关键词： 素质教育   初中地理   自主学习意识  

摘要： 自主探究式学习作为现代化教育背景下的一种新型学习方式,在整个课堂的学习过程中占据了主导地位,对初中学生而言具有重要的影响作用。因此,对于初中教师而言,在日常教学的发展过程中,就必须着重针对学生的自主探究学习能力进行培养与提高,同时充分激发学生对知识的探索求知欲,充分调动学生学习的积极性,从而将学生内在的学习潜能进行充分发挥,实现地理课程教学活动的可持续发展。本文就此展开有关论述。

关键词： 低矮建筑   风压预测   深度学习   贝叶斯优化算法   风压高阶统计值   风压功率谱  

摘要： 我国东南沿海台风高发地区的乡镇中建有大量的低矮房屋建筑,而低矮房屋建筑的风致破坏,一般是从屋面板等围护结构开始。因此,对屋面板风荷载进行准确估计,是结构抗风设计的重要步骤。风洞试验是目前获得建筑结构表面风荷载的主要方法,但由于时间、经济、设备条件等限制,风洞试验中常出现同步测压点数量不足、测压风向有限等问题,导致提供的风荷载信息不足以全面反映建筑表面的风压分布特征。目前,国内外学者主要通过基于人工神经网络的风压预测方法来解决该问题,但已有研究还存在预测精度不足、误差分析不全面、较少预测高阶统计值和功率谱等问题。考虑到传统人工神经网络属于浅层学习,对非线性函数的表达能力有限,本文引入随着计算机科学的发展而出现的深度学习方法来进行风压预测研究,并通过贝叶斯优化算法来确定模型的超参数,并基于国际开放的NIST-UWO气动力数据库来构建风压预测数据集,将预测结果与文献对比,并进一步对假设未进行风洞试验测试的风向(以下称为“未知”风向)下全部测点的预测精度进行详细分析。本文的主要研究结论如下: (1)基于与文献一致的数据集预测了多个“未知”风向下屋面上所有测点的平均与脉动风压系数,表明基于深度神经网络得到的角点风压预测误差明显小于文献上基于传统人工神经网络的结果,且克服了文献方法在屋脊区域精度不足的问题。整个屋面预测与试验结果的平均相关系数大于0.99,误差小于10%的测点占测点总数的96%以上,相对误差较大点的风压数值本身较小。 (2)分别通过隐藏层为4层和5层的深度神经网络预测了屋面与墙面所有测点在“未知”斜风向下的风压系数偏度与峰度。研究结果表明,所有测点的预测值与试验值的平均相关系数超过0.95,误差小于20%的测点占测点总数的87%以上,相对误差较大点的偏度与峰度的数值相对较小。已有文献尚无对平屋面高阶统计值的预测结果,尽管本文关于高阶统计值的预测误差大于平均、脉动风压系数,但预测精度明显高于文献对于曲面屋盖的预测精度。 (3)基于Welch法和AR模型计算了所有测点的风压自功率谱,并通过三参数谱模型对AR模型风压谱进行拟合,然后分别对“未知”斜风向下所有测点的AR模型风压谱和三参数谱模型风压谱进行预测,并在预测AR模型风压谱时,考虑按测点和按频率等两种预测方法。研究表明,对于AR模型谱的预测,两种方法下大部分测点的预测谱与试验谱的平均相关系数都超过0.99,但按测点训练的方法容易出现预测谱整体偏离试验谱的情况,而按频率训练的方法耗时较长但精度更高。而对于三参数谱模型谱预测,谱峰值、峰值频率和高频段衰减斜率等三个参数的预测与试验结果的相关系数分别为0.92、0.95和0.97,而高频段衰减斜率精度不足是导致功率谱均方根误差较大的主要原因。

关键词： 大学英语   写作教学   混合式教学模式   有意义学习理论  

摘要： 随着全球经济的不断发展，英语作为国际语言，越来越成为当代大学生必备的语言技能。而英语写作作为一种语言输出形式，对于大学生来说就更加重要了。但目前大学的英语课时不断压缩，学习时间不足。为了解决这些问题，混合式教学模式被用于大学英语写作教学。混合式教学模式既可以调动学生的学习积极性又能延长学生的学习时间，学生可以利用网络平台进行自主学习。本研究试图回答以下两个问题：　　问题1. 基于有意义学习理论的混合式教学模式对学生的英语写作成绩有什么影响？　　问题2. 基于有意义学习理论的混合式教学模式对学生的学习兴趣有什么影响？　　本研究的对象是辽宁理工学院非英语专业一年级新生，共113人，其中实验班为52人，控制班为61人，为期四个月。实验班的写作教学采用混合式教学模式，而控制班则采用传统的写作教学方法。本次研究采用定量和定性分析相结合的方法，验证混合式教学模式是否对提高学生英语写作成绩，改变学生英语写作态度、增强英语写作信心、提高学生自主学习能力具有积极有效的影响。　　通过本次研究发现，基于有意义学习理论的混合式教学模式对大学英语写作教学具有一定的影响，它不仅能够提高学生的英语写作成绩，使学生对英语写作的态度和兴趣发生转变，写作的内容明显丰富，书面错误也相对减少;学生的自主学习也有明显的提高。

