关键词： 第一性原理计算   结构预测   机器学习势场模型   高斯过程回归算法   硼团簇   CALYPSO  

摘要： 团簇作为连接微观世界与宏观世界的桥梁,其由数量不等的分子或是原子组成。团簇由于表面效应和量子限制效应,其表现出来的物理与化学性质与晶体迥然不同,而且其物理化学性质以及基态结构的构型与团簇的尺寸是紧密相关的。团簇领域的重要问题之一是团簇的生长模式的探索,然而对于小尺寸体系而言,我们可以通过第一性原理计算方法进行理论模拟,但是对于大尺寸体系,我们就显得束手无策了,这是一直困扰着科学家们的问题。硼元素由于其“缺电子”特性,导致原子之间的成键模式非常复杂,不同尺寸下的硼团簇的基态结构构型吸引着诸多科学家对其进行研究。目前,硼团簇已经发现了许多的基态候选结构的构型,且构型之间存在着竞争的关系,这使大尺寸的硼团簇的基态结构探索变得极具挑战性。但是,受限于计算开销,我们很难对大尺寸的硼团簇体系展开大规模的基于第一性原理计算的理论模拟。基于第一性原理计算的理论模拟已经成为结构预测领域的一种主要手段,其能够准确地预测结构的许多物理性质,能够帮助我们克服苛刻的实验条件的桎梏。如今,随着理论模拟的需求不断增加,即大尺寸体系的大规模模拟,我们在采用第一性原理计算方法进行理论模拟的过程中不得不面对其昂贵的计算开销,很难对大尺寸的体系展开计算,而采用经验势模型,其可移植性以及精度都大大限制了其应用范围。至此,对于大尺寸体系而言,发展一个精度高且计算开销小的原子间势能面模型是必不可少的。近年来,机器学习方法的蓬勃发展为科学家们解决此问题提供了一种全新的思路,即发展机器学习势场模型,不但可大大减小计算开销,提高计算效率,同时可以保证很高的精度。在本文的研究工作中,我们主要实现了以下两项工作:第一:我们搭建了基于高斯过程回归算法的机器学习势场模型,即高斯回归势场模型。通过验证集的表现,以及与成熟的神经网络模型之间的对比,证明了其有效性。第二:我们针对大尺寸硼团簇体系,展开了大规模的基态结构搜索。我们采取课题组自主研发的CALYPSO结构预测方法与第一性原理计算方法相结合的方案,产生了17616个硼团簇B_n（n=10–84）的数据集以此来进行机器学习势场模型的拟合。首先,我们在硼团簇Β101体系上,进行了测试,证明方法的可信度。随后,对于硼团簇B_n（n=58-108）,我们计算得到了不同尺寸下的基态候选结构,并以此谈论了大尺寸硼团簇B_n（n=82-108）的生长模式。本文的方法为结构预测领域的理论模拟提供了一种新的思路,本文的数据结果则为大尺寸硼团簇体系的生长模式的探索提供了参考价值。

摘要： 刘少奇是我们党卓越的马克思主义理论家。他一贯重视理论工作，为党的理论建设作出重要贡献。1950年9月10日，刘少奇在延安马列学院第二、三班开学典礼上发表讲话，重点阐述了马克思主义理论学习的目的和要求。相关内容后经整理收入了《刘少奇选集》下卷，题目为《学习态度和学习方法》。今天，重新学习这篇讲话，对于我们深刻认识理论学习的重要性，进一步提高理论素养，更好地运用党的创新理论武装头脑、指导实践、推动工作，具有重要的启示作用。

关键词： 高中数学   错题整理   学习方法  

摘要： 数学是理科思维的集大成者,高中数学也是高考考察的重点科目,高中数学涵盖了许多复杂的数学公式,因此,掌握一个好的学习方法是学好数学的关键,错题整理就是一个很好学习方法。由于很多学生由于对数学知识掌握得不牢固,练习时频频出错,甚至同一道题会反复地出现错误,这时建立错题集是一个很好的办法,对错题进行分类整理,从错题中吸取教训,提高数学成绩,更好地备战高考。

