关键词： 钢琴学习   元认知策略   视奏  

摘要： 辅修钢琴的学生作为高校钢琴专业学习中的特殊群体，需要在高校日常的钢琴学习中掌握有效的学习方法，加强对钢琴学习进行有效的学习策略性，对钢琴学习方法有个明确的掌握方向，才能高效地将钢琴学习过程中遇到的困难进行转化，从而提高辅修钢琴学生钢琴学习的效率。本文主要围绕辅修钢琴学生学习方法的新研究展开分析探讨。

摘要： 美国教育心理学家奥苏贝尔从已有学习经验的关系出发，把学习分为两类，一类是机械式学习，一类是有意义学习。奥苏贝尔认为，有意义学习指的是新知识与学习者认知结构中已有的适当概念建立非人为的、实质性联系的过程。为了促使有意义学习真实发生，教师要从情境、任务和活动这三个方面着手，优化教学设计，促进学生的语文核心素养有效提升。

关键词： 表型-基因关联   异质网络   网络表示学习   随机游走   图卷积神经网络  

摘要： 识别疾病表型的潜在致病基因对于疾病治疗和药物开发而言至关重要。异质网络表示学习可以在复杂关系构成的生物信息网络中学习低维稠密的节点向量表示,解决了传统网络分析方法高维稀疏、可扩展性差等瓶颈问题,能够有效地应用于生物信息领域的链接预测任务中。 受现有基于随机游走的异质网络表示学习的启发,本文针对人类表型本体(HPO)的层次结构提出基于层次感知随机游走的网络表示学习方法(HARWRL)用于预测表型-基因的潜在关联。与基于元路径的随机游走策略不同,HARWRL考虑了节点在网络中的个体差异性,为每个节点分配不同的个体跳转概率用于调节采样节点的类型,并利用参数控制节点个体选择概率以平衡深度优先和广度优先的游走方式。最终,将生成的节点序列输入到Skip Gram模型学习节点向量表示。通过这种非元路径限制且更加灵活的随机游走策略,HARWRL更加充分地挖掘了表型-基因异质信息网络中的语义信息和结构信息,进而获得更加有效的节点向量表示用于预测表型-基因的潜在关联。 相较于浅层网络表示学习方法,基于图卷积神经网络的表示学习方法利用消息传递机制,能够学习到更具表达能力的节点特征向量。为进一步挖掘表型-基因异质网络的关联信息,本文提出基于图卷积和层次感知间距的网络表示学习方法(HAMSRL)。该方法设计异质卷积核协同聚合表型-基因网络中不同类型的关联以捕获邻域所包含的语义,并针对HPO的层次结构设计基于层次感知间距的损失函数训练模型,采用度量学习的方式细粒度地挖掘不同类型网络内部中关联强度的差异性。HAMSRL学习到的节点向量更好地刻画关联的异质性和网络全局拓扑结构,有效提升表型-基因关联预测性能。 本文分别为HARWRL和HAMSRL组织了实验,通过与同类型的对比算法的对比验证算法的实际性能。实验结果表明两个模型在表型-基因关联预测任务中均具有更好的表现。

