关键词： 表示学习   子空间学习   核保持嵌入   高光谱图像分类   字典学习   深度字典学习  

摘要： 随着机器学习、深度学习技术的进一步发展,基于表示学习的分类算法性能有了很明显的提升,但基于表示关系的算法大多仅通过原始样本的直接关系进行建模,而如何在子空间或表示空间也能够保持原始数据的相似性关系和空间结构,是提升表示学习模型性能的关键。本文立足于表示学习中的子空间学习、字典学习和深度字典学习,研究具有更高识别精度的表示算法。所取得的研究成果如下:（1）针对子空间学习算法或未能考虑样本的类标信息,或只利用了类内局部关系构图,忽略了不同类样本之间的表示关系及其在构图中的作用这两点不足,提出了一种基于核保持嵌入的子空间学习方法（KESL）。KESL将核函数引入样本的自表示学习中,利用核保持关系学习到的相似性表示分别构建类内图和类间图,增强了对类与类之间不相似性的利用,使得在投影子空间中,同类样本的核保持关系得到加强,不同类样本间的核保持关系被进一步抑制,通过核保持矩阵和图嵌入的迭代优化得到最优表示下的子空间投影。继而提出基于空谱特征网络与KESL优化的高光谱图像分类方法（SSN-KESL）,先得到空间-光谱融合数据然后再利用KESL进行特征嵌入。实验证明所提方法在分类任务中的性能优于主流的子空间学习算法。（2）针对单一特征表示的局限性和视角差异性问题,提出了基于核保持与块对角化的多视角字典学习方法（KBR-MVDL）。该方法首先利用解析型字典的得到每种视角数据的表示系数,引入块对角化结构约束让每个样本尽量由其同类样本表示。基于数据来自不同视角但标签共享这一事实,将来自不同视角的表示系数串联后训练分类器。考虑到局部信息的重要性,提出了基于核保持嵌入与公共空间表示的多视角字典学习方法（KESSR-MVDL）。该算法给每个视角学习一个权重以区分不同视角的贡献度,利用核保持关系给每一个视角都学习一个类内表示和一个类间表示,学习一个公共表示空间以挖掘视角互补信息,利用图嵌入框架使样本在原始空间和子空间具有同样的邻接关系。在多个数据集上的实验证实了所提算法能够有效提升多视角数据分类精度。（3）针对深度字典学习方法得到的表示系数判别性不足的缺陷,提出了基于核保持和判别约束的的深度字典对学习方法（KDC-DDPL）。引入字典对学习模型使得表示系数中含有更多数据信息,一方面,通过对合成型字典进行费舍尔判别约束和低秩约束增强其判别性和鲁棒性,另一方面,用判别转换矩阵对表示系数约束,增大不同类别样本的差异性。多个数据集上的实验结果表明,算法在提升分类性能的同时,有效挖掘了数据的判别信息。

摘要： 篆书教学的重点在于培养学生的书写习惯，帮助学生识字。篆书教学由来已久，但在中小学教学中的应用却不够广泛，中小学时期的书法教学要求学生的书写要美观，因此，楷书的日常练习较为频繁，为了方便日常的应用，书法教学基本上以楷书教学为主，很少有教师引导学生进行隶书、行书的练习，

关键词： 小学数学   学习方法   打造策略  

摘要： 文章围绕小学数学教学中学生学习方法的改革与创新进行了探讨，首先对小学数学教学中学习方法创新的意义进行说明，然后通过学习方法创新实践来对文章的主题进行分析和阐述。