关键词： 机器学习   分类   回归   LAMOST   APOGEE   恒星表面有效温度  

摘要： 机器学习是目前非常流行且高效的方法,具有分类和回归的功能。它们能够识别或近似出多维特征空间中的复杂非线性模型,为天文学中的一些复杂问题提供了新的解决方案。本文主要利用机器学习中主流算法研究恒星/星系/QSO分类、恒星光谱类型分类以及估算恒星表面温度。具体研究工作如下:本文利用6)近邻算法(6)NN)、决策树(DT)、随机森林(RF)和支持向量机(SVM)在LAMOST DR5上进行恒星/星系/QSO分类。选择u,g,r,i,z,J,H作为算法输入特征。结果表明,以上四个算法模型能够以～95%的准确度识别星源类型。筛选出恒星后,本文继续借助上述四个主流机器学习算法去识别恒星的光谱类型(G,K,M,F,A)。结果显示,四个算法模型的ROC(receiver operating characteristic)曲线下面积都接近1,这四个模型都能在一定程度上识别恒星光谱类型。RF和SVM的识别精度高于6)NN和DT的识别精度。随机森林能够以～73%的准确度识别恒星光谱类型。究其原因,G星和F星交叉错分严重,这两星的预测效果不如其他三星。本文使用随机森林去估算恒星表面有效温度。恒星主要来源于SDSS DR16的APOGEE和LAMOST DR6。此外,本文还对比分析了两种输入特征集的预测效果。当采用NUV-u、u-g、g-r、r-i、i-J、J-H、H-K、K-WISE＿4＿5作为算法输入特征时,随机森林在APOGEE恒星上的准确度高达94.91%,其估算的温度与标准给定的温度的标准偏差为93.89K;随机森林在LAMOST恒星上的准确度高达90.46%,其估算的温度与标准给定的温度的标准偏差为113.10K。当采用NUV-J、J-H、H-K、K-WISE＿4＿5作为算法输入特征时,随机森林在APOGEE恒星上的准确度高达94.37%,其估算的温度与标准给定的温度的标准偏差为96.59K;随机森林在LAMOST恒星上的准确度高达88.89%,其估算的温度与标准给定的温度的标准偏差为119.92K。与前者相比,精度不会降低太多且NUV、J、H、K、WISE＿4＿5均来自于全天观测,可以更广泛地应用于恒星有效温度的估算。而且,J-H是估算有效温度最重要的特征,其次是NUV-J。NUV是一个不可忽略的波段。