关键词： 深度学习   表征学习   解耦表征   语义级表征   生成模型   可解释性  

摘要： 目前,表征学习技术广泛应用于各种图像分类、目标检测和模式识别等深度学习任务,其很大程度上提升了此类深度学习方法的性能。但是针对特定的任务,只能使用特定的表征学习方法,所提取的表征在泛化性方面存在一定的局限。本文通过设计自监督生成模型来提取语义级表征,该表征相比传统的表征学习具有更好的复用性和可解释性,并且其辅助的下游分类任务或基于语义级表征的匹配模型均有一定程度的精度提升。本文致力于语义级表征学习的研究,分别提出了语义级解耦表征生成方法和语义级拓扑信息表征生成匹配方法来提取解耦表征和拓扑信息表征。本文的主要研究内容如下:(1)提出一种基于对比学习和格拉姆矩阵的图像解耦表征生成优化方法,提高生成图像质量的同时,进一步促进表征的解耦。该方法利用循环神经网络生成具有鲁棒性的锚定样本,然后将其输入对比学习框架,以提取高效的有利于解耦和生成的语义级信息表征。此外,为提高解码器的重建质量,本文引入像素级格拉姆矩阵对输入和输出图像施加额外的约束。相关实验从三个方面验证了该方法的优势,即解耦表征的定性分析、解耦性能的定量比较和对下游分类任务的精度比较。(2)提出一种基于Caps-GAN网络和混合损失的拓扑信息表征生成匹配方法,用于解决遮挡情况下的图像匹配问题。该方法分为两个步骤:首先,提出基于Caps-GAN网络的拓扑信息表征生成方法,该方法以遮挡区域定位、语义级表征提取为驱动,借助基于自适应注意力机制的遮挡区域检测模块,通过使用胶囊生成对抗网络保留拓扑信息表征,将遮挡情况下的图像恢复成完整的目标对象图像;其次,提出基于混合损失的拓扑信息表征匹配方法,利用生成方法所恢复的完整目标对象图像进行匹配,避免空间错位,同时利用分类损失、三元组损失、边际损失和余弦相似度损失联优化匹配方法。通过将拓扑信息表征生成和匹配方法相结合,实现了图像从恢复到匹配的拓扑信息表征的一致性。传统方法只能匹配图像中可见部分的特征信息,当遮挡区域不一致时,可能会导致匹配错位。拓扑信息表征生成匹配方法可以缓解遮挡情况下的图像空间特征错位的问题,在完整、遮挡行人数据集和面部部分遮挡的人脸数据集上的实验结果验证了本文所提出方法的优秀性能,同时分别展示了生成和匹配方法的可视化图片,并进行了消融实验,验证了所设计框架的有效性。(3)设计并实现语义级表征及其应用原型系统。该系统的功能模块包括信息上传模块、语义级解耦表征生成模块、基于语义级表征的生成匹配模块和结果信息存储模块。首先,在技术层面对本系统的架构进行了阐述和分析,并根据系统的功能需求采用模块化设计思想,明确每个模块具体实现的功能。其次,详述了用户点击功能按钮后每个模块的工作流程和页面展示。结果表明,该系统运行稳定、具有良好的人机交互页面。

关键词： 深度强化学习   操纵变量序列决策   内在好奇心奖励   目标导向   啤酒发酵温度  

摘要： 在传统石油、化工等一些复杂工业过程的优化控制中,针对工业实际需求,人们一直致力于生产质量、生产效率及自动化的发展。在解决像操纵变量决策优化等复杂问题时,通常受到模型不确定及大时滞的影响。基于最优控制理论方法的提出及其应用,推动了工程控制领域的发展。但是这些方法往往依赖专家经验驱动决策方向,容易受模型失配和维度灾难问题的制约,由于时延问题导致的策略实时优化难以实现。针对以上问题,本文提出了一种基于目标导向和决策空间探索次数监督的内在好奇心奖励驱动的深度强化学习方法GU-ICM-DDPG(Goal and UCB based ICM(Intrinsic Curiosity Module)driven DDPG(Deep Deterministic Policy Gradient))。以下三个方面为本论文的主要贡献:1、由于深度强化学习具有抗不确定性、强适应性、无模型和自学习等特点。因此,本文将深度强化学习方法应用到过程控制系统中,提出了一种深度强化学习的过程控制应用框架,并对其步骤和设计过程进行了详细阐述。面对连续控制问题,将传统方法对于状态空间和动作空间的离散化通过应用强化学习方法使其对于操纵变量的控制变得更加精细化;此外,以CSTR对象为例,阐释了基于深度强化学习控制的建模步骤与实施过程。2、针对传统DDPG算法中探索与利用不平衡、数据效率低的问题。我们对传统基于状态预测误差的好奇心奖励进行了改进,提出了一种基于目标导向和决策空间探索次数监督的内在好奇心奖励生成方法(GU-ICM),结合环境反馈的外在奖励对DDPG方法进行改进,形成一种GU-ICM-DDPG模型。并且,以Open AI公司开发的Panda机器人环境作为实验环境,验证了所提GU-ICM-DDPG模型的正确性与可行性。3、我们将所提的方法应用于啤酒发酵过程控制上,最终得到一个啤酒发酵温度控制的最优操纵策略。实验中,我们将所提GU-ICM-DDPG方法与DQN离散控制方法,传统引入人员交互的控制方法及强化学习基线方法进行了对比,证实了改进的DDPG算法的正确性,获得满意的结果。同时,给出了所提GU-ICM-DDPG算法的优势和局限性。