关键词： 高光谱遥感图像   特征提取   图嵌入   切向结构   特征迁移  

摘要： 高光谱图像蕴含着丰富的地物特征信息,不仅保留了图像的空间信息,还获取了高分辨率的光谱信息,可以有效实现多特征融合,挖掘出地物的本征特性,利于对地物的定量分析和精细分类。然而高维度的高光谱图像数据存在着非线性分布、冗余度高等亟需解决的难点。因此,对高光谱图像进行特征提取,以获取有效的低维特征,使得后续分类更为高效且准确,是目前研究的热点。本文利用高光谱遥感图像的多种结构信息进行研究,基于统计理论、流形学习和图嵌入等模型,挖掘高光谱图像的有效特征。相关工作如下:(1)介绍了高光谱遥感技术的发展意义和高光谱遥感数据的优势和难点所在,总结了国内外学者在高光谱遥感数据特征提取方面的研究现状和几种经典理论方法,以及三个数据集和分类评价指标等。(2)提出多结构统一判别嵌入(MUDE)的特征提取算法,利用邻域几何结构、切向仿射结构和高斯统计特性表示高光谱数据中像元及像元间的内在结构,实现不同结构的互补,从而提取更具判别性的特征。最后通过实验证明了该算法能有效提升后续分类性能。(3)提出无监督域自适应切向结构联合特征迁移(UTSJT)的特征提取算法,利用联合分布将源域和目标域之间的特征与分布对齐,通过考虑二者的边缘及条件分布概率,使其差异最小化,从而有效减小其分布偏移,同时考虑了样本间的几何结构,基于切向信息对源域和目标域进行构图,以便在特征迁移过程中保持样本的局部流形结构,从而有效减小源域和目标域之间的几何偏移。最后实验结果表明,该算法利用源域的先验信息获取目标域的有效特征,有效地提升了后续分类的效率和精度。

关键词： 天然气价格   天然气消费量   预测   机器学习  

摘要： 能源是人类社会赖以生存和发展的物质基础,在国民经济中具有特别重要的战略地位。无论在社会、经济还是环境方面,能源对任何国家的可持续发展都是至关重要的。全球超过五分之一的一次能源来自天然气,天然气是一种清洁的化石燃料。价格是重要的市场信号之一,天然气价格的变化必然会对天然气贸易和全球能源市场产生影响。准确预测天然气价格,能够帮助优化决策管理及防范潜在风险,有助于能源规划和监管决策。天然气需求不断增长,其消费水平也是衡量一个国家经济表现的重要标准之一。准确预测天然气消费量,能够促进资源节约利用,有效降低成本,更好地进行生产规划和基础设施建设。因此,对天然气价格和消费量进行准确预测,不仅为有效规划和实施能源政策提供了重要的指导,而且在经济规划、能源投资和环境保护等方面产生深远影响,是实现碳达峰、碳中和目标的一项重要工作。本文以美国天然气市场为研究对象,运用机器学习的研究方法,重点研究天然气价格和消费量的预测问题。本文的主要工作与创新如下:(1)利用一种机器学习方法,即梯度增强机,预测天然气价格。目前该方法在天然气价格预测领域还没有应用。以取暖油价格、原油价格、天然气旋转钻机数、市场产量、消费量、地下存储量和进口量为输入变量,选取了2001年1月至2018年12月的价格时间序列。采用梯度增强机对每日、每周及每月的Henry Hub天然气现货价格数据进行分析。通过对数据实施一系列预处理操作,从日数据、周数据、月数据三个不同的维度,对梯度增强机中的参数进行反复调整。研究表明,以最小二乘为损失函数的梯度增强机预测模型具有较高的预测性能,在天然气价格预测方面具有优势。(2)探讨基于四种机器学习方法(人工神经网络、支持向量机、梯度增强机和高斯过程回归)的天然气价格预测模型。通过模型评估和参数选择,分析和比较这四种代表性的机器学习方法在天然气价格预测中的性能。其中,人工神经网络中选择具有外生输入的非线性自回归模型;支持向量机选择均方根误差小的二次型核函数作为核函数;梯度增强机中采用适合回归模型的最小二乘为损失函数;高斯过程回归选择均方根误差小的平方指数核作为核函数。采用2001年1月至2018年12月Henry Hub天然气现货价格月度数据建立四种预测模型。输入变量为取暖油价格、原油价格、天然气旋转钻机数量、加热度日数量、降温度日数量、市场生产量、消费量、地下储量、进口量和前期天然气价格。实证结果表明,四种机器学习预测方法在预测天然气价格方面都有较好的效果。总体而言,人工神经网络和支持向量机的预测性能要优于梯度增强机和高斯过程回归。其中,人工神经网络的性能明显优于其他方法,而梯度增强机相对较弱,但它可以得到输入变量对天然气价格变化的相对影响。(3)提出一种新的混合模型用于天然气价格预测。该模型将深度学习预测工具和基于压缩感知的去噪技术相结合。首先,将压缩感知去噪作为预处理程序,对天然气现货价格原始数据进行去噪处理,以便提取纯净数据;然后利用强大的深度学习模型对纯净数据进行建模,得到最终的预测结果。以Henry Hub天然气现货价格数据为样本数据的实证研究表明,通过将深度学习和压缩感知两种技术的优势充分结合所构造的混合模型,在水平和方向预测上都优于单一模型,基于压缩感知的去噪可以显著提高深度学习模型的预测能力。(4)研究基于四种机器学习方法(人工神经网络、支持向量机、梯度增强机和高斯过程回归)的天然气消费量预测模型。采用2001年1月至2018年12月美国天然气消费量月度数据建立四种预测模型。以工业生产指数、个人收入、人口、加热度日数、降温度日数、市场生产量、净进口量、净库存提取量、价格和前期天然气消费量为输入变量。还分别对住宅、商业、工业、电力和运输五个行业的天然气消费量进行预测。实证结果表明,四种机器学习预测方法在预测天然气消费量方面均具有较好的效果。总体而言,高斯过程回归和人工神经网络的预测性能要优于支持向量机和梯度增强机。其中,高斯过程回归的性能要略优于其他方法。

