关键词： 高校青年   党史学习教育   “1+1+N”模式   思想教育  

摘要： 党史学习教育是一项各高校高度重视、持续推进的思想政治教育工作课题，在高校中开展党史学习教育是加强党对高校全面领导的必然要求，是高校思想政治教育工作的重要内容，也是新时代青年的使命和担当。高校利用“1+1+N”模式推动青年党史学习教育常态化、长效化，引导教育高校青年坚定理想信念，提升思想道德修养，成为实现中华民族伟大复兴的先锋力量，将高校党史学习教育推向纵深。

关键词： 中学生   学习意义感   学习投入   学习动机   学业自我效能感  

摘要： 中学生正处在人生发展中的关键时期,拥有较高的学习意义感和学习投入水平,对于他们的身心健康和发展具有较为积极的意义。学习投入是指一种发生在学生的学习过程之中的积极情感状态,是评价中学生学习行为的客观标准之一。学习动机、学习意义感等是影响学习投入的主要因素之一,归属为个体因素。学习意义感是中学生对学习价值的自我认知,这种自我认知对于中学生在日常的学习过程中所会涉及到的情绪和行为投入有着重要影响。学习动机是一种向内求的心理趋向过程,它能促使学习者为了实现相应的学习目标而采取一定的行为行动。对于中学生而言,其动机越强,面对困难任务时也会付出更多的努力,进而促进学习投入。为了给中学生学习意义感的评测提供一个标准、客观的工具,本研究自编《中学生学习意义感问卷》,并在中学生样本群体中检验其信效度。结果表明,自编的《中学生学习意义感问卷》共24个条目,分为四个维度:智力需求的满足(8个条目),获得肯定和荣誉(7个条目),自我完善和发展(5个条目),符合社会需要(4个条目)。各维度的因子载荷在0.529-0.821之间,验证性因素分析模型拟合度良好。问卷的内部一致性系数为0.876,各维度的内部一致性系数在0.680-0.837之间;重测信度分别为0.876和0.860,各维度的信度系数在0.755-0.831之间。本研究同时采用学习投入问卷、学业自我效能感问卷和学习动机问卷,面向中学生共663名开展测查,在此基础上提出一个有调节的中介模型。结果表明,学习意义感可以显著正向预测中学生的学习投入水平,学习动机在二者之间起着中介作用;学业自我效能调节了学习意义感通过学习动机影响学习投入中介过程的前半路径。本研究所得结论如下:(1)《中学生学习意义感问卷》可以成为测量中学生学习意义感的有效、可靠工具;(2)中学生学习意义感、学习动机对学习投入具有显著预测作用,学习动机在学习意义感与学习投入之间起部分中介作用;(3)学习意义感通过学习动机对中学生学习投入的间接效应受到学业自我效能感的调节,高学业自我效能感会减弱学习意义感对学习动机的预测作用。

关键词： 事件序列   深度时序点过程   Wasserstein距离   多头自注意力   生成模型  

摘要： 现实中在不同领域内都存在着大量的异步事件序列数据,而时序点过程是一种有效建模事件序列的数学工具。目前的研究大都是通过建模强度函数来刻画时序点过程,但这种方式需要考虑具体强度函数的参数形式,只能准确描述特定领域下的时序点过程,限制了模型对实际数据的泛化能力;另外,由于深度学习方法在时序点过程中的应用,使得深度时序点过程方法探索实际数据的潜在规律成为可能,但是目前深度时序点过程大多使用循环神经网络对强度函数建模,这种方法限制了模型对真实数据的表达能力,并且在点过程生成或事件预测的许多任务中,强度函数的信息并不是必要的,并且基于循环神经网络的点过程生成研究不能捕捉到事件序列之间的长程依赖,会导致产生不稳定的预测表现。为解决这些问题,本文提出了一种利用多头自注意力机制的点过程生成模型(self-attention WGAN for Temporal Point Process,简称SGT),该模型可以捕捉到事件序列之间的长程依赖关系,可以提高模型的计算效率,并且由于自注意力矩阵描述了历史事件对当前事件的影响程度,使得SGT模型比基于循环神经网络的点过程生成模型更具可解释性。在点过程仿真数据和真实数据的实验中表明,自注意力机制的点过程生成模型比基于循环神经网络的生成模型具有更优的表现。创新点和研究内容具体如下:一、本文提出了一种无强度的时序点过程生成模型,同时也是一种无似然估计的时序点过程学习方法。无强度函数使得模型更具泛化能力;无似然估计使得模型得以减少参数迭代,提高模型计算效率。二、本文将自注意力机制扩展到异步事件序列和点过程生成模式的研究上,并结合Wasserstein距离优化了时序点过程的深度学习方法。该模型使用Wasserstein距离构建损失函数,便于衡量模型分布与真实分布之间的偏差,利用自注意力机制描述历史事件对当前事件的影响程度,使得模型具有可解释性且泛化能力更强。三、本文所提模型拥有可拓展性,在3个仿真数据集和2个真实数据集上的对比实验表明,在缺失强度函数先验信息的情况下,该方法比循环神经网络类的生成模型和极大似然模型在QQ图斜率的偏差和经验强度偏差这两个指标总体上分别减少35.125%和24.200%,证实了所提模型的有效性。

