关键词： 数据的层次结构   分层分类   特征选择   模糊粗糙集   卷积神经网络  

摘要： 随着信息技术日渐成熟,数据的规模日益扩大,主要表现为数据的样本和特征两个维度上的急剧增长,传统的机器学习和深度学习方法面临着巨大挑战。一方面,特征维度上的增长使得冗余特征大量增加,机器学习难度上升,效率低下。另一方面,样本维度上的增长使得样本数量增加后数据的类别数量也随之增加,数据分类精度骤然下降。针对特征维度方面的问题,本文通过优化集合间的距离计算公式提高了传统模糊粗糙集算法的效率,实现了对高维数据集的高效特征选择。针对类别维度方面的问题,本文利用数据集中类别间存在的语义层次结构,通过在卷积神经网络中添加分支网络的方式,实现了对多类别数据集的分层分类。主要研究内容如下:(1)基于模糊粗糙集的分层特征选择算法,针对传统模糊粗糙集算法复杂度高效率低的问题,使用了改进的Hausdorff距离替代高斯距离来计算集合的上下近似,降低了算法的时间复杂度,再通过引入阈值的方式筛选出重要程度高于阈值的特征,显著地提高了算法的效率的同时提高了特征选择的分类精度。(2)基于卷积神经网络的分层分类算法,针对卷积神经网络只能实现端到端的一次分类问题,使用VGG16作为主干网络,在主干网络卷积层不同深度的位置添加全连接网络作为分支网络,从而在各个分支网络上实现多次分类。另外,在分类过程中将前一个分支网络的分类结果通过特征拼接的方式传递给下一个分支网络,使得前面网络的分类结果直接影响到下一个网络,从而实现对层次类别数据集的分层分类。

摘要： 喜歌剧《爱之甘醇》由意大利作曲家多尼采蒂作曲、罗马尼作词，是意大利古典声乐学派的优秀代表作之一，它讲述了一个充满曲折、喜感，也不乏讽刺的爱情故事。意大利乡村小伙内莫里诺爱上了美丽、富有的阿狄娜却求而不得，于是购买秘方“爱之甘醇”以期赢得芳心，而阿狄娜逐渐真心爱上了他。人们都不知所谓“爱之甘醇”只是骗子兜售的廉价红酒，骗子生意兴隆，有情人也终成眷属。

关键词： 声特征   语音声信号   稀疏贝叶斯   块稀疏   互相关  

摘要： 随着人工智能技术与传统制造业的深入融合,与智能设备简易,无障碍的语音交互已成为智能技术发展的必然趋势;然而,因语音时变性强、宽带、背景噪声敏感、传播模式与空间位置耦合特征,自然的智能语音交互技术面临着严峻挑战和困难。如何提高语音交互能力即语音声信号的高效稀疏化及相关方法技术成为亟待解决的关键科学问题。由此,在深入研究语音声特征和贝叶斯稀疏化基础上,提出了基于声特征的语音声信号贝叶斯互相关块稀疏化及学习方法,以实现语音声信号的高效稀疏化。本文主要研究内容:(1)研究了语音声信号的相关性和块稀疏声特征,并给出了相应的表征参量,同时深入探讨了稀疏贝叶斯学习方法,详细讨论了声信号稀疏贝叶斯学习模型和最优稀疏解的正则化求解算法。(2)基于上述分析,研究了基于语音信号的互相关和块稀疏两大声特征的信号稀疏化机理,明确了相关性和块稀疏度对信号高效稀疏化的促进及对其影响的量化表达,构建了语音声信号的信号块划分准则、块稀疏度、块间及块内信号间相关性评价参量。(3)依据上述参变量及相互作用机制,提出基于声特征的语音声信号贝叶斯互相关块稀疏化学习方法。构造了融合互相关和块稀疏的特征惩罚矩阵,在特征空间上促进解的稀疏性,且由此构建了融合两大声特征的贝叶斯稀疏正则化数学模型,并由凸优化快速得出最优稀疏解。(4)由仿真分析和实验验证对关键参数及其影响和核心算法进行了数值分析及实验探讨。此外,将该方法与传统方法对比,从解的稀疏度、重建精度和计算速度方面进一步验证了该方法的高效性和可靠性,为语音信号高效稀疏化应用提供理论方法支撑。