关键词： 多重图表示学习   注意力机制   图卷积网络  

摘要： 多重网络数据表示了实体之间复杂的多样性联系,在社交领域、生物医学领域、电力交通领域等一系列的领域中广泛存在着。图表示学习,也称为网络表示学习,旨在将图上的拓扑结构信息嵌入到向量空间中,把每一个节点表示为低维分布式的实值向量。图表示学习能够更加有效地解决节点分类,链路预测等任务,因此受到了越来越多研究者的关注。在多重网络数据中,不同关系(不同层)的拓扑结构在不同方面刻画了实体与实体之间的联系。为了更加全面地对节点进行有效的表示,挖掘出其中蕴含的更多潜在信息,需要对不同关系(不同层)的拓扑结构特征提取的同时,考虑如何有效地对不同关系上学习到的特征进行融合,形成一个综合性的表示。本文提出了一种基于注意力机制融合的多重图表示学习方法,MultiAttGCN。注意力机制的引入有效地量化了不同关系(不同层)的重要程度。注意力机制能够动态地为每个节点在不同关系上的表示向量分配权重,然后通过权重值将不同关系上的向量线性组合起来,作为节点的综合性表示向量。方法可以总结如下:首先,使用图卷积网络在不同关系的网络拓扑结构上学习相应的潜在信息。其次,通过注意力机制对不同关系上学习到的节点表示向量进行融合。最后,结合一个全连接的神经网络,分别基于链路预测和节点分类任务构建目标函数,训练整个模型的参数。在八个不同领域的数据集上与两个单层图表示学习方法(node2vec,Deepwalk)、三个多重图表示学习方法(MNE,OhmNet,MultiVERSE)在链路预测和节点分类任务上进行比较。实验结果表明,在链路预测上,MultiAttGCN在5个数据集中的AUROC值最高。总体而言,比两个单层图表示学习方法的AUROC值平均提升了最高45%的准确性,比三个多重图表示学习方法的AUROC值平均提升了最高14%的准确性。另一方面,在两个有节点类别信息的数据集上进行了节点分类的任务。MultiAttGCN在F1指标上能达到0.95以上,同时在一个数据集中表现效果优于其他方法。最后,在构建的多重随机图上进行节点分类任务,并对注意力分布使用统计检验,验证了方法的有效性。

关键词： 鄂尔多斯   地震活动性   地震序列   多重时空聚类   b值   地震能量  

摘要： 鄂尔多斯块体处于中国东西部的构造转换带上,是中国大陆北部一个相对完整的近刚性块体。地震记录表明,鄂尔多斯块体内部很少发生地震,且发生地震的最大震级也从未超过6级,然而在鄂尔多斯地块周缘的边界断层及构造带上地震活动剧烈,经常发生破坏性地震。因此,研究鄂尔多斯地块及其邻区的地震活动性对于该区的防震减灾及安全生产具有重要意义。已有的研究表明鄂尔多斯及邻区的地震活动存在很强的时空不均匀性,东西边界的地震活动性远大于南北边界且存在明显的时间交替特征。在汶川地震后,鄂尔多斯块体西南缘、渭河地堑的最西部、河套地堑东部和西部、山西地堑中部发生地震的概率较高。这些研究大多仅依据地震分布及b值等方法,可靠性及分辨率还较低,需要进一步验证这些推测和结论及深入研究鄂尔多斯地区的地震活动性。地震序列被定义为一组在连续时间和空间范围内发生的地震事件,与介质结构和应力分布密切相关,同时也是地震孕育过程、应力变化,断层滑动的重要线索。因此,地震序列的研究可以推测区域应力变化、地震活动趋势等信息。地震序列经常在时间和空间上重叠并淹没在海量的背景地震事件中,使得准确高效地识别地震序列仍然存在难度。为此,本研究收集了鄂尔多斯地区1990～2019年的地震数据,并进行了重新定位,采用本研究发展的多重时空聚类算法提取了地震序列,并结合地震能量理论和b值,研究鄂尔多斯地区的应力变化、能量释放及地震序列类型等特征,并深入分析整个地区的地震活动性。论文在以下几个方面开展研究,并取得了新认识:(1)本文基于ST-DBSCAN和DBSCAN算法发展的多重时空聚类算法解决了单次聚类容易产生错分事件的问题,避免了使用时空耦合距离时所导致的权值选择问题,同时可以获得地震序列的关键统计参数,为揭示地震构造、发震机理、地震活动性提供了定量依据。(2)山西断陷盆地的b值在0.85左右,地震能量主要在大同盆地西部的六棱山断裂和恒山北麓断裂的阶区、太原盆地北部、临汾盆地北部释放。地震序列的分布很好地描述了整个山西断陷盆地的展布方向,并在很大的程度上刻画了几个次级盆地分布情况。(3)渭河断陷盆地的地震活动总体处于平稳阶段,但是空间上分布不均匀,存在小区域的地震聚集现象。三个地震序列均分布在断裂带上,地震能量主要在渭河盆地西部和渭河盆地中部的华山山前断裂和渭河断裂的交汇区域释放。(4)海原-六盘山断裂带的地震能量主要沿着断层的走向分布,在六盘山断裂东南段的东北一侧和海原断裂东端存在着聚集。六盘山断裂东南段存在一个大面积的高b值区,地震序列也在此处出现高密度的聚集。香山-天景山断裂和烟筒山断裂的区域,存在跨断层的震群,推测可能存在转换断层。(5)银川-吉兰泰断陷盆地的地震活动主要在南部的银川盆地。地震分布和能量的释放主要在银川盆地,沿着黄河-灵武断裂走向呈现条带状分布。地震序列也很好地表明了整个区域的地震活动主要在银川盆地,尤其在银川盆地的南部,地震群非常密集且都靠近黄河断裂。银川盆地南缘出现的低b值区,可能是未来大地震的发生地。(6)河套断陷盆地的地震活动主要位于中部的白彦花盆地及周围的断裂交汇区;河套盆地西部的临河盆地,呈现出明显的低b值异常,且该区域地震分布稀疏,判断为未来的强震风险区;河套盆地东部呼包盆地的地震活动主要分布在断裂带上。总体而言,本文使用的多重时空聚类算法结合b值和能量对鄂尔多斯周缘地区进行地震活动分析,表明在近三十年,鄂尔多斯周缘的地震活动主要集中在山西断陷盆地、海原-六盘山断裂带以及银川盆地,渭河断陷盆地和河套断陷盆地的地震活动相比而言处于低水平,只存在部分区域的地震聚集。银川盆地南部、河套盆地西部、海原断裂东段、六盘山断裂南段是未来需要注意的强震风险区。

