关键词： 集成学习   Logistic回归   代谢综合征   中医证候  

摘要： 随着老龄化程度的加剧,各种老年疾病也相应增多,其中代谢综合征就是一种常见的老年疾病,该病使患者出现多种疾病的聚集,给患者的健康带来严重危害,显著提高患者心脑血管等其他疾病的患病风险与严重程度。同时,由于其是复杂的多系统疾病,症状复杂多样,难以进行精准识别与诊断,给医疗诊治也带来巨大的困难与挑战。 针对代谢综合征识别与诊断难的现状,而中医作为我国传统医学,具有早发现早治疗、副作用小等诸多优势,在代谢综合征的治疗上具有优越性,故本文基于Logistic回归与集成学习方法对代谢综合征进行中医证候识别与诊断研究,以期提高人民的健康状态,发挥中医在治未病中的主导作用。本文数据来源于广东省中医院芳村分院、新疆维吾尔自治区中医院、江苏省中医院的2243条病例数据。为对影响代谢综合征发病的中医证候进行识别,本文首先通过运用Apriori算法将不同中医证型患者与疾病进行关联分析,研究不同体质对患病概率的影响。其次,运用多项Logistic回归方法对影响代谢综合征患病的危险因素进行筛选,找出显著影响因素,实现症状的识别并起到预警作用。为实现代谢综合征的诊断,本文运用集成学习中Stacking算法对随机森林、GBDT、XGBoost进行模型融合,集成后的模型在准确率、召回率、F1值与AUC上均有进一步提高,从而有效实现疾病的诊断。 通过对代谢综合征识别与诊断进行建模与分析,一方面,筛选出了代谢综合征的危险影响因素,有利于促进疾病早发现与早治疗;另一方面,构建集成学习模型实现了疾病的诊断,提高诊断精度与效率,有利于实现待诊人群的健康自查,维护人们健康状态,促进医疗行业的发展。

关键词： 智能化指挥控制   深度强化学习   元学习   智能博弈对抗策略  

摘要： 针对基于传统强化学习方法的策略模型在解决博弈对抗问题时，存在初始策略模型优化的冷启动问题，提出了基于历史行动轨迹梯度的元深度强化学习方法，通过研究不同历史轨迹梯度的特点和形式，根据指挥员对不同历史轨迹数据的评价，确定网络参数梯度更新方向，在此基础上学习元知识，为初始策略模型提供一种高效的网络初始化方法。实验结果表明，该方法缩短了策略模型训练时长，提升了决策模型性能。

关键词： 学习习惯   学习方法   高中生  

摘要： 教育家叶圣陶先生说过:"什么是教育?简单一句话,就是要养成习惯。"习惯的重要性不言而喻。本文通过笔者的实际工作经验,具体讨论在高中阶段学生们应该养成的几个好的习惯,以及养成良好习惯的具体方法及途径。通过这些具体的方法帮助到每一位学生,也希望每一个学生都有一个精彩的人生。

关键词： 柔性铰接板   实验辨识   轨迹优化   振动主动控制   强化学习模态控制器  

摘要： 受太空发射成本的限制,轻量化已经成为航天器大型结构的必然选择。大型柔性结构由于刚度低,阻尼小,在太空中各种外力和内力的影响下,振动一旦被激起则需要持续很久才能完全衰减,严重影响了航天器柔性结构的强度和稳定性,甚至导致航天任务失败。因此,通过设计合理有效的控制策略来抑制柔性铰接板振动激励及对已经激励的振动进行快速主动抑制方法的研究是十分有必要的。本文主要进行了以下研究:(1)以柔性铰接薄板为研究对象,设计了移动/固定两套柔性铰接板系统,研究机动内力影响和外力激励下的振动问题。移动柔性铰接板系统以伺服电机带动基座运动,模拟航天器移动机动运动的内力影响。固定柔性铰接板系统以激光位移传感器进行弯扭模态解耦检测,提出新的弯扭组合压电控制方式,研究在外力激励下的弯扭模态振动问题。(2)对柔性铰接板系统进行系统动力学建模和实验辨识方法研究。采用有限元分析方法进行了动力学建模与振型分析。考虑实际系统中存在不确定性和非线性,实际系统与理论模型之间的偏差会进一步导致控制系统的不稳定问题。提出了柔性结构模态频率与阻尼比辨识方法、压电模型辨识方法和电机驱动模型辨识方法。并针对两套实验系统进行了系统实验辨识,补偿部分不确定性和非线性,提高系统的鲁棒性。(3)基于辨识补偿后的系统模型,通过前馈轨迹规划的方式设计抑振轨迹以减少机动过程中内力对柔性铰接板的激励。采用了一种随机分段增量样条插值的方式规划抑振轨迹,并采用免疫算法对抑振轨迹参数进行寻优。与四种传统经典轨迹运动进行了多组数值仿真对比和实验对比,验证了免疫算法得到的优化轨迹的抑振能力的有效性。(4)采用强化学习算法训练柔性铰接板的优化模态控制器用于压电驱动反馈控制。以辨识补偿模型作为强化学习环境,强化学习算法特有的非线性特性和强大的泛化能力,进一步补偿了部分不确定性和非线性。通过多组数值仿真和实验进行控制策略的验证。相比较于大增益比例微分控制,强化学习模态控制器表现出了优异的控制效果,能够快速抑制柔性铰接板的残余振动,有效克服了传统线性控制器对小幅值振动控制能力有限的问题。