关键词： 青藏高原   AMSR2   雪深   集成学习   LightGBM  

摘要： 雪深是重要的积雪参量之一,获取青藏高原准确的雪深信息对于理解当地的气候变化以及水文循环具有重要意义。目前被动微波遥感是大范围监测雪深最有效的手段,然而由于其较低的空间分辨率,使得被动微波遥感数据在青藏高原这样地形条件复杂、积雪分布异质性较强区域的精度表现不佳且存在着较大的不确定性。本研究基于空间分辨率为10 km的被动微波遥感AMSR2亮温数据,并引入积雪覆盖日数、地形因子(高程、坡度、坡向、地表粗糙度)和地理位置(经度、纬度)等多个变量,利用集成学习方法构建了AMSR2雪深降尺度模型。在建模过程中,通过采用相同的测试集和验证集,分别构建了基于随机森林、Ada Boost、GBDT、XGBoost、Light GBM这5种集成学习算法的雪深降尺度模型,通过对比分析,发现基于Light GBM的模型表现最佳,因此选其作为生产降尺度雪深数据的最终模型,并生产了青藏高原空间分辨率为500 m的逐日雪深数据。进一步利用实测站点监测雪深数据对生产的降尺度雪深数据和AMSR2原始的雪深标准产品进行了精度验证和评估。主要研究内容与结论如下:(1)基于AMSR2亮温数据、积雪覆盖日数、地形因子和经纬度数据,分别构建了随机森林、Ada Boost、GBDT、XGBoost、Light GBM共5种雪深降尺度模型。通过网格搜索法对各模型的最优参数进行选取,通过5折交叉验证法对各模型拟合精度进行了评估。结果表明XGBoost和Light GBM模型精度显著优于其他三种算法,其中Light GBM模型表现最好,R为0.75,RMSE为2.87 cm,因此最终被用于青藏高原雪深降尺度建模。(2)通过利用实测雪深数据对比AMSR2雪深标准产品与本研究生产的降尺度雪深数据,发现AMSR2雪深标准产品显著高估了青藏高原区域的雪深,其升轨与降轨产品的PME(Positive Mean Error)值分别为121.12 cm和132.01 cm,远高于其NME(Negative Mean Error)值(升轨为-3.42 cm,降轨为-3.17 cm)。本研究生成的降尺度雪深数据的PME和NME值分别为1.15 cm和-1.70 cm,对青藏高原的雪深存在略微的低估。从总体精度来看,本研究所生产的降尺度雪深数据RMSE为2.50 cm,远优于AMSR2雪深标准产品(升轨为40.10 cm,降轨为88.90 cm)。(3)本研究还从实测雪深、积雪覆盖日数、高程、土地覆盖类型四个方面对AMSR2雪深标准产品与本研究生产的降尺度雪深数据精度进行了综合评估。本研究所生产的降尺度雪深数据分别在浅雪区(雪深<5 cm)、积雪覆盖日数处于30至60天之间、高程位于2000至3000 m、地表覆盖类型为建筑用地的地区精度最好,RMSE分别为1.43 cm、2.27 cm、1.71 cm、1.62 cm。AMSR2雪深标准产品则在深雪区(20 cm<雪深<40 cm)、积雪覆盖日数处于0至30天之间、高程位于3000至4000 m、土地覆盖类型为建筑用地的地区精度最好,RMSE分别为28.60 cm、14.32 cm、11.49 cm、9.52 cm。总的来说,不管在何种情况下,本研究所生产的降尺度雪深数据均优于AMSR2的标准雪深产品。