关键词： 肝细胞癌   磁共振成像   影像组学   深度学习   微血管侵犯  

摘要： 目的:探讨基于增强MRI的传统机器学习及深度学习方法术前预测肝细胞癌(hepatocellular carcinoma,HCC)微血管侵犯(microvascular Invasion,MVI)的价值。材料与方法:回顾性收集2009年5月～2021年7月于我院行1.5T和3.0T MRI检查且术后病理为HCC的患者174例,其中MVI(+)61例,MVI(-)113例,按7:3比例随机分为训练集121例(MVI(+)42例,MVI(-)79例)和测试集53例(MVI(+)19例,MVI(-)34例)。在第一部分即“基于增强MRI传统机器学习方法术前预测HCC MVI的价值”研究中,收集临床资料及常规放射学特征,采用单因素及多因素logistic回归分析筛选肝癌MVI(+)临床放射学独立预测因素,基于独立预测因素建立临床放射模型。使用A.K软件对动脉期、门静脉期及延迟期MRI图像进行预处理,由两名观察者在ITK-SNAP中分别逐层手动勾画病灶轮廓并生成三维感兴趣区(region of interest,ROI)。利用A.K软件于各期分别提取107个影像组学特征,通过组内相关系数、Spearman相关性检验及梯度提升决策树(GBDT)筛选特征,基于传统机器学习方法(logistic回归)建立预测肝癌MVI的影像组学模型。本研究分别构建动脉期、门静脉期、延迟期及增强三期联合组学模型。基于所选特征及其在回归模型中的各自加权系数,计算影像组学评分(Radiomics score,Radscore)。采用受试者工作特征曲线(ROC)、校准曲线(Hosmer-Lemeshow检验)及决策曲线分析(DCA)分别评价上述组学模型,基于评价结果选择最优影像组学模型(后续称为“影像组学模型”)。采用logistic回归构建结合临床放射学独立预测因素、影像组学模型Radscore的临床放射-影像组学联合模型(即联合模型)。对临床放射模型、影像组学模型及联合模型进行评价(方法同前),确定本部分研究最优MVI预测模型。在第二部分即“基于增强MRI的传统机器学习与深度学习方法术前预测HCC MVI的价值比较”研究中,由于第一部分增强三期联合组学模型AUC较高,因而将增强三期图像纳入该部分进行研究。图像预处理及病灶分割同第一部分。对训练集的增强三期MRI图像进行数据增强(随机裁剪、水平翻转)及标准化后,将图像及标注结果输入Res Net18网络,直接输出MVI预测结果,该过程建立的模型为基于增强三期的卷积神经网络(CNN)模型。对CNN模型进行预测效能、校准性能及临床应用价值的评价。采用Delong检验对第一部分的增强三期联合组学模型与CNN模型进行比较。结果:在第一部分,白蛋白(albumin,ALB)、肿瘤内动脉为肝癌MVI临床放射学独立预测因素,构建的临床放射模型AUC在训练集及测试集分别为0.665、0.644。动脉期、门静脉期、延迟期及增强三期联合组学模型训练集AUC分别为0.699、0.635、0.674及0.807,与单一期相的组学模型相比,增强三期联合组学模型预测效能明显更高(P值分别为0.020、0.005、0.010);测试集AUC分别为0.667、0.738、0.695及0.759,与单一期相的组学模型相比,增强三期联合组学模型效能稍高,但差异均无统计学意义(P值均>0.05)。校准曲线及决策曲线显示各组学模型表现良好。基于评价结果,确定增强三期联合组学模型为本部分研究最优影像组学模型。在训练集中,联合模型(AUC:0.829)及影像组学模型(AUC:0.807)效能均显著高于临床放射模型(AUC:0.665)(P值分别为0.009、0.026);在测试集中,联合模型AUC为0.766,稍高于临床放射模型(AUC:0.644)和影像组学模型(AUC:0.759),但差异均无统计学意义(P值均>0.05)。三个模型在训练集及测试集均有良好校准性能及较高临床价值。在第二部分中,CNN模型AUC在训练集及测试集分别为0.949、0.854,校准曲线分析(Hosmer-Lemeshow检验)及决策曲线分析均表现良好。在训练集中,影像组学模型效能(AUC:0.807)显著低于CNN模型(AUC:0.949)(P值<0.001)。在测试集中,与影像组学模型(AUC:0.759)相比,CNN模型(AUC:0.854)效能较高,但差异无统计学意义(P值>0.05)。结论:1.传统机器学习方法建立的基于增强MRI的影像组学模型能有效预测HCC的MVI,且临床放射-影像组学联合模型预测效果更优。2.在增强MRI三期联合预测HCC MVI方面,深度学习方法建立的CNN模型有较高的价值,且优于传统机器学习方法的影像组学模型。