关键词： 脑电信号   心理状态   领域适应   情感识别   多源领域   细粒度情感  

摘要： 个体脑电(EEG)特征的显著差异是研究人-机情感交互的主要阻碍。目前,已经有大量研究使用迁移学习来实现跨被试认知和情感状态识别,如驾驶员疲劳检测和人类情感识别任务等,但源域和目标域个体的跨被试迁移映射问题仍然是一个重大挑战。具体来说,领域间分布差异过大极易导致映射偏差,使得通用框架难以有效表征领域间的映射关系。对此,本论文提出了双子空间映射和动态分布对齐(DDADSM)模型来检测驾驶员的疲劳状态。此外,与二元的疲劳状态(即疲劳,不疲劳)不同,情感状态识别任务主要面临两个障碍:情感主体的个体差异性和情绪状态的多样性。因此,本文提出了多源域适配与局部对齐(MSALA)模型进行情感识别。本文的主要贡献包括三个方面:(1).为了有效减少源域和目标域迁移映射的偏差,DDADSM根据源域和目标域的统计和几何特性将其映射到双子对齐空间而非一个公共映射空间,这样可以最大程度地保留各自的几何特征进而减少映射偏移。其次,通过自适应学习边缘分布和条件分布之间的权重来动态地进行概率分布对齐。实验结果表明,DDADSM的分类能力超越了所有对比模型。(2).为了提取多情感主体的域不变表征,MSALA从多源域中学习域不变知识来完成目标主体的情感状态识别。它将目标域与多个源域成对地映射到多个特定映射空间再进行多源域信息融合和特征对齐。此外,为了捕捉细粒度的情感类别特征,MSALA对相同情绪类别的跨主体EEG信号进行建模。公共数据集上的实验结果表明,MSALA能够出色地进行情感识别。(3).最后,为了给跨被试情感识别方法提供一个新的应用场景,本研究采集了一个基于音乐诱发的EEG数据集并详细介绍了数据的采集过程。此外,本文对新数据集进行了时间过程分析和频带功率变化分析,并通过跨被试迁移学习实验来证明了该数据集的有效性。