关键词： 网络流量预测   空间拓扑   图神经网络   长短期记忆神经网络   时空注意力机制  

摘要： 近年来,物联网和大数据等领域发展迅猛,并且随着电脑、手机等智能设备的普及,产生的网络流量随之剧增,网络的稳定性对人们使用网络获取资源等有着重要影响。因此对网络流量预测是提升网络安全和用户服务质量的重要前提,网络流量预测的研究渐渐成为研究热点,同时也是网络研究领域重要的研究方向之一。目前基于深度学习的模型在预测准确性上有待提升,模型需要充分利用真实网络节点间的拓扑结构,并且在内部流量矩阵数据的时序特征方面也需要充分的提取信息,这两方面的影响会导致时空预测结果精确度不足,模型的整体的普遍适用性和预测性亟待提高,因此本文分别从流量的空间特征和时间特性出发,进一步提升网络流量时空预测的性能,以减少预测的误差,并提升模型预测精确度。本文提出了基于GNN-LSTM(Graph Neural Networks and Long Short-Term Memory)的网络流量预测模型,以解决网络流量时空预测问题。模型是通过图神经网络(GNN)获取真实网络路由节点间的空间拓扑结构,采用多层长短期记忆神经网络(LSTM)获取网络流量的时间序列相关性的流量矩阵(TM)信息,实现对网络流量的有效预测。在真实的网络流量数据集Abilene和G(?)ANT上的实验结果表明,该模型在网络流量预测的MSE误差损失值、MAE误差损失值均低于传统基于深度学习的预测模型,整体的预测效果优于目前的方法,可以实现能有效提升流量预测的准确率,较小误差值。为进一步提升对时空信息的捕获,提高预测的准确性,本文引入时空注意力机制,提出图神经网络和时空注意力机制长短期记忆网络结合的GNN STAM-LSTM(Graph Neural Networks and Long Short-Term Memory of Spatio Temporal Attention Mechanism)预测模型,实现对网络流量空间信息和时域信息的时空特征捕获,并在LSTM单元中结合历史状态直接融入到当前细胞状态,进而增强对历史流的记忆,最终实现对网络流量进行充分预测。最后在Abilene和具有复杂拓扑结构的G(?)ANT网络流量数据集上进行验证分析,实现准确而有效的预测,在评价指标中显示,本文提出的模型能够有效提升预测效果。综上,对网络流量预测的研究,本文从网络流量特征入手,分别从空间拓扑和时间序列两部分进行深入研究,所提出的模型在预测效果及准确度有很大提升。

摘要： 如今，网络媒体发展日新月异，我们已经进入多元的、瞬息万变的阅读时代。当前的小学生汲取知识的手段和方式不再局限于传统的纸质教材，有声有色的、富有多种感官刺激的事物更能刺激他们的求知欲，更能激发他们学习的热情。因此，教师不能止步于探究传统的阅读教学，而要突破阅读活动手段单一的现状，跳出各种限制，敢于迎接和拥抱互联网时代的挑战。富有趣味性和生活化的项目式学习符合小学生的阅读胃口，教师借助项目式学习开展整本书阅读活动，才能助力学生提升语文素养。