关键词： 机械臂   轴孔装配   示教学习   强化学习  

摘要： 随着科学技术的发展,机器人越来越多地被用于代替人类执行各种操作任务,包括焊接、搬运、喷涂、装配等,其中机器人装配作为工业应用的重要组成部分,在航空零部件、发动机、挡风玻璃等大型物体装配和电子元器件等小型零件装配中得到了广泛应用。在机器人装配作业中轴孔装配是典型的基本装配单元,轴承、PCB板和机舱铆钉的装配均为轴孔装配任务。机器人执行轴孔装配任务时,面临着以下困难:对于较小的装配零件,在保证机器人装配精度上存在一定困难:非结构化环境对机器人存在干扰,影响机器人的装配成功率,如机器人工作空间中的障碍物、位置产生移动的孔;孔的定位存在误差,导致轴无法快速进入孔内,并且装配时零件互相接触产生较大作用力,磨损甚至损坏零件。由此可见,研究不确定因素下机器人轴孔装配技术具有重要意义。本文针对机器人完成高精度轴孔装配任务的需求,将轴孔装配任务分为三个阶段:移动阶段、寻孔阶段和插孔阶段,开展基于学习方法的机器人轴孔装配技术研究工作,具体包括移动阶段避障路径规划方法研究、考虑先验知识的机器人寻孔策略学习和基于修正高斯混合模型机器人插孔策略学习。首先,针对移动阶段工作空间存在障碍物的情况,研究基于示教学习的避障路径规划方法。针对移动阶段机械臂避障需求,考虑生成轨迹与示教轨迹接近程度、生成轨迹运动的平滑性因素,设计避障性能指标。提出一种基于动态运动基元算法的机械臂末端避障方法,基于传统静态势场和动态势场函数设计避障耦合项,实现移动阶段机械臂避障路径规划。针对关节运动平稳性指标,设计耦合项,实现关节轨迹优化。在仿真环境下验证学习后的机械臂末端轨迹能根据障碍物位置、尺寸进行调整。并且与传统方法相比,生成轨迹与示教轨迹平均距离减小至少3.09%、轨迹平均加速度减小至少12.60%。其次,针对寻孔阶段传感器噪声、机械臂定位误差,研究基于强化学习的寻孔策略学习方法。针对传统深度强化学习算法学习效率低、成功率低的问题,对方法进行改进,通过加入人类示教数据,采用优先级经验回放代替随机回放方式提高强化学习模型训练速度和效率。根据寻孔过程中轴孔位置、接触力设计奖励函数,实现寻孔策略学习。在V-rep仿真环境中进行验证,寻孔任务成功率由原来的75.5%提高到 89.5%。再次,采用高斯混合模型对插孔过程中轴速度和轴孔接触力数据进行编码,得到轴速度和轴孔接触力的条件概率分布,以此概率分布指导插孔任务。为了进一步提高插孔任务成功率,提出在插孔任务失败时,将机器人控制模式切换为人工示教模式,引导机器人继续完成插孔任务,更新高斯混合模型参数,提高插孔策略成功率。实验结果表明,插孔成功率得到了一定提升。最后,搭建轴孔装配平台,分别设计移动阶段机械臂末端避障实验、寻孔策略验证实验和插孔策略验证实验。对实验采集的数据进行分析以验证所提相关方法的有效性和可靠性。实验结果表明机械臂能实现轴孔装配技能的学习,移动阶段机械臂末端能避开障碍物,寻孔成功率由65%提升到了 87%,插孔成功率由70%提升到了 90%。

关键词： 碳金融   VMD   GARCH族   深度学习   购买策略  

摘要： 碳排放权是一种新型经济环境资源,对我国企业的生产、管理和能耗均存在影响,而碳排放权价格的高频波动是碳交易市场的关键问题。建立碳排放权价格的预测模型可以为广大投资者提供合理科学的碳交易决策工具,引导我国企业交易者更好地参与碳交易市场,促进碳交易市场的高效发展。目前我国的碳交易市场尚不完善,碳排放权的价格具有高频波动、非线性、非平稳等特征,因此,使用传统的计量建模方法来拟合碳排放权价格的曲线难度颇高,且不全面。而模态分解方法能够深入探究不同频率下碳排放权价格的规律,从而降低噪音,更好地掌握市场价格波动的内在特征。因此,本文采用变分模态分解(Variational Mode Decomposition,VMD)方法,将上海试点市场的碳排放权(SHEA)现货价格分解为不同频率的多层模态分量,并选取前N层进行重构,以减少噪声序列,并利用群智优化算法对VMD的两项参数进行优化。考虑到现有研究均采用单一的广义自回归条件异方差模型(Generalized Autoregressive Conditional Heteroskedasticity,GARCH)模型或深度学习方法预测碳价格序列,预测精度不高,而混合深度学习模型能更好地拟合价格的线性和非线性特征。因此,本文采用混合深度学习方法,结合计量经济学模型和深度学习算法的优点,对SHEA碳排放权价格进行滚动预测。实证结果表明,动态的指数条件异方差-门控循环单元结构模型(Exponential GARCH-Gate Recurrent Unit,EGARCHGRU)模型在测试集上的5个损失函数整体小于其他模型,说明动态EGARCH-GRU模型对SHEA碳排放权价格的预测效果最好,而变分模态分解对碳价降噪的效果不明显,预测精度并未显著提高。同时,基于最优预测模型的结果,生成择时信号,构建碳排放权购买策略,利用测试集数据回测,并构建相应的随机购买策略进行策略有效性评价,结果表明,在1000个随机策略中,基于最优预测模型的碳排放权购买策略优于99.6%的随机策略,对碳交易企业具有一定的启发作用。

