摘要： 发展学生的学科核心素养是落实“立德树人”教学核心目标的方法。那么，在高中英语教学中，如何才能扎实、有效地培养学生的学科核心素养呢？首先，我们要突破浅层教学的思维定势，以主题意义探究为主线，重新审视“怎么教、怎么学”和“怎么学、学什么”。项目式学习是推进主题意义探究、深化教学改革、促进学生深度学习的新路径。在高中英语教学中，

关键词： 迁移学习   集成学习   分布相似度  

摘要： 迁移学习是一类用于源领域和目标领域分布不同的情形下的机器学习方法,目前学者们已有广泛深入的研究。本文设定数据带有环境信息,提出了一种新的基于分布相似度的模型,该模型致力于充分利用环境信息,在目标领域中进行预测时充分聚焦源领域中最相似环境下的数据,从而实现迁移学习的目的。我们采用了样本权重自适应的迁移学习框架,提出了一种新的样本权重计算方法。为比较本文方法与全局方法的预测效果,本文开展了涵盖多种数据场景的模拟数值实验。实验表明,本文方法在多种数据场景下,效果比直接在全局数据上训练学习器效果更好。我们还进行了关于本文方法在多种配置下的数据分析实验,深入探讨了方法中相似性和参数选择等问题。在本文方法基础上,我们提出了抗干扰变量策略和迁移预警策略。抗干扰变量策略用于数据中存在干扰变量时,更有效地完成迁移学习。迁移预警策略可用于提前判断当前任务是否适合用本文方法进行迁移学习,我们通过随机模拟实验探讨了迁移预警策略的有效性。最后,我们将本文方法应用于乳腺癌复发的预测问题,以阐述本文方法的应用步骤和应用效果。

关键词： 可见光红外图像融合   神经网络   yolov5   mask-rcnn   ADF  

摘要： 红外成像和可见光成像是光学成像技术中的重要研究内容,而图像融合技术则是针对红外图像处理、可见光图像进行图像处理的重要综合图像处理方法。可见光与红外图像融合技术可以将可见光图像较高的空间分辨率、相当多的细节和明暗对比的特点,与红外图像抗光照差、雾和其他恶劣天气的影响的特点相结合,得到更好的成像效果。但随着可见光与红外图像融合技术的发展,所需要的算力资源消耗也越来越大,往往难以在生产生活之中实际应用。近年来对神经网络的研究逐渐成为热门,用神经网络能提取图像的高层语义特征,在多种图像处理领域表现优异。本文在研究中发现,将神经网络应用于图像融合技术中可以显著的降低图像融合过程中的时间消耗,同时可以智能化的在融合图像中检索使用者关心的目标,获得更好的效果。主要的研究内容如下: 调研了当前可见光与红外图像融合的研究现状,并对算法原理及其优劣进行了研究分析;同时还学习了计算机视觉中的前沿技术,并研究了几种最新常用的神经网络。提出出基本的算法思路:针对特定情况下的可见光与红外图像融合,我们不需要关注图像整体的全局融合,而只需要针对使用者所关心的目标进行局部的融合即可,这样的方式可以大大降低背景融合所带来的亢余。本文提出了一种基于深度学习方法的可见光与红外图像融合算法,并对针对实际问题自制数据集,对深度学习网络进行了训练与改进。整体融合算法涉及多个模块,其中主要模块如下: (1)预处理模块,针对实际硬件性能,对于采集的可见光与红外图像进行配准操作与去噪操作。 (2)目标检测模块,在yolov5深度神经网络的基础之上进行改进。训练yolov5深度神经网络针对图像中所关心的目标进行目标检测任务,将输入部分的切片结构改进为对于单通道图像更友好的切片结构;为了综合可见光图像与红外图像的优势,分别针对可见光图像与红外图像训练两个不同的目标检测神经网络,综合二者检测结果;针对yolov5中的非极大值抑制对密集目标不友好,将其改进为柔性非极大值抑制;将损失函数改进为统一形式的α 损失函数。并通过实验证明了改进的有效性。 (3)实例分割模块,为了进一步提高算法视觉效果,添加实例分割功能,在mask-rcnn深度神经网络的基础之上进行改进。训练mask-rcnn深度神经网络针对图像中所关心的目标进行检测与分割任务,将输入部分的卷积结构改进未对于单通道图像更友好的卷积结构;对于特征金字塔部分高层特征图像纹理细节特征较少的问题添加路径聚合结构增加高层特征图像纹理细节特征;对于输出分割图分辨率较低导致精度下降的问题,增加DCT编码的方式提高输出分割图像的精度。并通过实验证明该改进是有效的。 (4)图像融合模块,对于检测出的区域,使用各向异性图像融合算法,对检测框范围内像素进行图像融操作,并赋值伪彩色。通过实验证明,相较于原本的整幅图像融合方法,该方法降低了可见光与红外图像融合时所需的时间消耗。

