关键词： 地理图像教学   有意义学习   高中地理   教学策略  

摘要： 随着社会主义现代化进程的不断推进,国家对素质型人才的需求不断增加。普通高中教育处于义务教育和高等教育的过渡阶段,在人才培养中发挥着承上启下的关键性作用。《普通高中地理课程标准(2017年版)》中指出,高中地理课程作为普通高中教育的重要组成部分,总目标是要通过地理核心素养的培养,落实立德树人根本任务。地理图像具有直观化、可视化等特点,强调空间思维能力和综合思维能力的培养,这与地理学科核心素养不谋而合;因此,本文针对地理图像教学的策略性研究具有促进核心素养落地,培养素质人才的意义。首先,本文作者对国内外已有研究进行了文献梳理,合理界定了有意义学习、地理图像、地理图像教学的概念,并建立起了意义学习与地理图像教学之间的关系,即以地理图像作为有意义学习的载体,将地理图像的使用贯穿于情境创设、问题引导、迁移运用的教学全过程之中。同时作者阐明了本研究的理论基础,包括建构主义学习理论、有意义学习理论、信息加工理论和格式塔完形法则。其次,本研究利用课堂观察法、问卷调查法和访谈法来探究真实高中地理课堂图像教学的现状。作者先科学划分有意义学习的构成要素,接着对地理图像教学和学习水平进行层级划分,从而分别构建起记录学生学习行为和教师教学行为的课堂观察量表,对十个实体课堂和五个网络课堂进行观察记录,结合问卷调查和访谈的结果总结出以下现状:教师普遍具有较强的用图意识,但在实际教学中缺乏对学生的有效引导,使地理图像教学停留于知识的表面,而很少涉及思维和能力。学生在使用地理图像学习的过程中存在着用图意识弱,对关键信息不敏感,基础知识薄弱,缺乏有效的用图技巧等问题。最后,本文作者针对研究现状和存在的问题从教师教学角度提出了以下策略:(1)启发学生深度挖掘地理图像背后的问题情境,使学生进入问题探究者的角色,达到思维训练的目的;(2)通过地理图像帮助学生构建完整知识体系,提高学生系统性分析能力;(3)尝试对已有地理图像进行二次加工,关注图像相互转换,实现信息精简化;(4)合理利用标准地图服务,丰富教学图像来源多样性;从学生角度也同样提出了学习策略:(1)增强图像意识,提取有效信息;(2)整合知识体系,加强知识迁移;(3)训练图像技能,进行思维自评。

关键词： 机器学习   病毒-药物关联   lncRNA-蛋白质关联   分子对接  

摘要： 非编码RNA与多种生物机制过程密切相关,其突变和失调会诱导包括癌症在内各种疾病的发生。机器学习方法不仅可以减少资源消耗,还可以加速药物发现,因此,从机器学习角度分析RNA分子,有助于研究RNA的生物机制和功能。本论文主要以病毒-药物关联、lncRNA-蛋白质相互作用为研究对象,从以下几个方面提出机器学习模型和算法,从而为相关疾病的诊断与治疗提供有效线索。首先,基于正则化方法提出最小二乘法模型VDA-RLSBN,识别病毒-药物相互作用。本模型首先整合病毒的全基因组序列、药物的化学结构,分别使用MAFFT和RDKit计算病毒和药物的相似性。然后,结合二部图思想和邻居信息提出的正则化最小二乘法,预测新冠肺炎关联药物。实验结果表明,与五种代表性方法相比,VDA-RLSBN获得最高的AUC和AUPR值。最后,本模型对预测与新冠肺炎关联得分最高的几种药物与S蛋白/ACE2进行分子对接。分子对接结果表明,利巴韦林和瑞德西韦可能具有抗新冠肺炎的作用。其次,基于核融合思想提出逻辑斯蒂矩阵因子化方法VDAKLMF,为新冠肺炎筛选潜在药物。本模型先整合病毒和药物的信息以构建病毒与药物的相似核。然后,根据已知的病毒-药物关联数据和最近邻居信息,建立病毒和药物的高斯核,并融合高斯核和相似核。最后,基于核融合方法提出逻辑斯蒂矩阵因子化模型以识别可能的抗新冠病毒药物,并对推断出的抗病毒药物与S蛋白/ACE2的结合域进行分子对接,分子对接结果表明,瑞德西韦和利巴韦林可能具有抗新冠肺炎的作用。最后,基于深度学习理论提出深度森林模型LPIDF,识别lncRNA-蛋白质相互作用。本模型先整理五个数据集,分别基于四核苷酸组成和Bio Seq2vec提取lncRNA和蛋白质的序列特征。最后,建立具有级联森林结构的深度森林模型以预测lncRNA-蛋白质相互作用。实验结果表明,LPIDF具有很高的AUC和AUPR值。