关键词： 粒计算   粒球计算   分类器   非负矩阵分解   符号网络  

摘要： 粒计算是一种用于信息处理的人工智能方法,通过模拟人类认知、分析和处理问题的方式去解决不确定、不完备以及海量信息等复杂问题。而粒球计算是粒计算领域近年来发展出的重要方法,具有高效、鲁棒和可扩展性等特点。粒球计算方法用粒球作为通用特征来覆盖和表示样本空间,在任意维度都只需球心和半径来度量样本空间。但是,现有粒球生成方法存在异类粒球重叠问题,会导致决策边界混淆,影响算法学习性能。本文改进了粒球生成方法,作为应用,提出了基于粒球计算与非负矩阵分解的用户关系预测模型。主要内容如下: 1.针对异类球重叠问题,通过引入重叠检测机制,提出了一种改进的粒球生成方法。为了验证改进方法的有效性,将新的粒球生成方法应用到粒球6)6)近邻分类器和粒球邻域粗糙集属性约简方法中,通过实验验证了重叠改进的粒球计算方法能够取得更好的效果。并在基于改进的粒球6)6)近邻分类器的对比实验中验证了粒球计算的高效性和鲁棒性。 2.针对噪声环境下的符号网络用户关系预测问题,给出了基于粒球计算与非负矩阵分解的用户关系预测模型。该模型首先将图正则和正交化的约束条件以及2,1范数加入到标准非负矩阵分解中提出改进的非负矩阵分解算法,并推导了其迭代更新公式。该算法可以对大型符号网络进行降维,并且降维后的矩阵可以同时保持原网络的结构信息和稀疏表达能力以及降低噪声数据造成的影响。然后利用基于粒球计算的采样方法过滤噪声,进一步增强模型的鲁棒性。最后在公开的符号网络数据集上添加人工噪声进行了多组实验,实验结果验证了该模型良好的鲁棒性。

关键词： 有意义学习理论   物理教育   概念教学  

摘要： 概念教学是基础教育的关键和核心,其中物理概念教学是概念教学其中的重要分支,很多学者对此进行了研究。本文欲将其与有意义学习理论结合起来进行研究。有意义学习理论影响深远,该理论主张将新旧知识联系起来。在学习新的物理概念时,学生的认知结构中存在之前学过的物理概念等相关的物理知识以及生活经验可以与新知识建立联系,将有意义学习理论运用到物理概念教学中具有可行性。在物理概念的教学中,教师要关注学生的认知结构,提高物理知识的迁移、应用能力。本文首先阐述了奥苏贝尔提出的有意义学习理论,接着分析了物理概念的有意义学习,然后采用问卷调查法、访谈法以及文献研究法对江苏省徐州市某高级中学的高一年级学生以及物理教师进行物理概念教学现状的调查。通过对调查结果的整理分析,发现物理概念教学现状为:(1)物理概念的学习于学生而言是较为枯燥的,学生对物理概念的学习兴趣有待提高。(2)学生在学习新的物理概念时很难联想到之前学过的知识,并且很少有学生能够主动的梳理学过的物理概念以及新旧物理概念之间的关系,学生物理概念知识联系能力不强。(3)区分相似的物理概念对于学生而言是存在一定难度的。(4)学生应用所学物理概念解决问题的能力不强,学生物理概念的迁移应用能力有待提高。为改善教学现状中存在的问题,本文采用文献研究法,将有意义学习理论结合物理概念的特点,提出有意义学习理论的物理概念教学策略:合理利用先行组织者,将奥苏贝尔提出的先行组织者策略根据物理概念的特点进行分类分析、激发有意义学习心向,培养学生学习兴趣,提高学生学习动机、注重有意义学习能力培养,提高学生知识迁移能力。最后笔者根据这些策略进行教学设计并选取某中学进行了为期两个月的教学实践。实践表明如上策略能够提高学生学习兴趣以及学生对物理概念的联系、区分以及应用能力,能够提高学生学习成绩,但在短期内效果并不明显。