关键词： 高光谱图像去噪   图像恢复   子空间低秩学习   低秩矩阵恢复   低秩张量表示  

摘要： 高光谱遥感将被测地物的空间信息与极其丰富的光谱信息结合为一体,极大地拓宽了人类的视野,增强了探测物质属性的能力。在多种实际应用中,信息提取与处理的精度很大程度依赖于所采集的高光谱图像质量。然而,在信号采样和数字成像的过程中,高光谱图像会不可避免地受多种类型混合噪声污染而退化。这种退化会极大降低后续应用的精度与效率。近年,低秩表示方法在图像恢复问题上获得了高度关注。但是,由于高光谱图像数据维度高、冗余性强,直接对其应用低秩恢复方法往往难以充分利用图像的空间与光谱先验信息,导致去噪精度不足;同时,由于高光谱图像波段数多、数据量大,基于模型优化的低秩表示方法通常运行效率较低。为应对上述挑战,本文在深入分析高光谱图像的性质、详细总结现有高光谱图像去噪方法的基础上,设计了新的恢复模型,提出了高精度、高性能的去噪方法,并通过充分的实验验证了其有效性与优越性。主要研究内容如下:(1)提出了一种基于子空间低秩学习与BM4D去噪器的去噪方法。与先前的低秩算法一般对整个高光谱图像进行低秩约束不同,该方法在低维子空间中刻画图像的光谱与空间低秩性,同时耦合了无参数的BM4D去噪器作为正则项以利用图像的非局部相似性。充分的实验验证了该方法不仅提升了去噪的精度和效率,还提高了实施的易用性。(2)提出了一种基于张量子空间低秩学习与非局部先验的去噪方法。与先前的子空间表示方法一般首先将三维高光谱图像张量展开为二维矩阵不同,该方法通过高阶张量线性表示来学习子空间的基张量和系数张量,实现了完全张量化的子空间低秩学习。充分的实验验证了该方法在继承子空间方法高效率的同时,还进一步增强了对高光谱图像高维结构相关性的保持,避免了张量展开造成的信息损失,实现了去噪精度的提升。(3)提出了一种基于差分连续正则化与串行张量分解的子空间低秩学习去噪方法。与先前的子空间低秩学习方法一般使用正交约束与即插即用去噪算子以分别更新子空间的基和系数不同,该方法通过差分连续正则化学习出了一个更连续、更平滑、更接近于真实端元光谱的基,并通过串行张量分解更有效地利用了系数图像张量在光谱模、非局部模和空间模的低秩性。充分的实验验证了该方法能更深入地利用高光谱图像本身的空谱特性,实现了去噪精度的进一步提升。

关键词： 头颈癌   机器学习   预测模型  

摘要： 背景:头颈部鳞状细胞癌(HNSCC)远处转移风险的正确评估对于制定个性化治疗方案和预后评估有重要意义。本研究的目的是探寻影响头颈部鳞状细胞癌远处转移的危险因素并利用机器学习方法建立预测模型。材料和方法:我们设计了一项回顾性横断面研究,研究队列来自SEER(隶属于美国国立癌症研究所)数据库。通过我们的纳入标准,共31060个头颈癌病例纳入本研究。我们分别构建了决策树(DT)、XGBoost(XGB)、随机森林(RF)、神经网络(NN)四个机器学习模型预测HNSCC患者远处转移风险,并比较了四种模型的性能。本研究使用精确度、准确率、召回率和F1值评价模型的效能。使用曲线下面积(AUC)和受试者工作特征(ROC)曲线对比验证了模型的鉴定能力及临床实用性。结果:***单因素分析结果显示:年龄、种族、发病部位、肿瘤分级、放射性治疗、化学治疗、手术治疗、T分期、区域淋巴结受累等因素都是HNSCC患者远处转移的影响因素(P值均<0.05);2.l o g i s t i c多因素分析结果显示:年龄大于7 0岁、黑人、原发部位为口咽、下咽和鼻咽的肿瘤、肿瘤临床分期为II级～III级、化学治疗、晚期T分类、区域淋巴结受累等因素容易造成头颈部鳞癌患者的远处转移;3.所有算法的平均正确率为7 7%,其中N N的正确率最高,为8 1.3 0 8。四种模型中,XGB、NN模型的准确度和正确率均较好,DT模型准确度较低。在4个模型中,XGB模型的AUC值最高,为0.851;DT模型的AUC值最低,为0.681。4种模型的受试者工作特征曲线(AUC)下面积在0.6 8 1～0.8 5 1之间。X G B o o s t的预测效果最好(A U C=0.8 5 1)。模型的召回率在0.7以上,其中XGB模型的准确率最高,为0.858,DT的召回率最低,为0.7 3 5。在F 1值方面,X G B模型的表现也最好。结论:XGBoost算法的分类准确率最高,此类机器学习方法具有预测远处转移的能力。机器学习算法的应用可以对头颈癌患者进行分层,有利于制定个体化治疗计划。