关键词： 膜蛋白分类   蛋白质二结构   特征融合   机器学习   集成学习  

摘要： 膜蛋白是细胞功能的主要承担者,其功能与其结构类型密切相关,因此,膜蛋白类型的鉴定是生物信息学中的一项重要课题。传统的生物实验是鉴定膜蛋白类型的最可靠方法,但它效率低、成本高。随着后基因组时代的到来,大量未注释的膜蛋白被发现,使用传统生物实验难以鉴定所有的膜蛋白的类型。基于计算的方法可以有效提高膜蛋白类型鉴定的效率,并降低成本,机器学习方法就是常用的方法之一。已有的膜蛋白特征提取方法主要从膜蛋白序列信息中提取特征,本文提出了一种基于蛋白质二级结构信息的膜蛋白特征提取方法,并将其融入现有的序列特征。通过对比实验结果表明,融合特征的分类效果优于原始序列特征。最后,基于集成学习方法构建膜蛋白分类模型。本文主要工作如下:（1）基于蛋白质二级结构信息提取膜蛋白特征。本文基于蛋白质3态二级结构序列提出拆分蛋白质二级结构组成的特征提取方法。通过对比实验发现从蛋白质二级结构中提取的特征与从蛋白质序列中提取的特征有互补性。（2）融合蛋白质二级结构特征与序列特征。为了使提取到的特征包含更多的隐藏信息,本文将伪氨基酸组成和拆分氨基酸组成两种序列特征分别与蛋白质二级结构特征融合,得到两种新的膜蛋白特征提取方法。并通过对比实验证明了融合特征方法的有效性。（3）构建膜蛋白集成学习分类模型。为了进一步提升模型的预测精度,融合三个特征,基于Voting和Stacking两个集成学习框架,使用随机森林、支持向量机和K近邻作为基分类器,构建膜蛋白分类模型。实验结果表明,集成学习方法有效的提高了模型的预测精度,优于现有的几种膜蛋白分类的机器学习模型。

关键词： 集成学习   组合赋权法   证据推理规则   多样性度量   显著性检验  

摘要： 集成学习作为机器学习领域的一个重要研究方向,可以通过集成多个基学习器的方式获得比单个学习器更强的能力。由于集成学习优异的性能,使其不仅在回归、聚类、分类等任务方面中取得了显赫的成绩,而且被广泛应用于目标识别、目标跟踪、入侵检测、辅助诊断等实际领域。在集成学习中,选择合适的基学习器和使用有效的结合策略对最终集成学习模型的结果有着重要的影响。目前集成学习中的结合策略单一,难以有效挖掘基学习器之间的信息,且缺乏有效评估基学习器多样性的度量。在进行基学习器组合时,常对所有基学习器进行集成,忽视了基学习器之间的多样性,不仅错过了这些基学习器集成可以获得到的最优性能,而且加大了计算运行的成本。为了解决上述问题,进一步提高集成学习模型的性能,本文对集成学习方法进行了深入的研究,主要分为以下三个方面:(1)结合策略方面。针对目前在集成学习中基学习器集成时常用的平均法等表决融合方法难以有效挖掘基学习器之间信息,Stacking等学习方法需要花费较高的时间与成本问题。本文提出了一种基于组合赋权法的证据推理(Evidential Reasoning,ER)规则作为集成学习中的结合策略,并针对传统证据推理规则无法为基学习器设置合理权重的问题,提出采用组合赋权法为证据推理规则设计兼顾主客观信息的证据权重指标。此外,还在结合过程中对证据权重的范围问题进行了讨论。(2)基学习器选择方面。针对目前存在的多样性度量评估基学习器多样性角度单一、不够准确、无法有效指导基学习器集成的问题。本文提出了一种可更新的融合(Updatable Fusion,UF)度量来进行基学习器的选择。该方法采用证据推理规则将来源于不同领域的多样性度量进行融合,并在融合前中加入了显著性检验的过程,检验用于融合的多样性度量之间的相关性,避免融合相似度量引起的误差。(3)原型实现方面。将本文对于集成学习中结合策略方面与基学习器选择方面的研究进行结合并运用于气象识别领域,分析设计了基于集成学习的气象识别系统原型及构成的多个模块,同时进行了开发与实现,经过测试验证了本文研究的可行性。本文在结合策略方面和基学习器选择方面的研究,可以有效提高集成学习模型的性能。在结合策略方面提出的基于组合赋权法的证据推理规则结合策略,可以为用于证据推理规则的基学习器提供更合理通用的权重,提高证据推理规则挖掘基学习器信息的能力。在基学习器选择方面提出的基于可更新融合度量的基学习器选择方法,可以更准确地评估基学习器之间的多样性,获得集成效果更好的基学习器组合。最终,将提出的结合策略与基学习器选择方法进行结合并构建了基于集成学习方法的气象识别系统原型,从而进一步验证了本文所提方法的有效性。