关键词： EEG   时序变化特性分析   信号表征   特征学习   信号识别与分类  

摘要： 脑电(Electroencephalogram,EEG)是记录大脑活动状态与认知行为的实时电信号数据,理论上与任何人机交互都是相关的。随着信息处理与软硬件技术的快速发展,EEG信号的精准识别与分类在航天、军事、医疗、教育等领域获得了越来越多的关注,特别是将先进信息技术与脑认知研究相结合,能够有效增强多领域创新应用的信息检测与交互性能。基于EEG信号的脑认知行为研究的关键在于获取有效的信号特征信息,然而当前大多研究主要从信号处理和一般时序数据分析的角度提取信号变化特征。针对EEG信号研究的重要应用价值与存在的痛难点问题,通过深度解析信号的复杂时序变化特性,研究如何获得高效的EEG时序变化表征信息,克服现有技术方法对关键时序特征提取存在的不足,并利用具有综合表征能力的多元时序特征信息增强EEG信号的分类检测性能。相关研究内容包括基于多子段信号的一致性和特有性时序特征学习方法、融合信号表征与自动特征提取的多子段关联时序特征学习方法、基于EEG动静变化特性的多元时序特征学习方法以及用于EEG时序特征分类的多模型融合方法。针对以上研究内容所取得的研究成果包括以下四个方面: (1)针对EEG信号存在的复杂时序变化特性,以及现有特征提取方法难以有效表征信号时序特性的难题,提出基于多子段EEG信号的时序特征学习方法。通过多子段信号划分和基于幅度-时间映射的特征提取,将各个信号子段进行幅度轴和时间轴的特征信息映射,在此基础上提取表征各子段信号变化的时域统计特征;针对不同子段信号表征时序变化特性的差异性,从时间序列分析的角度提出一致性时序特征和特有性时序特征的无监督学习方法。实验结果表明,通过对多子段EEG信号进行无监督一致性时序特征和特有性时序特征学习,能够有效增强实际应用的EEG信号分类与检测性能。 (2)针对现有基于卷积神经网络的自动特征提取方法主要进行EEG信号幅度相关特征信息的学习,缺乏对时间变化特征信息学习的难题,提出构建幅度-时间双视角的EEG信号表征数据。通过对两类表征数据进行一维卷积神经网络的自动特征学习获取反映EEG信号变化的基本特征信息;进一步地,提出基于混合膨胀卷积的长时间范围下多子段EEG信号关联时序特征学习,从而克服小尺度卷积核只能学习局部信号变化信息的不足。所提出方法融合了信号表征和深度自动特征提取,能够有效实现长时间范围下多子段关联时序特征学习,提高对EEG信号的识别和分类精度。 (3)针对不同大脑活动状态下EEG信号呈现差异化的波动特性,以及信号特征变化存在模糊性和不确定性的问题,提出基于多子带与多子段信号动静变化特性的多元时序特征学习方法。首先对原始EEG信号进行多子带分解和多子段划分,构建并提取多子带与多子段的信号动静变化特征;进一步地,构建深度特征学习器从连续子段信号表征信息中学习一致性时序特征和特有性时序特征,并利用循环神经网络对提取的动静变化特征学习连续动态时序特征。该方法结合实际需求和问题探索,充分考虑EEG信号多子带与多子段信号下连续特征变化模式,具有同步学习多元EEG信号时序变化特性的应用优势。 (4)针对类别不平衡和信号相似性对EEG识别与分类性能的影响,提出基于多模型融合的EEG时序特征分类方法。根据不同大脑活动状态及认知行为的EEG信号相似性,将小样本数据类别作为一个整体逐步按照信号差异性进行分类检测;通过利用小样本整体状态信号数据建立单类支持向量机的校正模型,进而对每个分类模型的结果进行校正,降低由类别不平衡造成的小样本信号数据误分率;最后,利用多通道和多子带的多维时序特征提取,增强对具有强信号相似性的小样本EEG数据的分类精度。相较于欠采样和数据增强的类别不平衡解决方法,所提出方法对增强EEG信号多类分类性能和解决信号时序特征应用关键问题提供了有效解决方案。 综上所述,论文针对EEG信号复杂时序变化特征学习中存在的关键问题进行了深入研究,从时间序列变化角度深度解析EEG信号特征变换模式,学习表征信号关键动态信息的多元时序特征,并结合信号分类关键问题进行应用研究,通过对不同睡眠脑活动状态的分类实验测试,在睡眠质量评估、疲劳检测和神经疾病诊断分类任务中获得了较好EEG信号识别性能。相关研究成果为EEG信号时序数据分析提供新的方法途径,具有重要的学术研究和实际应用价值。

关键词： 资产定价   多因子模型   大数据   机器学习   金融科技  

摘要： 本文采用惩罚线性回归方法和主成分分析等多种机器学习算法,充分挖掘我国A股上市公司财务基本面大数据信息,尝试构建我国资本市场的简约的多因子定价模型.研究发现:我国A股市场中,主成分作为定价因子的表现要优于特征因子;在缩减定价因子个数方面,弹性网络方法的表现要略优于LASSO.此外,惯性类、交易摩擦类以及估值与成长类因子的贡献较大,说明虽然我国资本市场不够完善,市场参与者交易习惯有待提高,但也体现了市场不断完善且有效的一面.本文方法构建的多因子模型优于主流的定价模型.本文将机器学习方法引入到资产定价模型的构建,实现了对高维财务基本面数据的降维和变量选择,构建了我国A股市场多因子资产定价模型,并给出经济学解释.文章从大数据和机器学习的角度为我国A股市场资产定价提供了新思路,明确了各个定价因子在多因子模型中的贡献,有助于理解我国资本市场特点,为解决高维财务基本面数据问题提供了适用于我国资本市场的方法.