关键词： 随机森林   支持向量机   人工神经网络   逐步线性回归   土壤容重  

摘要： 传统测定土壤容重的方法不仅费时费力,而且不适用于区域大尺度土壤容重估算。土壤转换函数,因追寻高效的运算效率从而无法保证在全部的变量组合中得到最优变量组合。由于机器学习方法克服了参数和非参数统计方法的缺点,如空间自相关、非线性和过拟合,有利于提高空间模型的估算精度,并适用于区域大尺度土壤容重估算。因此为真实的反映我国大陆区域自然状态下的土壤容重空间分布,研究对区域大尺度上土壤容重的快速估算,本文进行了以下研究: (1)本文选取一个实例,采用随机森林、支持向量机、人工神经网络模型对土壤容重进行估算,来评估不同方法间估算土壤容重的估算精度,该实例数据集为全国第二次土壤普查数据,该数据集是目前内容较为全面的土壤属性数据。研究按不同土层深度进行土壤容重估算,分别为土层0～40cm、土层40～100cm、土层0～100cm。在土壤容重影响因子的相关性分析结果发现,在各土层中,其土壤容重与土壤有机质的相关性最好,相关系数均大于0.5。在该实例中,综合均方根误差(RMSE)、标准预测误差(SDPE)、平均预测误差(MPE)值和决定系数(R2)来看,在不同土层中(0～40cm、40～100cm、0～100cm),随机森林模型模拟效果均表现最佳。其中基于随机森林模型构建的表层土壤容重估算模型(40～100cm)的估算精度最高,决定系数R2为0.53、RMSE为0.1471 g/cm3,SDPE 为 0.1475 g/cm3,MPE 为-0.0064g/cm3。另外,土层 40～100cm 的各机器学习模型对估算土壤容重有较好的估算精度,其随机森林模型的误差最小,均方根误差为0.1285g/cm3、标准预测误差为0.1328 g/cm3)、决定系数为0.82。 (2)最后将机器学习模型与国内外已发表的PTFs、逐步线性回归和空间插值方法进行横向比较。结果发现,在土层0～100cm、0～40cm、40～100cm中,机器学习模型的估算精度均优于线性回归模型、协同克里格插值模型,其RMSE、SDPE、MPE与线性回归模型、协同克里格插值模型相比,均降低了小数位,并且决定系数均大于线性回归模型、协同克里格插值模型。表明机器学习模型拟合效果更好,其在估算土壤容重方面性能更优,估算精度最佳,能较为真实的反映我国大陆区域自然状态下的土壤容重空间分布。 综上,本研究提出的机器学习方法对土壤容重估算有较好的泛化能力和估算精度,能较为真实的反映我国大陆区域自然状态下的土壤容重空间分布,研究成果对区域大尺度上土壤容重的快速估算具有一定的实用价值。

关键词： 强化学习   时控微分动态逻辑   混合系统   运行时监视器   安全控制  

摘要： 得益于最近几年深度神经网络的发展,强化学习,特别是结合了深度神经网络的深度强化学习,因高效率而备受关注,已经在各领域中都获得了广泛的使用。然而,相关方法很难在安全攸关的系统中单独使用,因为它们的未知性,特别是运用了深度神经网络的深度强化学习,其网络的黑盒特性,使得它不能够保证系统的安全。另一方面,由于安全攸关系统大多都是混合系统,这使得人工设计和开发其中的某些核心部分时会非常复杂,若是能够引入强化学习方法,可以很大程度上提升工程的效率。可信强化学习指的是使用后不仅可以保证系统的安全性,还可以充分利用强化学习算法带来的高效性的这类强化学习方法。如何将可信强化学习运用到安全攸关的系统是一个充满挑战的问题。目前已经有一些方法将强化学习引入到了安全攸关系统中,包括使用约束、探索部分状态空间等,然而这些方法只能降低风险,并不能完全保证安全。一个比上述方法更好、更加现代的方法,是将强化学习与基于严谨的数学理论的形式化方法相结合,来保障系统的安全。然而,已有的此类方法还存在缺陷,在应对不断变化的复杂环境时会降低效率。本文主要有以下贡献:(1)提出了时控微分动态逻辑来表达系统的性质。该逻辑从时间的角度扩展了微分动态逻辑,和原本的逻辑相比,时控微分动态逻辑是一个更加灵活的逻辑,特别是用于解决基于通信的系统之上的问题。(2)基于时控微分动态逻辑,提出了一个可信学习框架。该框架可以将用时控微分动态逻辑描述的系统表达式转化为运行时监视器,同时结合本文提出的可信混合控制算法一起使用,来保障系统的安全性和高效性。(3)设计了基于通信的自主控制系统模型,并在此基础上设计了针对本文提出的可信学习框架的实验,用以验证其可行性和有效性。本文的意义在于提出了一种新的逻辑来描述混合系统,同时利用本文提出的算法和一些已有的工具,建立了一个可将可信强化学习运用于安全攸关混合系统的框架,并在效率上突破了目前最好的算法。

摘要： 统编语文教材三至六年级共选编文言文14篇。关于文言文的学习，《义务教育语文课程标准（2022年版）》仅在“课程目标”第四学段明确提出“阅读浅易文言文，能借助注释和工具书理解基本内容”的要求。结合第二、第三学段“阅读与鉴赏”学段的要求综合考量，小学文言文教学重在激发学生的学习兴趣，使其初步感受文言文的文体样式和语言特点，

