MPZ）以及温带季风气候区（TMZ）的估算精度总体高于温带大陆性气候区（TCZ）。机器学习模型估算的ET_o年平均值与Penman-Monteith模型计算的结果非常接近,而经验模型通常会高估ET_o值。因此,在缺少完整的气象资料条件下,推荐在不同的地区根据需要使用机器学习模型来估算我国的逐日ET_o。（4）未来气候情景下,中国大陆地区的最高气温Tmax和最低气温Tmin均呈增加趋势,并且SSP585情景下的增加幅度大于SSP245情景。随着时间的推移,Tmax和Tmin的增加幅度也越来越大。太阳辐射Rs在MPZ和TCZ区域呈下降趋势;而在SMZ和TMZ区域呈上升趋势。降雨总体呈增加趋势,但增加的幅度在各区域存在明显差异,存在明显东高西低的特点。（5）未来我国4个不同气候区的ET_o均有明显增加的趋势。从2040s到2090s的ET_o增量也逐渐增加,在SSP585情景下2090s的ET_o增量达到最大,尤其是SMZ和TCZ区域的ET_o增量范围为200-400 mm year-1。在未来情景下,MPZ和TCZ区域的ET_o增加幅度大于降雨增加幅度,而SMZ和TMZ区域的ET_o增加幅度等于或略大于降雨增加幅度,这就会导致中国大陆干旱的地方越干旱,而湿润的地方越湿润。

摘要： 摘要 目的 该初步研究旨在开发一个基于扩散加权成像（DWI）和表观扩散系数图（ADC图）的深度学习（DL）模型，用以预测喉和下咽癌病人接受各种形式放疗相关的根治

关键词： 初中历史   史料研读   学习方法   应用  

摘要： 史料研读是历史学科的核心素养之一。学生通过学习史料会见证历史，体验过去，感受痕迹，在辨别筛选中释疑求证，掌握正确的学习方法。在史料探究中学生要遵循“论从史出，史由证来”的原则，主动提取史实，印证结论，在分析和思考中了解科学的学习方法，提高史料研读能力。本文主要探究了史料研读在初中历史教学中的应用策略，培养学生运用史料研读历史的意识，提高学科学习能力。

摘要： 引言众所周知,在英语中有很多的介词比如in、on、with、at、to等。一些介词是用来表示时间和地点,比如at、in、until。一些介词是用来表示方位,比如on、in、at。还有一些介词既用来表示时间又用来表示地点,例如in、by、near等。所以说总体来看英语介词数量比较多,而且用法也非常复杂,要想让初中生们学好介词,就要采用恰当的方法。接下来本文将详细阐述初中英语中的几类介词学习方法。