关键词： 跨模态检索   深度哈希   语义保留   层次化学习  

摘要： 近年来,由于互联网数据的爆炸式增长和多样化特点,跨模态检索成为了一个研究热点。跨模态检索就是利用一种模态类型的数据检索另一种模态类型的数据,可以帮助人们快速有效的利用不同媒体数据。哈希学习方法具有存储成本低、查询速度快的优点,利用哈希学习方法进行跨模态检索可以在一定程度上提高检索性能。然而,目前利用哈希学习进行跨模态检索的方法存在两个问题:一是现有的跨模态哈希方法只学习了数据的全局特征,全局特征表达了数据粗粒度层次上的信息,而局部特征则可以反映数据细粒度层次上的信息,因此现有的方法无法全面利用数据的多层次特征信息;二是现有的跨模态哈希方法在处理多标签数据时把多标签看成同一层次,然而多标签之间一般存在着从粗粒度到细粒度的层次关系,因此这些方法无法有效地利用多标签的层次结构信息。 本文利用数据的层次信息进行哈希学习,提出两种层次化深度跨模态哈希检索方法来解决当前方法存在的两个问题。具体来说,本文的主要工作为: 1.针对现有方法无法利用数据的多层次特征问题,提出了一种基于层次化特征的跨模态哈希方法。数据的全局特征和局部特征从不同的层次描述了数据的多粒度信息,而现有的单层次特征方法无法利用数据的这种层次化特征信息。本文提出的基于层次化特征的跨模态哈希方法利用深度网络同时提取每种模态粗粒度层次的全局特征和细粒度层次的局部特征,并将这两种层次的特征融合为层次化特征,最后把包含了不同粒度信息的层次化特征映射到哈希码中。此方法将数据的粗粒度层特征和细粒度层特征同时保留到哈希码中,使得哈希码保留了全面的层次化特征信息,有助于提高跨模态哈希检索精度。 2.针对现有方法无法合理利用标签的层次信息问题,提出了一种基于层次语义结构保留的跨模态哈希方法,此方法进一步利用层次标签的监督信息来进行跨模态哈希学习。目前多数有监督的跨模态哈希方法是为非层次标签数据设计的单层次类别方法,无法有效地利用标签的层次结构。本文提出的基于层次语义结构保留的跨模态哈希方法为每层标签学习一组类哈希码,并利用层次标签将其扩展为层次语义结构,然后在层次标签和层次语义结构的联合监督下学习哈希码,最后通过线性回归的方式将从深度网络中提取的不同模态的语义特征分别映射到汉明空间中。此方法学习到的哈希码保留了层次语义结构中的层次信息和层次标签中的类别信息,从而可以促进跨模态检索任务。