关键词： 死因死亡率预测   Lee-Carter模型   支持向量回归机   人工神经网络   预期寿命  

摘要： 伴随着经济的迅速发展和医疗水平的不断提高,人口预期寿命不断延长,预期寿命快速提高的背后是总体死亡率的下降,而总体死亡率是由不同死亡原因的死亡率共同决定的。因此本文将死因死亡率作为研究对象,参考国际疾病分类标准（ICD-10）和已有研究,并结合中国目前的死因结构,将死因划具体分为肿瘤、心脑血管疾病、呼吸和消化系统疾病、伤害、其他共五类。预测分析各类死因的死亡率,并探究未来各死因对预期寿命的影响,以期为卫生部门合理分配公共卫生资源、制定正确的疾病预防控制计划提供依据。与此同时,机器学习发展迅猛,成为众多领域的研究热点。在以往的死亡率预测中,死亡率模型的时间项大多采用传统的ARIMA方法进行外推,针对ARIMA的局限性,本文引入人工神经网络（ANN）和支持向量回归机（SVR）两种机器学习方法,对Lee-Carter（LC）模型的时间因子k_t进行建模预测,构建“基于机器学习的死亡率预测模型”:LC-ANN和LC-SVR,并将预测结果与ARIMA进行对比。具体为:以LC模型为出发点,对模型进行参数估计,得到年龄因子ax,bx和时间因子k_t,将k_t值划分为样本内训练集（1990-2014年）和样本外测试集（2015-2019年）,经过分析后发现,样本内拟合效果排序为ANN>SVR>ARIMA,样本外预测效果排序为SVR>ARIMA>ANN。SVR虽样本内的拟合精度略逊色于ANN,但是其样本外的预测精度要高于ANN与ARIMA,具有良好的泛化能力。泛化性是评价一个预测模型优劣的首要因素,因此我们使用SVR预测2020-2029年各死因死亡率的k_t值,并将预测的k_t值回代到LC模型表达式中,得到未来十年各死因各年龄的死亡率。最后,基于预测的死亡率编制去死因生命表,进行去死因分析。分析结果表明,2019年去除心脑血管疾病、肿瘤、呼吸和消化系统疾病、伤害后,预期寿命的增加量分别为7.46、3.09、1.44和1.13岁,2029年对应为7.94和3.31、1.06和0.92岁,这在一定程度上说明肿瘤和心脑血管疾病对人口的死亡威胁程度较以往有所加深,呼吸和消化疾病、伤害对人的死亡威胁程度减弱,所以卫生部门可以考虑加大对肿瘤和心脑血管疾病的卫生资源供给与调配。