关键词： 毒害草   白喉乌头   深度学习   卷积神经网络   Faster-RCNN   Mask-RCNN  

摘要： 新疆作为我国重要的牧区,草原类型多样且分布广泛,是草地畜牧业的物质保障基础,脆弱干旱区的生态屏障。然而由于气候因素的影响以及不合理的利用,草原毒害草种类及面积呈逐年增加趋势,严重制约了畜牧业的健康可持续发展。其中在伊犁地区以毒害草白喉乌头(Aconitum leucostomum)危害尤为严重。本研究首次使用无人机遥感数据和深度学习技术在单株水平对毒害草白喉乌头进行识别。研究基于卷积神经网络识别白喉乌头,并通过优化模型参数提高识别准确度,研究对实现精准快速识别毒害草、检测草地退化、保护草地生态系统具有非常重要的意义。(1)基于Faster-RCNN算法以VGG-16主干网络进行白喉乌头识别训练和测试过程中,可通过改变锚框大小、学习率等训练参数提高模型的识别精度。当锚框尺度设置在(8,16,32)大小的候选框、学习率为0.002时,得到的m AP由原始参数训练识别的结果45.67%,增加到了67.24%。证明该方法在自然环境下识别白喉乌头的有效性。(2)基于Faster-RCNN算法和SSD算法以两种残差网络Res Net50和Res Net101为主干网络,分别对比分析两种算法的优缺点以及识别白喉乌头的效果。结果表明Faster-RCNN算法的识别率优于SSD算法,但SSD算法在识别速度上更胜一筹。Faster-RCNN在两种不同深度的主干网络下精度都优于SSD。Faster-RCNN＿Res Net50精度最高,m AP值为64.74%,SSD＿Res Net50精度最低,m AP值为48.70%。(3)基于实例分割Mask-RCNN算法以两种残差网络Res Net50和Res Net101为主干网络进行识别,通过对比分析两个主干网络得到的损失值和评价性能指标以及识别效果,结果表明基于Res Net50主干网络的识别精度m AP高于Res Net101,m AP分别是66.0%和65.3%。实验证明本文所用的以卷积神经网络为基础的目标检测(Faster-RCNN)和实例分割算法(Mask-RCNN),在无人机影像中对白喉乌头单株水平上的识别精度和识别效果都有较好的表现,特别是以残差网络Res Net50为主干网络的算法和改变锚框尺寸的算法可实现在实际应用中白喉乌头的快速精准的自动化识别,可为白喉乌头遥感监测提供技术支持。