关键词： 师生合作学习   初中美术   应用意义   教学策略  

摘要： 随着教学改革的推进和深入，各学科教育教学逐渐摆脱传统教学理念的限制，在教学方式、教学结构等方面都出现了一定的创新。在初中美术教育中，师生合作学习法受到广大师生的欢迎，不仅能最大程度激发学生的美术兴趣，而且可以拉近师生之间的距离，增强课堂互动，从而为学生学习美术、练习美术提供良好的环境。基于此，本文对师生合作学习的内涵以及应用意义展开了深度剖析，并结合实际的教学内容，提出了几项有关师生合作学习在初中美术教学中的应用策略，旨在提高美术教学质量，培养学生美术核心素养。

关键词： 图表示学习   图神经网络   希尔伯特-斯密特独立性准则  

摘要： 图表示学习作为数据挖掘任务中不可或缺的一部分,受到研究者们的大量关注。在众多的图表示学习方法中,图神经网络(Graph Neural Network,GNN)由于其独特优势已成为其中最为流行和关键的技术之一。GNN的核心是通过聚合邻居节点信息来更新目标节点表示(嵌入)。由于GNN特有的聚合方式,使其不可避免的将邻居节点中包含的无用信息整合到目标节点中,从而影响节点嵌入质量。本文针对GNN中无用信息聚合所表现出来的三个问题(聚合混淆问题,传播级联问题和语义权衡问题),依托希尔伯特-斯密特独立性准则(Hilbert-Schmidt Independence Criterion,HSIC),分别设计不同的策略来进行限制,从而保留更多有用信息来嵌入节点。其中,HSIC是度量任意两个空间上两个变量之间的依赖性,值越小表示越独立,越大表示越相关。本文主要贡献总结如下:1)针对在GNN中发现的聚合混淆问题,本文提出基于HSIC限制无用信息传播的图表示学习方法(LUMP-GNN)来进行缓解。其中,聚合混淆是指GNN的预测标签和真实标签之间的依赖性随着训练的递进呈现先强后弱的不合理现象。LUMP-GNN通过引入HSIC来最小化节点原始特征和噪声(预测标签和真实标签之差)之间的依赖性,从而限制与预测任务无关的信息传播,以此提高预测标签和真实标签之间的依赖性。此外,LUMP-GNN还提出期望-方差分离器来使相同类型节点嵌入集中,不同类型节点嵌入远离,从而进一步限制无用信息传播。通过以上两个策略,LUMP-GNN可以有效缓解聚合混淆问题,这在理论证明和实验结果中均获得了论证。同时,实验结果表明,LUMP-GNN学习到的节点嵌入在分类和聚类任务中有更好的性能。2)针对GNN中的传播级联问题,本文提出基于多方面HSIC限制无用信息传播的图表示学习方法(GNN-MHSIC)来进行缓解。其中,传播级联问题是指GNN的迭代聚合过程可能将邻居节点中包含的无用信息反复融合到目标节点,从而影响嵌入质量。GNN-MHSIC依托信息瓶颈理论,将GNN的传播过程视为一个特征压缩和保留的过程。然后,GNN-MHSIC最小化输入特征和隐藏特征之间的HSIC,最大化隐藏特征和真实标签之间的HSIC以及最小化隐藏特征之间的HSIC,从而多方面限制无用信息在GNN中传播,以此来聚合更多有用信息来学习高质量节点嵌入。实验结果不仅验证了GNNMHSIC的可拓展性和有效性,还从理论上论证了其设计的合理性。3)针对异质图神经网络(Heterogeneous Graph Neural Network,HGNN)面临的语义权衡问题,本文提出基于HSIC权衡语义的异质图(Heterogeneous Graph,HG)表示学习方法(STHGE)来进行解决。语义混淆问题是指现有HGNN模型往往在元路径之间是独立的假设下,分别学习节点在不同元路径上的嵌入,导致在融合它们时会出现严重的语义重叠或不相关,进而难以全面的表示节点。STHGE则更为实际的假设元路径之间是非独立的,即不同元路径之间不仅包含“共享”的语义(相关语义)还有“非共享”的语义(独特语义)。然后利用HSIC来调节不同元路径之间的依赖性,使得融合阶段可以便捷有效地调整相关语义和独特语义的相对比例,从而抽取更多有用信息来嵌入节点。实验结果不仅验证了该方法的有效性,还验证了语义权衡的普遍性。