关键词： 无监督学习   双通道   相互学习   行人重识别  

摘要： 计算机视觉技术的需求和应用在现实生活中广泛存在,例如进行物体识别和检测、语义分割、运动追踪、三维重建、视觉问答和动作识别等,传统的计算机视觉研究方法多基于统计学的分析或手动设计的特征,在大部分现实场景中无法取得良好的表现。近年来,在机器学习研究领域中,深度学习因其强大的学习能力和优秀的模型性能受到广泛关注并迅速应用到各个研究领域,推动了多个研究领域的发展。行人重识别是计算机视觉研究方向的一个重要子问题,它利用计算机视觉技术对图像中的行人进行识别和检索,因此对基于深度学习的行人重识别进行研究具有非常重要的现实价值和意义。当前基于深度学习的行人重识别主要存在两个问题:一是在一般的深度学习模型训练过程中,往往需要大量人工标记的数据作为支撑才能得到性能良好的算法模型,而在现实生活中制作一个标签信息完善的数据集要花费很高的代价。行人重识别数据集因其中图像相比其他领域的图像数据集更大,会耗费更高的时间、空间和人工成本。二是在有大量标签的数据集中训练的深度学习模型通常会更拟合训练数据集的数据分布,这极大地限制了它们在现实世界大规模部署中的可扩展性和实用性。因此,研究如何在无标签的情况下训练性能优秀的深度学习模型来对行人进行分类和检索成为最新的研究问题。本文在无监督领域自适应行人重识别的领域进行研究,该领域大多数现有方法主要存在三点局限性:伪标签生成和模型训练之间的关系不够强烈、领域间隙影响无监督学习表现、生成的伪标签中的噪声严重降低模型的鲁棒性,其中如何降低伪标签噪声的影响是研究的重点。为解决上述问题,以得到分类和检索性能更好的深度学习模型,我们提出面向行人重识别的无监督双通道相互对比学习方法。该方法的整体框架是构建一个双通道共四个神经网络的算法模型,每个通道中有两个网络,第一个网络作为学生接收输入数据用于训练,另一个网络由第一个网络的参数直接计算得到,且作为第一个网络的导师用于生成监督信息。两个通道的双网络模型相同、初始化参数不同,因而两个通道可以各自学到有用的知识进而进行相互学习。在训练过程中,导师网络对输入样本的预测作为伪标签监督学生网络并在每个批次的数据中更新,这强化了伪标签生成和训练之间的关系。在无标签目标域数据集上的训练中,我们的方法不需要考虑有标签源域数据集的知识,因而避免了领域间隙的不良影响。更重要的是,为了减少伪标签中的噪声,我们提出自信策略以筛选出纯净度更高的伪标签,大大提升了模型的鲁棒性。筛选的具体过程为:两个通道中的被训练网络各自计算每个样本对应的损失;按损失大小对样本进行排序;考虑损失更小的样本对应的伪标签的置信度更高,用这些样本的索引来选择另一个通道中被训练网络应该学习的知识。通过与其他近年来最好的无监督行人重识别方法进行对比实验,证明了基于相互学习的训练框架和自信策略,我们的方法在无监督行人重识别上取得了很大的进步,甚至与监督学习的性能表现持平。值得指出的是,无监督双通道相互对比学习方法是一种深度学习范式,可泛化到多种深度学习问题上。

摘要： 学习意义感是学生在学习过程中寻求自我与知识之间的意义联系,对学习产生强烈的意义确认和价值认同的一种意识活动,也是无锡市安镇实验小学“慧学”课堂的要义所在。“慧学”之“慧”,即智慧,一作动词,表示动态的过程,强调有方法地学习语文,使学生“想学”“会学”;二作名词,表示结果,强调习得语文知识和方法,形成语文技能,提升学科素养,

关键词： 时序网络   网络表征学习   影响挖掘  

摘要： 社会网络、电商网络和引文网络等网络结构数据广泛存在于现实世界中,考虑到网络数据的复杂性和不规则性,如何从网络中获取重要信息是数据挖掘领域中充满挑战的一类问题。网络表征学习(NRL),又称图嵌入,旨在将高维且稀疏的网络(图)结构数据转化为低维且稠密的表征向量形式(即节点或全图嵌入)。因生成的嵌入能对信息有效压缩,网络表征学习在学术界和工业界都得到了广泛的应用。传统网络表征学习方法通常在静态网络上学习节点嵌入。然而,许多现实世界网络还含有时序信息。事实上,学习这些时序信息面临着一个重要挑战,即静态邻接矩阵形式的数据输入很难直接用于时序模型。为了解决这一问题,本文提出了三种捕捉网络随时间演变的方法。这些方法侧重于挖掘时序网络中的多种影响,即邻域、全局和社区影响。本文的主要贡献如下:(1)基于邻域影响,本文提出了一种时序网络表征学习方法NIS。具体而言,NIS认为节点的邻居可能会影响它未来的交互,并且这种影响会随着时间的推移而衰减。因而NIS构建了历史邻居序列并引入霍克斯过程来建模三种时序影响,包括节点间、邻域对节点和邻域间的影响。基于上述影响构建的损失函数,鼓励已交互节点嵌入尽可能相似,同时约束未交互节点嵌入尽可能偏离。(2)基于全局影响,本文提出了一种聚合全局和局部影响的方法AGLI。首先,AGLI借鉴了信息传播领域的线性阈值(LT)模型的思想,定义影响阈值对全局影响嵌入进行判定和更新。最后,AGLI提出了模拟退火函数来融合全局和局部影响,当网络中出现新的节点时,仅需要简单计算节点所受的影响就能实现其嵌入生成,从而实现了归纳式的学习模式。(3)基于社区影响,本文提出了一种挖掘社区和邻域影响的方法Con MNCI。Con MNCI借鉴了社区检测领域的思想,在经典方法上做出改进,结合时间信息不断更新社区嵌入。在此基础上,Con MNCI讨论了重叠和非重叠的社区模式,并提出了不同模式下的社区更新和目标优化。此外,Con MNCI深入讨论了持续学习的概念,并用于归纳式学习以增强其稳定性。最后,文章构建了基于GRU的聚合函数聚合社区和邻域影响。