关键词： 表观建模   卷积神经网络   双向表面反射分布函数   深度残差网络   自强化学习  

摘要： 三维物体的高质量表观建模通常通过手工方式,十分依赖专业人士的经验,所以产出效率较低。随着机器学习的发展,近年来通过机器自动进行表观建模成为热点问题,由于其数据集采集困难,可以采用自强化学习方法提升图像质量,但这种方法还存在过于冗余低效,容易过拟合,梯度消失/爆炸等缺点。针对上述问题,本文提出了一种基于深度残差网络自强化学习方法的表观建模。首先使用深度残差网络调整其结构,防止梯度消失/爆炸等现象发生。并对激活函数做出改进,保留了更多的神经元,从而保留了更多有效信息。其次在每个分析层加入Dropout层,一定程度上缓解了过拟合的发生。最终通过多种不同材质的实验,以平均峰值信噪比和结构相似度(PSNR/SSIM)为标准对比了渲染后图像的结果,改进后的深度残差网络自强化学习表观建模相比原自强化网络的表观建模在金属、木质、塑料材质的峰值信噪比提高了6.82d B、4.27d B、0.47d B,结构相似性提高了0.036、0.061、0.006,客观上本文方法生成的表观材质质量高于原自强化网络。同时展示了本文方法在实际场景中的应用,具备一定的真实感。最后通过消融实验证明了改进的深度残差网络效果更好,表观建模的质量更高。该论文有图33幅,表6个,参考文献52篇。

关键词： 符号网络   表示学习   链接预测   社区发现   图神经网络  

摘要： 符号网络是大数据时代的一种数据表现形式,由节点、节点间正负链接组成。符号网络中的任务在现实生活中有非常广泛的应用,如链接预测、社区发现、节点分类等。但符号网络的节点和链接需要高维向量表示,导致模型计算复杂的问题。表示学习是一种非常有效的学习节点嵌入方法,通过保留网络中拓扑结构、顶点内容和其它辅助信息,将网络顶点嵌入到低维向量空间中。所以用表示学习方法可以将符号网络任务中所需的信息提取出来,用低维向量有效表示节点信息。本文主要分析符号网络中两个重要任务,即链接预测和社区发现,探索表示学习方法在这两个任务中的技术和应用。上述工作所面临的主要挑战包括:1)面向链接预测:如何将符号网络中的社区结构和节点度分布信息融入到节点表示中,丰富节点表示信息,从而提高模型链接预测能力?2)面向社区发现:如何学习节点与社区的向量表示,探索社区与社区之间、社区与节点之间的区别与联系,从而将节点分配到相应社区?基于以上问题,本文提出两种新型符号网络表示学习算法:(1)提出基于结构增强的符号网络链接预测方法—Structure-enhanced Graph Representation Learning(SGRL)。目前的符号网络链接预测方法只关注于用平衡理论构造图神经网络并进行消息传递,从而得到节点的向量表示。这种方法只刻画了符号网络的拓扑结构以及某些邻居节点的信息。然而,一个复杂的符号网络具有很多结构信息,每种结构信息都会影响到节点的信息表示从而影响符号网络链接预测任务。针对该问题,本文提出SGRL方法,该方法探索符号网络中的结构信息,如:社区结构以及节点的度分布信息,从而增强节点的信息表示能力,提高模型链接预测的能力。首先,模型利用伯努利分布和高斯分布刻画符号网络中的社区结构,伯努利分布描述节点是否属于某个社区,高斯分布描述节点属于某个社区的强度。其次,模型引入迪利克雷分布刻画节点的度分布信息,迪利克雷分布属于幂律分布,因此,可以很好的描述节点的度分布情况。最后,从迪利克雷分布中采样得到的节点表示用于符号网络中的链接预测任务。实验结果表明,节点表示中很好的融入了社区结构和节点的度分布信息,提高模型链接预测的精准度。(2)提出基于社区与节点关系分析的符号网络社区发现算法—Representation Learning for Community-Node Relationship(RLCN)。目前研究者对符号网络社区发现的研究甚少,这些研究主要基于谱方法,利用特征根对社区进行探索。但是谱方法在处理大型图数据时计算复杂度高,而用深度表示学习方法,尤其是图神经网络表示学习方法不仅可以降低计算复杂度,而且可以提取更丰富的信息表示,更有利于复杂网络社区发现任务。针对该问题,本文提出一种基于图神经网络的方法,该方法通过模拟kmeans过程优化节点表示,得到社区与社区之间、社区与节点之间的联系与区别。首先,随机初始化社区的表示向量,利用基于符号网络的图神经网络模型得到节点表示,从而根据社区表示向量与节点表示向量的相似程度确定节点归属社区的概率,即分配矩阵。然后,利用针对符号网络社区结构的性质构造的损失函数对图神经网络中的参数进行优化,更新节点表示,从而得到最终的分配矩阵,完成社区发现任务。实验结果表明,模型找到了社区与社区之间、社区与节点之间的联系与区别,从而提高模型社区发现的能力。