关键词： 船型设计   阻力预报   小样本   机器学习   集成学习   迁移学习   生成式神经网络  

摘要： 能源问题的日益严峻以及节能减排等相关政策的出台,促使绿色船舶技术受到青睐,同时也推动船型设计领域的创新发展。借助计算机技术,基于母型船或系列船型资料的传统船型设计方法得到了长足的发展。目前,船型设计效率受船舶性能预报速度和精度的影响较大,船型设计仍遵循传统流程,设计创新有待提高。近年来,随着人工智能技术的兴起与发展,运用机器学习解决工程问题正逐渐成为研究热点。船舶阻力与船型密切相关,是船型设计优先考虑的要素之一。因此,本文基于机器学习技术,围绕船型设计,依次开展了小样本下船舶阻力预报、船首线型优化和船型设计方法研究。主要研究内容和成果如下:本文第二部分从阻力影响因素和机器学习模型构建流程两个方面分析了影响船舶阻力预报的因素。基于船舶阻力分析,采用傅汝德阻力分类法作为船舶阻力划分方法,得到了船舶阻力影响因素。针对小样本下机器学习模型可靠性差、预报结果精度低的问题,提出了小样本下机器学习模型评估方法。与一般方法相比,采用小样本下模型评估方法得到的阻力预报结果具有较高的精度,提高了模型的可靠性。本文第三部分提出了小样本下机器学习船舶阻力预报船型表达方式。针对单艘船舶不同吃水下阻力预报和运用多艘船舶预报指定船舶阻力两种情况,采用了船型参数和型值点两种船型表达方式进行船舶阻力预报,并对比了两种船型表达方式下的阻力预报结果。针对船型参数选取问题,研究了船型参数无量纲化形式对预报结果的影响,分析了船型参数选取的合理性。研究表明,采用无量纲化的船型参数作为小样本下阻力预报模型的输入可以得到较好的预报结果。本文第四部分提出了阻力预报机器学习模型构建方法。基于相同类型船舶数据,针对基础机器学习模型预报精度低的问题,采用集成学习阻力预报模型提高了阻力预报精度;针对船舶阻力预报数据样本少的问题,采用迁移学习构建了基于不同类型船舶阻力预报模型或已有经验公式的阻力预报模型,实现了船舶阻力准确预报。本文第五部分提出了基于集成学习神经网络的船首线型优化方法。研究基于径向基函数曲面变形技术和CFD(Computational Fluid Dynamics)数值仿真技术获取不同船首线型参数下的船舶阻力,采用集成学习构建反映船首线型参数与阻力关系的网络模型,通过进化策略优化方法得到具有最佳阻力表现的船首线型,并用CFD数值仿真技术验证了优化结果的准确性。研究表明,优化后的船舶总阻力降低了2.924%。本文第六部分提出了基于生成式神经网络的船型设计新方法。运用母型船数据,构建了条件变分自编码器生成式神经网络模型,生成了给定阻力条件下的船型参数,并运用基于集成学习的阻力预报模型和CFD数值仿真技术验证了设计方法的可靠性。基于生成式神经网络的船型设计新方法突破了传统的船型设计思路,降低了船型设计对计算资源的依赖。本文运用机器学习开展了小样本下船舶阻力预报和船型设计方法研究,可为机器学习在船舶领域的应用提供重要的指导。

关键词： 小样本学习   度量学习   局部描述子   k近邻   图卷积  

摘要： 小样本学习旨在训练一个具有良好泛化性能的模型,在样本数量极少时仍具有良好的分类效果。小样本学习方法主要包括数据增强、元学习、多模态融合以及度量学习四类方法。大多数度量学习的模型仅仅关注图像实例级别或者类级别的特征,却忽视了图像的局部细节特征。近年来,许多基于局部描述子的度量网络充分考虑了图片像素级别的局部细节特征,但仍然存在着局部描述子之间缺乏关联性以及分类器易受局部噪声干扰的问题,因此本文对基于局部描述子的小样本学习方法展开研究,具体内容如下:1.针对现有的基于局部描述子的模型未能考虑局部描述子之间关联性的问题,提出了修复局部描述子网络,包括相邻图卷积和全局特征提取两个模块。相邻图卷积模块通过利用同张图像内的空间位置关系增强相邻局部描述子之间的联系,修复了部分背景噪声局部描述子。全局特征提取模块融合图像的所有局部描述子输出类别的全局描述子,再将局部描述子与全局描述子串接后共同输入到分类器中。在此基础上引入三元组损失,将其融入到传统的交叉熵损失中,提出了混合损失函数,增大不同类别的间距,减少模型错误分类。2.针对现有的基于局部描述子的模型容易受局部噪声干扰的缺点,提出了分组语义度量网络。首先通过迭代聚类将多条相似的局部描述子划分为同一组,同组的多条局部特征可以视作语义方块,蕴含着图像某块区域的特征信息。然后采用二阶沃瑟斯坦距离度量语义方块之间的差异信息,再利用6)近邻分类器根据查询图与支持集语义方块之间的距离判断查询图所属的类别。最后本文在多种数据集上进行了实验,取得了良好的分类准确率。