关键词： 分心驾驶行为识别   联邦学习   非独立同分布   通信开销  

摘要： 大量的交通事故都与驾驶员的分心驾驶行为有关,分心驾驶行为识别系统可以及时提醒驾驶员的分心驾驶行为,有效避免交通事故的发生。近年来,分心驾驶行为识别的研究主要集中在提高模型的准确率方面,而本文主要关注模型的训练与部署方式。不同于传统训练和部署方式,本文采用边缘训练和本地部署的方式,即:各车辆节点使用联邦学习的边缘计算方式完成模型训练,将训练好的模型部署在本地,用于分心驾驶行为识别。这种边缘训练和本地部署的方式具有实时性好、方便模型升级和保护用户隐私的优点。目前联邦学习在降低非独立同分布数据影响和减少通信开销等方面还有待探讨,将联邦学习应用于分心驾驶行为识别场景的研究也较少。本文正是针对这些问题开展研究,具体工作如下:1.数据集采集与模型选择。采集了更多真实车辆行驶和车辆静止环境下的数据作为补充。对4种经典卷积神经网络进行了测试,综合考虑模型的准确率和推理时延,最终选择Mobile Net V2作为分心驾驶行为识别模型。2.验证了将联邦学习应用于分心驾驶行为识别领域的可行性。在2个数据集上分别构造了3组分布式数据,通过实验验证了即使在非独立同分布数据下,使用联邦学习训练所得的模型相较中心化训练所得模型的准确率仍并未下降过多(6%以内),这表明将联邦学习应用于分心驾驶行为识别场景可行。3.针对数据非独立同分布情形下联邦学习的收敛速度变慢问题,提出了全连接层上梯度约束的联邦平均方法(FCGCFed Avg)。该方法要求模型全连接层的更新方向与上一轮全局模型全连接层更新方向的夹角要小于一定度数,可提高联邦学习1.1～1.7倍的收敛速度,不增加任何通信开销,增加的计算开销不足2%。4.针对联邦学习的上传通信开销优化问题,提出了基于挤压激励模块约束的联邦平均方法(Fed LCSE)。该方法在模型卷积层后添加挤压激励模块并对其加以约束,节点完成本地训练后,仅将挤压激励模块的通道注意力参数与通道注意力为1对应的滤波器更新参数上传,以50%额外计算开销为代价,可减少37%～40%的上传通信开销。5.按照软件工程的流程,从需求分析、概要设计、详细设计、软件实现和测试等方面探讨了基于联邦学习的分心驾驶行为识别系统的实现。