关键词： 生物可解释性   酶分类预测   模体占位识别   蛋白质二级结构预测   深度学习  

摘要： 生物大分子是生命科学的重要研究对象。研究生物大分子的结构和功能对认知生命和改善人类生活具有重大意义。生物大分子序列中隐含了丰富的结构和功能信息,因此大量基于深度学习的方法被应用于生物大分子序列的研究中。这些方法在生物大分子序列的特征编码和分类问题中颇具成效,但通常缺乏可解释的分类依据。DNA序列和蛋白质序列是两种研究历史长且应用广泛的生物大分子序列。本文针对这两种序列的三个常见分类问题分别提出具有生物可解释性的深度学习方法,这些方法旨在提升序列分类效果的同时保留一定的生物意义和分类依据,为序列分类结果的生物机制研究提供线索。本文的三个主要工作和贡献如下:1)针对DNA和蛋白质结合预测的模体占位识别子任务,提出基于对比学习的模型编码器预训练方法。方法基于编辑距离的编辑操作增强原始序列,并分别设计了基于序列相似性判据的自监督对比学习和基于序列标签信息的有监督对比学习模型。对比实验结果表明,本工作的两个模型在模体占位识别任务上的结果均优于端到端的基线模型,且具有小样本鲁棒性。其中有监督模型效果最好,自监督模型具有独特的迁移学习适应性。2)针对酶蛋白类预测问题,提出基于Transformer编码器的双尺度注意力分类模型。模型仅使用蛋白质序列无监督预训练Transformer编码器,并提出一个特征一致性算法融合多尺度卷积提取的局部信息。模型在DEEPre和ECPred两个数据集的多个任务层级上达到了目前最优的结果,且特征一致性算法导出的双尺度注意力矩阵能够发现酶蛋白的功能性位点或区域的位置和长度。3)针对蛋白质二级结构预测任务,提出基于序列预分割和多层级长短期记忆(Long short-term memory,LSTM)神经网络的分类方法。受中文分词思想的启发,方法预训练双向LSTM网络预分割不同结构的相邻子序列,并使用多层级双向LSTM网络先处理子序列局部特征再综合全局信息分类。实验表明基于预分割的预训练方法能够有效地建模蛋白质子序列的二级结构边界,模型预测效果优于一般的双向循环神经网络和双向LSTM网络。综上所述,本文基于深度学习方法研究可解释性的生物大分子序列分类模型,为生物序列处理提供了可解释的方法途径。

关键词： 估值模型   机器学习   法拍房   模型对比  

摘要： 2021年1-4月,全国法拍房交易数量38774套,成交总价近750亿元,占全部二手房交易总价的近5%,法拍房产交易数量和交易总价占比与日攀升,法拍房市场在房产交易市场中的重要性水平不断提升,因此法拍房产的估值问题也应得到重视。但是学术界对于法拍房的估值问题研究仍然不足,传统估值模型存在主观性强、操作复杂、无法实现批量估值等缺陷,而机器学习方法可以很好的弥补上述不足,实现客观准确地估值,因而本文将就这一问题开展论述。本文将针对国内房地产市场中的细分市场-法拍房市场进行研究,对比不同模型在算法和运行结果上的不同,为法拍房购买方提前做好房价评估,防范由于信息不对称带来的欺诈风险提供解决方案。文章总体思路是,首先论述研究背景与研究意义,分别从宏观环境、产业环境以及领域研究背景三个层次说明本文的选题原因。其次,是对于模型搭建的理论基础和相关概念进行界定,对相关理论知识的论述解释了估值模型利用特征指标搭建的原因,对概念的界定明确了估值、估值模型以及法拍房的含义。接着,本文根据近年来的研究热点选取了其中最常用的六种房产估值机器学习模型与传统估值模型进行对比研究,得出机器学习模型的优势以及通过分析各机器学习模型在理论层面的优化,得出各模型的适用面,进一步加深了本文的研究意义和合理性。经过理论研究后,是对模型的实证研究,包括了从数据获取,到数据清洗,到模型搭建,最后模型结果展示和评价的全过程。最后一部分是对全文的研究结论和发现做了总结并客观阐述文章中的不足之处以及在未来研究中期待做的改进。相对于领域内的其他研究,本文的创新之处在于对数据项的定量分析做出了有益补充,弥补了之前研究只是进行定性分析的不足。同时,在研究对象上扩充了房产市场的细分领域,一定程度上弥补了法拍房市场的研究不足,并且运用了地图爬虫的方法,通过获取并调用百度地图专用接口批量获取地理位置,并以此为基础二次爬虫获取了周边基础设施的数据信息,以形成“一房一估值”的估值模型。本文以北京法拍房市场数据为研究样本,通过模型对比研究,得出机器学习模型相对于传统模型的优势,并发现线性回归模型的拟合精度不高,准确性较差,基于集成学习的模型在准确率上表现更好。同时,相对于随机森林,XGBoost和Light GBM的模型运行速率更高,更适用于大数据时代对处理海量的数据集的要求。