关键词： 图像检索   近似最近邻检索   哈希   哈希学习   权重信息挖掘  

摘要： 大数据已经成为国家重要的战略资源之一,存储、加工、检索和分析等是大数据处理的重要环节。近似最近邻检索是解决大数据检索问题的重要思路,而哈希学习是解决大数据检索和分析问题的代表性方法,近年来得到研究者的广泛关注。利用哈希学习进行大数据检索,可以大幅度降低数据的存储和计算开销,在大数据检索和分析应用中具有独特的优势。虽然近年来哈希学习的研究取得了卓有成效的进展,但仍存在一些不足和值得进一步深入研究的问题:1)现有的哈希学习方法大多从整幅图像的语义信息中学习哈希码,忽略了图像不同区域对于哈希码的影响;2)已有的研究大多采用预定义的相似性矩阵学习哈希码,但这种相似性矩阵无法准确体现样本相似性的差异;3)现有的工作忽略了复杂场景中困难样本的挖掘,没有关注不同样本的学习难度差异;4)常见的哈希码量化方法大多为每个维度赋予相同长度的哈希码,无法区分各个维度特征的信息量差异。为解决上述问题,本文利用权重信息挖掘的思想对哈希学习方法进行了较为深入的研究,分别从样本空间重要性权重信息挖掘、样本相似性矩阵权重信息挖掘、困难样本权重信息挖掘和哈希码不同维度加权分配四个角度提出了五种哈希学习方法。具体内容如下:(1)针对现有哈希学习方法忽略图像不同区域重要性差异的问题,本文提出了基于加权空间重要性的深度哈希学习方法。该方法首先利用空间注意力模型来学习原始图像中不同空间区域的重要性,然后根据它们的重要性为这些空间区域分配不同的权重,并基于加权的空间信息学习哈希码,提升了深度哈希学习方法的性能。(2)针对零样本哈希学习方法中特殊监督信息难获取的问题,本文提出了基于非对称比率相似性矩阵的零样本哈希学习方法。该方法在样本相似度计算中使用非对称比率相似性矩阵(相似性矩阵权重信息挖掘,即相似样本对的正权值与不相似样本对的负权值不相等)来探索监督信息对哈希学习的影响,并只需要计算可见类之间的语义相似性即可进行哈希学习,无需特殊监督信息,在一定程度上缓解了零样本哈希学习对特殊监督信息的依赖性。(3)针对现有哈希学习方法对监督信息利用不充分的问题,本文进一步提出了基于自适应相似性矩阵的监督哈希学习方法。该方法不仅可以自适应地学习相似性矩阵(自适应挖掘相似性矩阵权重信息)和哈希码,还能够通过保持特征和标签空间之间的一致性来提取标签相关性,进而有效提升哈希学习检索性能。(4)针对现有哈希学习方法对困难样本的挖掘和使用不充分的问题,本文提出了基于自适应相似性矩阵的深度圆哈希学习方法。在处理复杂场景的检索问题时,能够为困难样本赋予更多的学习权重,并在损失函数设计中,引入自适应相似性矩阵、哈希相似度、区间加权以及哈希检索任务的特点,提升了哈希学习方法在复杂场景下的检索精度。(5)针对现有哈希量化方法无法自适应分配哈希码长的问题,本文提出了可变长哈希量化方法。该方法为图像投影后的每个维度优化分配不同权重比特以获得最小分散度,从而有效改进哈希量化步的性能。所提出的五种方法引入了权重信息挖掘思想用以侧重区分重要信息,实验结果表明充分利用权重信息挖掘思想是提升哈希学习方法性能的有效手段。

关键词： 图学习   图拉普拉斯矩阵   平滑图信号   图信号处理   吸引的DC-内禀的高斯马尔可夫随机场   精度矩阵  

摘要： 随着信息技术的飞速发展,万物互联化、数据泛在化的趋势明显,数据呈现出海量、结构化和高维低秩等特点。如果能从数据中捕获数据之间的结构特征并加以利用,有助于人们更好地对数据进行采集、存储、传输和应用。图是抽象表示数据实体之间拓扑结构的重要工具,一旦在数据实体之间建立了具有可解释性的图,就可以结合谱图理论和信号处理方法对数据进行系统的分析和处理。然而,图并不都是先验已知的,由此出现了图学习研究,即从观测数据中推测数据实体之间可能存在的图结构信息。图拉普拉斯矩阵是图的一类矩阵表示,能够反映图的结构信息,且具有特殊的谱特性,是谱图理论研究的核心内容之一,在机器学习和图信号处理等领域得到广泛的应用。尤其在图信号处理领域,图傅里叶变换、图滤波等概念都建立在图拉普拉斯矩阵的基础之上。在高斯图模型中,吸引的DC-内禀的高斯马尔可夫随机场的精度矩阵是拉普拉斯矩阵,对应的随机变量服从退化的多元高斯分布且具有非负偏相关性,因此图拉普拉斯矩阵还具有统计意义。本文基于图信号处理和高斯图模型理论,研究从观测数据推断图拉普拉斯矩阵的方法,从而获得图的结构信息,揭示数据实体之间的关联性,为拉普拉斯理论框架下的信号分析和处理提供技术支撑。主要研究内容如下:1.针对具有时间和空间变化平滑性的信号,提出从时空平滑信号推断图拉普拉斯矩阵的方法。首先,利用笛卡尔乘积构造时空联合图,将观测信号表示为时空联合图频域上低频分量的线性组合,建模时空平滑图信号表示模型。其次,通过最大后验概率估计,构建以联合图拉普拉斯矩阵和重构的图信号为优化变量的图学习问题。最后,根据笛卡尔乘积图的性质分解图学习问题,用原始-对偶与共轭梯度下降算法交替迭代求解子问题,通过约束重构图信号的时空平滑性获得时间图和顶点图的拉普拉斯矩阵。所提图学习方法在图学习的同时利用图拉普拉斯矩阵在时域和空域对图信号进行重构,在噪声和缺失信号场景下,图信号重构的精度高,进而保证了图学习性能。实验结果表明,在信号采样率为0.5的场景下,所提图学习方法仍然能够达到较高的图学习精度,优于对比的图学习方法。2.物理系统的观测数据可能会受到潜在因素的影响,如果数据服从退化的多元高斯分布且存在非负偏相关性,可用拉普拉斯约束下的隐变量高斯图模型建模,以刻画潜在因素的影响。在给定隐变量的条件下,观测变量的条件精度矩阵是稀疏的。但由于隐变量未知,拉普拉斯约束下的一般图学习方法只能估计观测变量的边缘精度矩阵,该矩阵具有“稀疏+低秩”的非稀疏结构。图的稀疏性在统计和计算上至关重要,为此,本文提出的图学习方法在估计边缘精度矩阵的同时,分离“稀疏项”和“低秩项”,其中的“稀疏项”即观测变量的条件精度矩阵,其稀疏模式可揭示观测变量之间的成对条件独立性。首先,通过最大化观测变量的边缘似然函数,构建图学习优化问题,其优化变量包括观测变量的边缘精度矩阵、条件精度矩阵以及低秩矩阵。通过证明它们分别具有组合拉普拉斯、对角占优拉普拉斯以及非负性等特殊的矩阵性质,图学习问题被进一步约束为具有特定形式矩阵变量的凸优化问题。最后通过多块交替方向乘子法求解得到三个目标矩阵。实验结果表明,在隐变量存在的情况下,所提方法能够有效推断条件精度矩阵的稀疏模式,为后继信号分析和处理任务提供稀疏图。3.在大规模网络中,由于数据样本、通信带宽和计算资源的有限性,集中式图学习存在困难。针对这一挑战,本文提出了拉普拉斯和结构约束下的分布式图学习方法。首先通过定义每个顶点的局部邻域,并最大化局部变量的边缘似然函数,构建低维的带拉普拉斯和结构约束的局部优化问题,再利用块坐标下降算法求解。最后,从每个局部问题的优化解中提取参数,通过单一的信息传递、合并以及对称化,得到全局图拉普拉斯矩阵。所提分布式图学习方法计算复杂度低、可并行计算,在无采样误差的情况下,可以达到全局估计的统计精度。实验结果验证了以上理论结果。