关键词： 贝叶斯网络   结构学习   高维   增量   粒计算  

摘要： 贝叶斯网络(Bayesian network,BN)是一种基于概率论与图论进行不确定知识表示和推理的机器学习理论模型,在故障诊断、遗传分析等领域中的应用越来越广泛。利用BN解决现实世界中的实际问题之前,需要根据具体应用场景从数据中构建具有变量之间定性关系的有向图模型。在实际应用中,对于变量数目过多的高维数据,现有的BN结构学习方法难以高效获取到准确的结构。此外,很多实际应用领域时刻都会产生大量的数据,如何将新数据融入到之前系统中也需要进一步的研究。因此,本文针对高维与增量数据的BN结构学习问题进行研究。针对高维数据的BN结构学习,本文提出一种新的基于多粒度信息的高维BN结构学习方法。该方法考虑全局结构信息与变量群落信息进行结构学习。首先,设计了一种包含全局结构信息的无向独立图构造方法,以优化网络结构的搜索空间。然后,基于粒计算(Granular Computing,Gr C)的思想并考虑高维数据中变量群体特征对层次聚类方法进行了改进,将变量聚类成子粒以降低结构学习的复杂性。最后,通过学习子粒的内部有向结构形成相应的子图,并通过子图连接方法连接各个子图形成最终的网络结构。针对增量数据BN结构学习问题,本文提出一种新的针对增量数据的自适应增量结构学习方法。首先,使用充分统计量对原始数据进行中间表示。其中,基于粗糙集的思想引入了多粒度变量近邻概念,解决变量近邻关系的不确定问题并区分出可能性与必要性。其次,提出BN的历史结构图的概念用于保留各个增量阶段产生的结构信息。随后,计算变量修正序以达到高效准确的构建BN结构的目的。最后,基于变量修正序与历史结构图进行自适应增量结构学习。最后,本文设计相应的对比实验验证所提出的两个方法的有效性。实验结果表明,本文方法可以有效解决高维数据的BN结构学习问题,并且可以提高其他基于评分搜索的结构学习方法对高维数据生成网络结构的效率和精度。对于增量数据,本文提出的方法具有更好的综合性能,并且不会由于数据量增加而导致算法效率降低。

关键词： 知识表示学习   本体信息   ρdf   类型先验权重   动态卷积网络  

摘要： 知识图谱的符号特性使其可以轻松地表示结构化的三元组数据,却为如何使用这些结构化数据带来了难题。因此,如何表示图谱中的知识获得了广泛关注。知识图谱表示学习通过将图谱中的实体和关系表示成连续低维空间中的向量,在保留原有结构信息的同时提高下游任务的性能。然而现有模型主要关注于三元组的结构信息,忽略了本体信息对知识表示的语义补充。有些模型虽然考虑了本体信息,但只考虑了本体信息的单一部分,无法充分挖掘本体的语义关联。 本文提出基于投影变换的本体感知知识表示学习模型Trans O-M。Trans O-M模型使用翻译模型对三元组结构信息进行表示学习的同时,引入本体信息约束空间将RDFS最小推理片段ρdf融入到表示学习过程中,以较低的复杂度提升模型的表达能力。然而,Trans O-M模型无法很好地利用ρdf推理规则。为此,本文提出基于几何空间的本体感知知识表示学习模型Trans O-G。Trans O-G利用几何空间中球结构的包含关系建模ρdf中的五种本体信息,并给出在几何空间中利用ρdf推理规则进行推理学习的几何解释,增强了模型的推理能力和可解释性。 现有考虑实体类型本体信息的方法,由于类型权重来源单一,往往会带来语义失真问题。受TF-IDF启发,本文考虑实体类型的先验知识,即实体作为某个类型实例出现的频率可以看作实体表达该类型的先验权重。本文提出基于先验权重的知识表示学习模型Pre-Geformer,它通过先验权重增强的注意力机制将实体对应的先验权重与计算得到的权重有机结合,从而赋予实体更实际的语义。此外,模型中基于动态卷积的解码器部分,允许同一实体在不同关系中使用不同的卷积参数进行处理,使得同一实体在不同关系中拥有不同的向量表示。 本文在多个公开数据集上进行大量实验以评估所提模型的有效性。实验表明,模型在各项评价指标中均有不同程度的提升。Trans O-M模型在链接预测任务平均提升2.9%,三元组分类任务平均提升1.0%,证明可以无缝嵌入ρdf本体信息以提高模型性能。Trans O-G在链接预测任务平均提升5.2%,三元组分类任务平均提升1.8%,证明模型可以弥补Trans O-M无法很好地利用推理规则的缺陷。Pre-Geformer在链接预测任务平均提升5.8%,三元组分类任务平均提升1.2%,表明考虑类型先验权重和实体多语义性的有效性。