关键词： 飞蛾火焰优化算法   基于梯度的优化器   基于堆的优化器   核极限学习机   地震预测  

摘要： 演化算法是一系列受生物群体行为启发而设计的全局优化算法。相比于传统的梯度优化等算法,演化算法实现简单,具有较高的灵活性和鲁棒性,因此已经成为了现代优化算法不可或缺的一部分。近年来,研究人员提出了许多新颖的演化算法,其中包括飞蛾火焰优化算法(moth-flame optimization,MFO)、基于梯度的优化器(gradient-based optimizer,GBO)和基于堆的优化器(heap-based optimizer,HBO)。这些算法都借助群体智能的优势,使得在处理较为复杂问题时可以得到满意的结果。但是随着演化算法的应用范围不断扩大及其与其他学科不断交叉结合,这些算法在处理实际问题时暴露出容易陷入局部最优和收敛速度较慢等问题。本文在MFO、GBO和HBO的基础上,分别对其进行改进,并对改进后的算法进行多方面的性能分析。改进算法还在地震预测领域得到应用。研究内容包括:(1)在MFO的基础上,提出了一种双自适应权重MFO改进算法(weight moth-flame optimization,WEMFO)。WEMFO在算法的不同阶段自适应地调整搜索策略,使算法在全局搜索和局部搜索之间的转换更加灵活可靠。WEMFO与近年来提出的演化算法在30个基准函数上进行了比较实验,并且分析了WEMFO算法的可扩展性。(2)在GBO的基础上,引入高斯骨干机制(gaussian bare-bones mechanism,GBB)、反向学习机制(opposition-based learning,OBL)和飞蛾螺旋更新机制,提出了一种改进GBO算法(gaussian opposite moth-flame gradient-based optimizer,GOMGBO)。其中GBB应用了差分进化算法的思想,在高斯变异的同时采用分支选择结构,使得高斯变异后的向量不局限于局部最优解。OBL的实质是在处理问题时同时考虑事物的对立面。飞蛾螺旋更新机制模拟了飞蛾的夜间飞行模式,是MFO的算法核心,保证了GOMGBO在不陷入局部最优的情况下找到全局最优解。GOMGBO在30个基准函数上与许多著名的基础演化算法及改进的演化算法进行了比较实验。(3)在HBO的基础上,引入Rosenbrock旋转方向法(modified rosenbrock’s rotational direction method,MRM)、灰狼更新机制(grey wolf mechanism,GWM)和正交学习策略(orthogonal learning,OL),提出了一种新的改进HBO算法(graywolf orthogonal heap-based optimizer,MGOHBO)。在30个基准函数上,将MGOHBO与11个著名的原始和改进元启发式算法进行了比较。(4)将改进后的演化算法应用在地震预测领域。使用WEMFO,GOMGBO和MGOHBO三个算法分别优化核极限学习机模型(kernel based extreme learning machine,KELM)的两个参数,再将三个算法所求参数求均值,形成新的用于地震预测的混合KELM模型。