关键词： 在线广告   深度学习   价格预测   LSTM   ARIMA  

摘要： 广告,具有广而告之的含义。它的主要形式是通过传媒来传播信息。互联网作为有史以来发展最快的传播媒介,相比纸质报刊、广播、电视传媒等传统媒体具有传播速度快、受众群体目标明确、更新灵活、成本低等优势。这也使互联网快速的成为现代社会不可缺少的重要部分。对于依靠互联网技术的搜索引擎平台也在国民生活中变得非常重要。网络营销的重要部分就是互联网广告,其中的付费搜索就是依托于搜索引擎平台,也是搜索引擎平台的重要经济来源。国内最大的搜索引擎平台是百度公司,它旗下的百度营销平台在国内的互联网营销市场中占比最大。中小型企业的特点是自身规模较小,传统的营销模式对其压力较大。低成本、高回报以及高附加值的营销服务就是这类企业所极度需要的。百度营销依托于百度搜索引擎的巨大流量,为企业提供了投入低、回报高的网络营销服务。这在一定程度上解决了中小型企业的需求。在与百度营销平台合作的过程中,企业需要考虑的重点问题就是投入产出比。预测企业在互联网营销活动中的各项指标,就成为指导营销工作的重要依据和方法。为了完成上文提出的预测工作,本文通过借鉴量化投资中经常使用的时间序列预测方法对百度营销平台的平均点击价格进行预测。由于传统的时间序列分析通常仅使用线性模型或者非线性模型进行建模,这使得模型在学习样本特征的时候将会损失部分有效信息。为了降低信息的损失,本文使用了 LSTM-ARIMA混合模型进行对测试样本的学习。LSTM-ARIMA混合模型是由深度学习的LSTM算法与线性模型ARIMA组成的。首先使用LSTM算法学习训练样本中的非线性信息,之后使用差分自回归移动平均ARIMA模型学习残差中的线性信息最终完成误差修正。根据最终的实验结果对比得出LSTM-ARIMA混合模型比单一模型的效果更好。

关键词： 遥感深度学习   模型结构   注意力机制   光谱增强   影像检索  

摘要： 目前在轨的高光谱遥感卫星空间分辨率低,机载高分辨率高光谱遥感设备覆盖范围小,数据采集成本高,对高光谱遥感应用普及具有重要影响。如果在数据采集时仅选取一些特征区域内的多光谱和高光谱遥感影像,然后通过模型的方法建立两者之间的关系,在多光谱遥感影像的光谱维进行增强,获取连续的光谱曲线,进而模拟出一定区域内的高光谱遥感数据,这将有可能降低数据采集时的成本,有助于发挥多光谱遥感数据的应用潜力。另一方面,将遥感数据抽象为哈希编码进行检索,有助于人们更加快速发现感兴趣区域在哪里,具体的类型是什么,但是进行全局哈希检索的性能随着遥感数据量的增多而下降,尤其进行高频检索时,更为明显,有必要提出新的数据索引方法,提高检索的精度和效率。多光谱遥感影像模拟出的高光谱遥感影像具有光谱特征信息,可以凸显某种特征地物的颜色纹理信息,如何将光谱特征信息加入到多光谱遥感影像检索中,以增强遥感影像检索的精度,同时也是其重要的研究方面。因此,本文从多光谱遥感影像的光谱增强、哈希检索和这两方面如何进行结合进行了研究,以建立特征区域之间的映射关系,进一步构建遥感影像检索中的特征索引,进而挖掘数据中蕴含着的应用潜力,本文主要工作和创新点可以总结为:(1)针对机载高分辨率遥感影像之间的非线性映射关系问题,构建了一种用于预测航空遥感影像光谱信息的密集注意力卷积神经网络模型(DACNN模型),通过对真实的多模态(同一区域不同设备采集的多光谱和高光谱遥感影像)Aero RIT航空场景遥感影像和同源的(航空多光谱影像是由高光谱遥感影像根据光谱响应函数模拟生成)雄安航空遥感影像上进行多种定量对比试验。实验结果表明,本文提出的神经网络架构可以高精度的生成与原始高光谱遥感影像相似的光谱曲线和空间纹理信息,且生成影像中的噪声显著低于原始高光谱影像,同时模型参数量显著降低,有助于提高模型的训练效率;(2)针对多光谱遥感影像检索高频检索问题,改进了一种用于遥感影像检索的多模型索引方法,结合了有监督哈希编码,无监督整数索引,VEB tree数据库构建三方面。实验结果表明,遥感数据经过哈希编码有助于提高遥感影像检索的精度和效率,整数索引有助于提高遥感数据存储和检索的可扩展性。另外本文结合Google Earth Engine(GEE)平台,构建了一个遥感影像检索管道,这有助于通过检索算法驱动检索大范围遥感影像数据库,从而对相似性的感兴趣地物进行定位和识别。(3)针对现有模型检索方法缺乏光谱特征信息,应用了一种空间和光谱特征信息相结合的模型检索精度改进方法。实验结果表明,本文提从珠海一号(OHS)高光谱遥感影像中提取光谱特征信息加入到多光谱RGB遥感影像检索中有助于提高预训练模型检索的精度,且其方法具有一定的通用性,并且如果进一步的改进光谱特征信息的提取方法,将继续提高模型的检索精度。

关键词： “双减”背景   小学数学   教学效率   自主学习   学习方法  

摘要： “双减”政策提出的目标，不仅是减轻学生的作业负担和学业压力，还包括从根本上缓解家长的教育焦虑，减轻家长经济负担，促进教育均衡发展。“双减”背景下，校内教育应做加法，全面提高课堂教学质量，重视课后服务，指导学生合理运用时间，运用启发、引导、互动、探究、个性化与精准式的教学方式，提高小学数学课堂教学效率。