关键词： 生育相关蛋白   机器学习   精子发生   卵子发生   胚胎发生   富集分析  

摘要： 蛋白质以不同方式参与生命活动。它们在各种生物过程中发挥着重要作用,比如在与生育生殖等相关的生命活动。这些生命活动包括精子发生,卵子发生,胚胎发生以及其他分化过程,如器官发生。这些生命活动受许多蛋白质信号级联调节。在精子发生中,管周肌样细胞利用肌动蛋白和肌球蛋白的收缩丝,把含有不动精子的睾丸液引入睾丸网,还通过分泌纤连蛋白、胶原蛋白、蛋白聚糖参与血睾丸屏障的产生和维持。在卵子发生中,TATA结合蛋白2(TBP2)的表达和作用将会影响早期卵泡发育的进展。在胚胎发生中,细胞粘附蛋白E-钙粘蛋白不仅在压实(compaction)阶段发挥重要作用,还在极化(polarisation)阶段使细胞获得极性。因此,由于生殖蛋白质的重要性,对它们进行分类预测将为详细了解精子发生、卵子发生和胚胎发生的每个步骤的生物学过程和机制提供知识基础。因此,本论文准备构建分类模型对与精子发生相关的蛋白质,与卵子发生相关的蛋白质以及与胚胎发生相关的蛋白质进行分类预测。本论文通过构建三种不同的机器学习模型对该问题进行了研究。首先,本工作收集了相关的蛋白质数据,并使用了基于氨基酸组成及基于理化性质的特征提取方法对其进行了特征提取;通过方差分析(ANOVA)以及增量特征选择方法对特征进行了筛选从而获得最优特征子集;又分别建立了随机森林(Random Forest,RF),极端梯度提升树算法(e Xtreme gradient boosting algorithm,XGBoost)及支持向量机(Support Vector Machines,SVM)模型对分类问题进行研究。在构建分类器时,通过富集分析的结果发现:卵子发生相关蛋白质的富集通路可能会被富集到胚胎发生相关蛋白质的通路中,这说明两者的蛋白质可能会在特征上具有相似性,进而可能会使分类预测结果变差。所以准备构建一个两层的分类器。第一层分类器是将胚胎发生相关蛋白质和其他两类蛋白质(精子发生相关蛋白质和卵子发生相关蛋白质)进行分类,第二层分类器则是将精子发生相的蛋白质和卵子发生相关蛋白质进行分类;最后,通过对评价指标的比较,选择了分类效果较好的支持向量机(Support Vector Machines,SVM)模型作为分类器。最终得到了一个两层的支持向量机模型进行分类预测。第一层分类器(胚胎发生相关蛋白质与剩余生育相关蛋白质)独立测试集的准确率和ROC曲线下的面积分别为81.95%和0.89。第二层分类器(精子发生相关蛋白质与卵子发生相关蛋白质)独立测试集准确率和ROC曲线下的面积分别为84.74%和0.90。通过富集分析发现与精子发生相关的蛋白质主要富集到GO:007283(spematogensis)通路上,与卵子发生相关的蛋白质主要富集到GO:0048477(oogenesis)通路上,与胚胎发生相关的蛋白质主要富集到GO:0001701(in utero embryonic development)通路上。并且通过对这三种蛋白质进行组合后富集分析发现,胚胎发生相关蛋白质会影响到卵子发生相关蛋白质的富集,精子发生相关蛋白质的富集不受其他两种蛋白质的影响。