关键词： 沉水植被   水下光环境   响应机制   PCLake模型   遗传算法  

摘要： 沉水植物是维系浅水湖泊生态系统健康的核心生态组分,异龙湖为典型的高原浅水湖泊,已有研究显示异龙湖近10年里发生了明显的沉水植物消亡与恢复现象,其中2009年沉水植物大面积消亡、2013年又明显恢复,导致异龙湖沉水植物在短期内显著变化的原因尚未有明确的结论。为探讨影响异龙湖沉水植物生长消亡的关键驱动因子,并为异龙湖沉水植物管理提供依据,本研究以异龙湖为研究对象,收集获得了近25年的总磷、总氮,水深、温度,透明度等水质数据,并通过遥感图像反演了近30年的沉水植被盖度变化数据,利用广义相加模型、决策树、结构方程等方法统计分析影响异龙湖沉水植被近些年变化的主要驱动因子,建立异龙湖生态系统模型,模拟在不同程度的驱动因子下沉水植被的生长情况,研究结果如下:(1)基于Landsat TM/ETM+/OLI遥感影像,构建了一种基于最大合成年NDVI和最小合成年NDVI的决策树分类模型,对1995年至2020年异龙湖水生植物演化过程进行了遥感反演,分类的总体精度达到90.09%,Kappa系数为0.8392;(2)1995-2020年异龙湖沉水植被变化明显,1995-2004年,异龙湖沉水植被呈显著的上升趋势,在2004-2012年,沉水植被覆盖率存在较大波动,但年际间变化的趋势不明显。而在2012-2020年,植被覆盖率呈显著的下降趋势。通过广义相加模型,决策树和结构方程模型的分析,发现异龙湖中,总磷(TP)、水下光照强度和氨氮(NH4)均与水下植被生长显着相关,其中水下光照环境用透明度与水深的商来进行衡量,即SD/Depth是沉水植被生长的主要驱动因子,其中水深(Depth)对沉水植被的影响最为显著。(3)在PCLake模型校准中使用遗传算法代替往常的随机取值寻找最优参数的方法,对PCLake模型进行敏感参数校准,通过2017年的检测值和拟合值的比较,多代筛选获得19个敏感参数的具体取值。利用2018年的实测水质数据和水体特征数据(DO、SD)对模型进行验证分析,通过RMSE值判定实测值与模拟值的拟合程度。模型具有较好的模拟结果。在模型预测方面结果表明虽然水深的增加会相应的降低湖泊的总磷总氮等营养物质浓度,但水深的变化反映到沉水植物生物量的变化仍十分明显。低水位运行下沉水植物的生物量呈现出了逐年递增的情况。高水深下的沉水植被出现了减少的趋势。保持合适的水深有利于异龙湖沉水植被的生长。