关键词： 时空数据   图表示学习   疫情预测分析   城市区域表示学习  

摘要： 多源异构的时空数据具有丰富的内涵和动态特性,且各类数据之间存在复杂的时空依赖关系。面向城市时空数据开展图表示学习研究应用,将促进我们对城市结构的深入理解,并有效服务于疫情监测预警、犯罪率预测等跨域下游任务。本文以城市时空数据的载体(城市区域）为“节点”、以节点之间的动态依赖关系(人群移动模式)为“边”,旨在构建图结构并开展面向城市区域的通用图表示学习方法研究应用。本文的预期研究成果,将有效揭示城市时空数据背后的复杂动态演化规律和通用嵌入表示模式,以对其下游任务的未来状态给出近似估计。本文主要开展两方面的研究工作:(一)面向疫情预测的城市时空数据图表示学习算法研究。针对人为干预措施下的疫情传播难以建模的问题,本文探索城市区域中人群移动时空数据与疫情传播之间的复杂时空依赖机制。首先,在人为干预措施下基于人群移动时空数据提出了一个改进的疫情传播预测数学模型,以初步预判疫情的未来演化趋势;其次,设计图表示学习算法nCovGNN来建模不同区域之间的动态时空依赖关系,以进一步提升疫情传播预测精度。最后,实验结果表明,本文提出的nCovGNN方法不仅能够有效揭示人群移动与疫情传播之间的内在时空关联性,而且在省级和城市级预测任务上均取得了优于传统方法的预测效果。(二)面向城市区域的时空数据通用图表示学习算法研究。针对传统图表示学习方法难以提升城市区域表示的泛化能力的问题,本文设计了多图融合的城市区域表示学习机制,来揭示城市复杂时空数据背后的通用嵌入表示模式。首先,提出移动图距离度量算法,以聚合相似的时空数据而得到代表性的移动模式;其次,设计一种基于注意力机制的多图融合表示学习方法MGFN在移动模式内部和移动模式之间开展联合学习,以得到城市区域的通用嵌入表示。最后,犯罪数量预测、土地利用类型预测和社交网络签到预测等三个跨域任务的实验证明,本文提出的MGFN方法的预测精度比基线方法最高提升了 12.35%,且具有泛化能力和可解释性。

关键词： 唯物史观   习近平群众观   正确党史观   人类命运共同体  

摘要： 党的十九届六中全会指出，全党要坚持唯物史观和正确党史观，在新时代更好地坚持和发展中国特色社会主义。中国共产党自诞生之日起就以唯物史观武装党的头脑，以唯物史观指导党的事业，与唯物史观结下了世纪情缘。新时代坚持和发展唯物史观，不仅具有重要的理论意义，还具有重要的实践意义。新时代该如何坚持和发展唯物史观呢?首先，运用新的发展理念来引领习近平群众观。其次，树牢正确党史观，反对历史虚无主义。再次，发展新交往理念，构建人类命运共同体。百年大党，初心不改。唯有坚持唯物史观，方得始终。

关键词： 关键miRNA   CART   XGBoost   序列特征   集成学习  

摘要： Micro RNA(微小RNA,mi RNA)在真核生物基因表达调控中发挥着至关重要的作用。关键mi RNA(essential mi RNA)是生物体正常生存及生长发育所必需的。识别关键的mi RNA对于全面理解真核细胞基因表达调控机制非常重要。采用传统的实验方法识别关键mi RNA成本高且周期长。因此,计算预测方法被认为是一种可行的替代方法。目前,只有少数研究考虑了关键mi RNA的计算识别问题。在本文中,我们将集成学习方法用于识别关键mi RNA。我们基于mi RNA序列的k-mer频率、错配特征、子序列特征、三元组特征以及伪结构状态对组分特征,提出了以CART(Classification and Regression Trees)为基础分类器,并用XGBoost(e Xtreme Gradient Boosting)增强和改进分类器性能的计算预测方法。我们将此方法命名为XGEM(XGBoost for Essential Mi RNAs)。我们收集了两个数据集,使用留一法交叉验证和五折交叉验证与现有方法进行比较,XGEM取得了最优的性能,这表明了XGEM具有识别关键mi RNA的潜力。此外,我们使用XGEM计算所有目前关键性未知的小鼠mi RNA序列和人类mi RNA序列的关键性分数。我们发现关键性排名前30的人类mi RNA序列在肿瘤的发生与发展过程中有着关键性的推动作用,有可能作为相关肿瘤治疗的潜在靶标。XGEM是一种用于鉴定关键mi RNA的新的计算方法,它的预测性能是有前景的。我们的工作也进一步丰富了mi RNA关键性的研究。本研究的所有源代码和数据集都存放在Git Hub中(https://***/minhui803/XGEM)。