关键词： 高中   信息技术教学   项目式学习   教学方法  

摘要： 项目式教学方法是结合实际教学情境，借助有效的教学活动，解决实际问题，不断提升课堂教学的高效性和科学性。因为项目式教学法缺乏足够的教学实践，在实际的运行过程中还存在一些不足。高中信息技术课程教师需要借助有效措施加以解决，使项目式教学与信息技术教学有效融合。

关键词： 注意力机制   多示例学习   结肠癌   循环神经网络   通道域  

摘要： 在使用传统深度学习进行病理学图像分类时,研究人员经常会因为需要对病理学图像进行大量标记而耗费大量时间和人力。为了降低标记图片的时间和人力成本,本文对现有解决方法进行了研究。在进行组织病理学图片分类时,因为全视野数字切片(Whole Slide Image,WSI)非常巨大,人们会将WSI裁剪为很多个小的图像块。在裁剪图像块的同时,医生会对每个图像块进行标记。这样就能将这些图像块放入神经网络中进行训练。标记图像块的工作对医生来说是费时费力的。研究人员想到使用多示例学习(Multiple Instance Learning,MIL)注意力机制来解决这个问题。但是多示例学习注意力机制是一种硬注意力机制,无法对每个图像块内部进行权重评估,从而降低最终分类准确率。本文提出使用两种方法来解决多示例学习注意力机制缺乏软注意力机制的问题,并且通过在结肠癌数据集上进行分类来证明这两种方法的优越性。本文提出使用的第一种方法是一种软的、连续的、空间的、自顶向下的注意力机制(Soft,Sequential,Spatial,Top-down Attention mechanism,S3TA)。该注意力机制受到灵长类动物视觉系统启发。人类并不是将图像视为一个静态的场景,而是在一系列扫视中探索图像,并且在过程中收集和整合信息。这就是人类进行图片分类总比通常的神经网络强的原因。S3TA是一种循环神经网络(Recurrent Neural Network,RNN),它模拟了注意力瓶颈和视觉皮层的顺序的、自上而下的循环控制的功能。在多示例学习注意力机制中加入S3TA有利于弥补硬注意力机制的不足之外,还能获得人类进行图片分类的优点。本文提出使用的第二种方法则是从通道域角度对多示例学习注意力机制进行改进。本文使用一种压缩和激励(Squeeze and Excitation,SE)注意力机制模块来改进多示例学习注意力机制。SE模块对卷积层中各个通道的相互依赖关系进行表示,从而让网络可以对各个通道域的权重进行重新校准,也就是说通过SE模块可以在通道域中对重要信息进行强调并且抑制无效特征。因为本文中所有网络模型的深度较浅而且原SE模块在浅层中表现很差,所以本文对SE模块进行了改进。改进后的SE模块不仅可以在任何深度插入网络模型,而且还保留了简单灵活有效的优点。实验结果表明两种新模型比原多示例学习注意力机制模型有更高的分类准确率,而且两者相结合的模型表现更好。本文为降低WSI标记成本提供了更加有效的解决方案。