关键词： 脑-机接口   变异性问题   深度学习   运动想象   稳态视觉诱发电位  

摘要： 脑-机接口(Brain-Computer Interface,BCI)通过将思维活动转化为控制指令,可以提供一种更加自然的交互方式。BCI历经几十年的发展,正逐步从实验室走向商业化,有望引发下一代人-机交互技术变革。然而,脑电非稳态特性及个体间差异性导致的BCI变异性问题直接阻碍了BCI的商业化,因此亟需研究能够克服BCI变异性问题的方法。近年来,深度学习在BCI解码方面显示出独特的优势,但将深度学习引入BCI实际应用还需解决深度学习在不同场景下的泛化性问题。为此,本文围绕深度学习在BCI上的泛化性问题,从问题研究、算法优化及平台验证三个方面开展了深入研究。首先,针对深度学习在BCI上的泛化性问题,在多个运动想象(Motor Imagery,MI)和稳态视觉诱发电位(Steady-State Visual Evoked Potential,SSVEP)数据集上开展系统性的算法分析实验。分析了深度学习在个体内识别场景、跨个体识别场景以及跨数据集识别场景下的解码性能,发现单一数据集内泛化能力良好的深度学习模型在跨数据集识别时不能维持其泛化性能,即BCI中存在跨数据集变异性问题。跨数据集验证方式更符合实际场景下BCI应用所面临的复杂多变因素,因此更适合作为衡量BCI解码算法泛化性能的首选验证方式。该项研究也针对各范式信号特点分析了可能造成跨数据集变异性问题的主要因素,从而为后续算法优化提供可能的改进方向。后续工作分别针对MI解码任务和SSVEP解码任务展开算法优化实验。针对MI解码任务,基于减小数据分布差异的基本思想,从协变量漂移、内部协变量漂移两个方面分别设计优化策略,提出一套适用于MI解码任务的深度学习模型迁移框架,并在8个MI数据集上开展算法实验,结果表明该框架显著提高了深度学习模型在MI解码任务上的跨数据集识别泛化能力(p<0.001),相较于基准算法跨数据集识别正确率最高可提升约7.7%。针对SSVEP解码任务,结合SSVEP信号特点,基于模板匹配的基本思想,设计了固定模板网络和动态模板网络两种新的深度学习模型,并在3个SSVEP数据集上开展算法实验,结果表明两种深度学习模型在个体内和跨个体识别场景下均显著优于基准算法(p<0.001),BETA数据集0.5s时个体内平均识别正确率最高可提升约8.8%。最后,针对研究过程中面临的数据收集困难和算法实现缺失的现状,研制了一套基于Python的BCI解码算法开发平台,设计了BCI数据集读取处理框架,实现数据读取和预处理流程的自动化;统一了BCI解码算法调用接口,实现了主要的BCI解码算法。在数据集方面,该平台现可处理14个公开数据集。在解码算法方面,该平台现已实现了28种矩阵分解算法、6种黎曼几何算法、6类深度学习模型以及3种迁移学习算法。基于该平台采集BCI实验数据并开展系统验证,结果表明相关设计能较为有效的开展BCI解码算法研究,该平台作为基础研究工具有望为进一步研究跨数据集变异性问题提供技术支撑。综上所述,本文在多数据集上开展深度学习对于BCI解码任务的泛化性实验,系统分析BCI中的跨数据集变异性问题,分别对MI解码任务和SSVEP解码任务展开算法优化,探索深度学习模型克服BCI变异性问题的可行性,并针对研究过程中的相关难点研制出一套BCI解码算法开发平台。本文的相关成果有望为未来进一步提升深度学习模型泛化性能、推动BCI应用商业落地提供经验积累和技术储备。