关键词： 类别学习   中期提取   提取练习间接效应   元认知监测  

摘要： 作为一项基本的高级认知能力,类别学习是个体如何获取关于世界的知识和理解的重要组成部分。如何提高类别学习的高效性是学习心理学中的一个重要问题。最近,一些研究将中期提取对学习的间接作用拓展到类别学习领域。在连续学习中,相比中期重学,对先前所学信息进行中期提取,能够增强随后新信息的学习和记忆,这被视为提取练习间接效应。以往的研究大多使用特定记忆项目作为学习材料,结果证实了提取练习间接效应的稳定性。仅有少数研究考察了中期提取在类别学习中的作用,且元认知结果存在争议。因此,本研究拟通过5个实验探究中期提取对类别学习的间接效应及其元认知监测的影响,系统地检验提取练习间接效应优化类别学习的稳健性及其机制解释。实验1以画家的画作为实验材料,通过比较中期提取条件和中期重学条件在立即迁移测试和延迟迁移测试上的分类表现和信心判断,探究中期提取对类别学习及其元认知监测的持久性影响。结果表明,随着时间的推移,中期提取依然能提高随后新类别的学习和分类,中期提取对类别学习的间接效应优势具有时间持久性,并且学习者在回溯性元认知判断意识到中期提取的总体益处。基于实验1的结果,实验2和实验3从中期提取类型的客观因素考察提取练习间接效应优化类别学习的稳定性,同时加入类别学习判断,考察该效应对不同性质的元认知监测的影响。实验2的结果表明中期提取形式不影响类别学习的提取练习间接效应,不管是外显的中期提取形式(实验2A)还是内隐的中期提取形式(实验2B),都验证了中期提取对类别学习的间接效应优势,且不同中期提取形式所发挥的间接促进效果几乎是相同的;同时,学习者在信心判断中能够意识到中期提取对类别学习间接益处的有效性,但在类别学习判断中,外显的中期提取形式影响了学习者元认知监测对中期提取的敏感性。实验3的结果表明中期提取时间不影响类别学习的提取练习间接效应,无论中期任务时间是否平衡(平衡:实验3A;不平衡:实验3B),都重复支持了中期提取能提高随后新类别的学习和分类的结果,并且学习者在两种不同性质的元认知判断中都表现出对中期提取的敏感性。实验2和实验3的实验结果说明提取练习间接效应对类别学习方法的优化作用具有稳健性,不受中期提取类型这一关键因素的影响。基于此,实验4和实验5进一步探究提取练习间接效应优化类别学习的机制解释因素及其元认知监测的影响。实验4通过以第二学习阶段的自控步调学习时间和感知努力判断作为编码努力的客观和主观指标,结果发现中期提取组在第二学习阶段前期的学习时间和整体感知努力投入都高于中期重学组,印证了编码努力解释中期提取优化类别学习机制的相对贡献,但是自控步调的学习设置会影响类别学习判断,学习者未能在预测性元认知监测中意识到中期提取的间接益处。结合眼动追踪技术,实验5采用家族相似性类别材料作为学习材料,结果发现与第一学习阶段相比,中期提取组在第二学习阶段发生了编码策略转变,且该转变还作为迁移测试的分类依据,印证了策略转变对中期提取优化类别学习机制解释的相对贡献,并且元认知监测对中期提取的益处是高度敏感的。本研究重复验证了前人在类别学习领域中发现提取练习间接效应的结果,即中期提取能在高水平学习中提高后续新类别的分类学习。同时,本研究也拓展了前人的研究:(1)提取练习间接效应对类别学习的优化作用具有持久性效果;(2)中期提取的形式和时间均不影响该效应对类别学习方法的优化作用,并且自控步调的学习设置以及家族相似性的类别学习材料都出现了类别学习的提取练习间接效应,这表明该优化方法具有强大的稳健性;(3)编码努力与策略转变具有解释中期提取优化类别学习机制的相对贡献作用;(4)回溯性元认知判断对提取练习间接效应具有敏感性,但预测性元认知判断对该效应的敏感性容易受到其他因素的影响。

关键词： 三维点云分类   注意力机制   图卷积   深度学习  

摘要： 随着三维点云的使用范围越来越广泛,基于三维点云的对象表示和分类技术的需求变得越来越大,同时也促进了三维点云分类和识别的发展。三维点云分类已经被广泛应用于机器人导航和三维场景理解中,然而现有的关于三维点云分类的深度学习方法通常存在特征提取不足以及忽略点云的全局上下文关系,并且许多用于点云的神经网络往往会忽略对点云物体上一些重要区域的关注导致了一些有用的信息未被提取进而造成了分类精度低的问题。因此,论文主要围绕获取点云的全局上下文特征和关注三维点云的重要区域及有用信息展开研究,重点设计关于三维点云的分类方法,具体研究工作如下:(1)针对现有的基于深度学习的三维点云分类方法存在特征提取不充分、全局上下文关系被忽略的问题,提出了一种基于双重注意力机制的三维点云分类方法(DAM-Point Net VLAD)。通过使用双重注意力网络来提取局部结构特征以及全局上下文信息,图注意力机制主要用来学习三维点云的局部集合表示,自注意力机制可以检查所有点之间的空间关系,从而挖掘三维点云的上下文全局信息,并进一步使用VLAD层将每个点的几何描述符与视觉单词相关联来间接描述其高层语义信息。实验结果表明,所提出的DAM-Point Net VLAD网络框架在Model Net40数据集上达到了92.69%的分类精度。(2)针对基于深度学习的三维点云分类方法中对点云上一些重要区域关注有限,在聚合特征时通常会忽略掉一些邻域特征中的有用信息,提出了一种基于注意力和自适应图卷积的三维点云分类方法(Att-Adapt Net)。主要将自适应卷积核与图卷积结合起来构成自适应图卷积以此来获取三维点云的全局特征,并利用全局注意力机制来计算每个点的注意掩码,将其与自适应图卷积结合来关注特征区域,构建成了Att-Adapt Net网络。实验结果表明,所提方法在Mode Net40开放数据集上获得了93.3%的分类精度。