关键词： 地震层位   地震相   语义分割   残差网络   注意力机制  

摘要： 在地震勘探中,层位追踪是解析、处理地震资料的基础工作,准确的层位信息能为地震勘探的资料处理与分析提供更好的基础工作。地震相分析技术用于解释地震资料中地质地层构造、预测油气的储存情况,为处理地震资料提供参考。近些年随着数据采集方法和技术的持续发展,地震数据资料中蕴涵的信息也随之增加。传统的层位追踪、地震相识别方法工作量大、效率低、精度差,解释过程中经常依赖于翻译人员的主观经验知识。深度学习是依托于数据的高效分析方法,可精确提取地震数据中有关层位与地震相的关联信息与有效特征。本文研究深度学习的神经网络模型分析地震数据,研究其与地震层位、地震相的映射关系。针对现有方法中工作量大、效率低和精度差的问题,研究了基于深度学习中计算机视觉的任务,实现地震层位的追踪与地震相的识别。其中研究内容如下:(1)基于改进残差网络的地震相识别模型地震相识别是地震资料解释的一项基础工作,使用基于深度学习的地震相识别可以极大提升地震数据解释效率。现有语义分割模型的大规模特征通常由深层低分辨率的特征映射得到。其不仅牺牲空间分辨率、忽略细节信息,同时低分辨率到高分辨率的简单上采样也会损失精度,导致模型对于地震相类别间的边缘精细度刻画差。针对这些问题,提出一种基于提升边缘准确度的地震相识别模型(Res Net-RRM)。其在改进的Res Net网络末端加入RRM(Residual Refinement Module,RRM)模块强调特征重构和提炼,捕捉全局信息,获得良好的边缘刻画效果。将方法应用于F3工区数据,相比基于UNet的语义分割模型,改进的残差网络语义分割模型在地震相主测线剖面的预测中有着更高的精度与更加良好的边缘刻画结果。(2)基于ResNeXt的地震层位追踪模型针对于地震层位标记数据不足的问题,使用224×224大小的窗口分别在地震主测线、联络测线剖面取Patch小图像,实现对于标记数据的扩充。针对语义分割模型编码器部分使用Res Net参数量过高、导致训练过程速度变慢、增加模型收敛速度等问题,提出层位追踪模型(Att-Res Ne Xt),其在编码器部分使用Res Ne Xt50分类网络在参数量不变的情况下提升特征提取能力,简化Deep Lab V3+,引入通道空间(Convolutional Block Attention Module,CBAM)轻量级注意力机制,提高模型性能。在F3工区数据的层位追踪结果表明,AttRes Ne Xt相比UNet、PSPNet、Deep Lab V3等模型有着更好的追踪结果,同时准确率也有一定提升。

摘要： 顾黄初先生在《语文课程与语文教材》中指出：“语文教科书中的作业系统是在一定的培养目标下，有计划、系统性地设计出的一套供学生‘练’的题目或活动。”部编版小学《语文》是按双线组元的，采用的是螺旋上升式的编排体系，其课后习题是对单元语文要素的细化，是教师“教什么”“怎么教”的重要参考，也是学生“学什么”“怎么学”的方法指南，为小学语文课堂教学提供了有力的支持和帮助。因此，教师要深入研读教材，精准把握课后习题的编写意图，领悟习题中蕴含的语文思想，以便于进一步发挥课后习题所承载的助学助教功能。