关键词： 标量双曲守恒律   隐形式   深度学习   神经网络   Burgers方程   LWR模型  

摘要： 守恒律对我们理解物理世界有着至关重要的作用.双曲守恒律的数值求解一直是一项非常重要且具有挑战性的任务,其往往存在非物理解、间断解等.在过去的几十年,大量传统的数值求解方法,如有限差分法、有限体积法、间断伽辽金法等,被提出并取得了长足的发展.随着深度学习的兴起,以及深度学习在诸如计算机视觉,自然语言处理等领域取得的巨大成就,近些年已经有许多工作开始将深度学习方法应用到偏微分方程数值求解等科学问题上.在本文中,我们针对标量双曲守恒律问题的求解,提出了一种无监督的深度学习方法.该方法基于标量双曲守恒律问题的隐式解,构造了名为“IFNN(Implcit Form Neural Network)”的深度神经网络.IFNN并不直接求解偏微分方程,而是处理其解所满足的非线性函数方程.我们针对无粘性的Burgers方程、Lighthill-Whitham-Richards交通流模型两类问题,在各种不同的初始条件和边界条件下开展数值实验,并与著名的PINN进行了性能上的比较。结果表明,在处理间断问题时,IFNN的表现显著优于PINN.

关键词： 位点识别   不平衡样本   二分类   序列结构信息  

摘要： 准确预测蛋白质结合位点对于药物结构和蛋白质功能注释的研究至关重要,数以千计的蛋白质结构复合物已通过实验方法存放在蛋白质数据库中。然而,该实验方法耗时且昂贵,考虑到蛋白质-残基相互作用的重要性和实验方法的缺陷,利用序列或结构信息开发一种有效的计算方法来识别蛋白质-残基相互作用是非常紧迫的。蛋白质结合位点的研究是典型的样本不平衡问题,少数类(结合残基)远小于多数类(非结合残基),传统的机器学习算法对这类研究并不通用,结果会严重偏向多数类。因此,开发一个基于机器学习的预测方法,设计出准确、方便、高效的预测模型是非常必要的。蛋白质-核糖核酸(Ribonucleic Acid,RNA)结合位点识别的研究中,本文通过构建自己的数据集,提取蛋白质的序列特征以及结构特征,然后考虑到相邻残基对目标残基的影响,引入滑动窗口以及六面体对特征进行编码组合。在此基础上,考虑到不平衡数据集,提取基于欠采样的粒度多核支持向量机(Granular Multiple Kernel Support Vector Machine with Repetitive Under-sampling,GMKSVM-RU)。为了评估模型性能,对比不同的特征组合、不同的核函数以及前人的方法。对比结果表明,本文提出的方法在训练集以及独立测试集其马修斯相关系数(Mattew’s Correalation Coefficient,MCC)提升至少1%。蛋白质-配体结合位点识别的研究中,本文利用离散余弦变换(Discrete Cosine Transform,DCT)对位置特定评分矩阵(Position-Specific Score Matrix,PSSM)进行压缩。另外在K近邻(K-nearest Neighbor,KNN)的基础上引入图正则项以及核学习,提出基于图正则化的局部超平面k近邻(Graph Regularized k-local Hyperplane Distance Nearest Neighbor,GHKNN)算法,将特征空间从低维映射到高维。为了评估模型性能,对比单个分类器、集成分类器以及前人的方法。对比结果表明,本文提出的方法在大多数数据集上其MCC提升2%以上。本文研究成果可以说明,蛋白质的特征比较丰富,但是结构特征比序列特征会有更高的精度。其次,GMKSVM-RU通过多次欠采样可以有效解决样本不平衡的问题。最后,图正则项以及核学习的引入,可以成功将特征从低维映射到高维,增加特征之间的相关性,更好的过滤噪声点。

关键词： 小学   文言文   意义   方法  

摘要： 文言文学习是小学语文教学的一个重要组成部分。小学语文教材各个版本中都编排了一些文言文篇目和一些古诗词。这些篇目短小精悍,语言简练,文字优美。文言文学习可以很好地帮助学生学习中国古代文化,提升社会认知能力,促进现代汉语学习,提升学生的写作能力,提高美学修养。在文言文学习中,教师要重视学生学习兴趣的培养,重视反复诵读的重要作用,重视学生对文章的整体理解,在学生可以接受的程度下适当学习文言文常识,在课外增加文言文阅读积累。