关键词： 初中语文   综合性学习   项目式学习   语文核心素养  

摘要： 语文综合性学习是初中语文学习任务群中的重要一部分,主要以语文基础专业知识以及实际应用为学习重点的教学模块,旨在教学过程中培养学生听说读写的运用能力。语文综合性学习模块的教学更加注重听说读写的融合,充分体现了语文综合性学习教学的综合性、语文性、合理性和有效性,能够有效帮助学生对语文知识形成一个较为全面的认知,重点关注学生语文核心素养的培养。随着教育不断改革,越来越多的教师关注到语文综合性学习的重要性,但在实际教学中的效果却不尽人意。因此,如何在有限的时间内提高语文综合性学习的教学质量是当务之急。项目式学习作为一种以学生为学习主体的教学模式,与当前素质教育倡导的教师要鼓励学生自由表达,充分激发学生的问题意识和进取精神,积极倡导自主、合作、探究的学习方式相契合。本研究以课程标准、教材为依据,以项目式学习为视角,探索语文综合性学习的教学方式,运用项目式学习方式提高语文综合性学习模块的教学质量,以期为一线教师提供参考。论文主要包括三个部分的内容。第一部分为绪论。主要介绍了本文的选题背景、研究现状、选题意义、研究思路与方法以及创新点与难点。在相关文献研究的基础上,界定了与语文综合性学习相关的专业术语,并对语文综合性学习以及项目式学习的知识进行梳理。第二部分为正文。主要包含了四个章节的内容,第一章对统编本初中语文教材的语文综合性学习模块内容进行了一个全景式的概述,并且界定了语文综合性学习以及项目式学习的概念。第二章主要采用了问卷调查的形式,对当前语文综合性学习模块的教学情况进行了采样调查,利用问卷调查等方法对目前语文综合性学习的教学模式进行探究。通过对问卷的分析发现,虽然语文综合性学习的教学现状颇有成效,但施行过程中仍旧存在一定的难度,例如,学生兴趣度明显不高,教师教学任务繁重没时间开展综合性学习活动,教师对项目式学习掌握不到位等。因此,在面对当前的初中语文综合性学习的教学现状,可采取项目式学习的教学策略,进一步提高初中语文综合性模块的教学效果。第三章则主要是根据目前语文综合性学习模块以及项目式学习的一系列教学现状,分析其中存在的教学困境,并且深入对教学的设计进行分析研究。第四章则是基于项目式的模式对语文综合性学习模块的内容进一步提出相应的教学策略和教学设计,以此对语文综合性学习模块的教学情况进行完善与优化。第三部分为结语。主要对全文的内容进行一个合理地概括和总结,提出自己在本次研究过程中的不足之处以及对未来研究的展望,以期能够对统编本初中语文综合性学习的理论和实践研究提供一些帮助。

关键词： 目标检测   增量学习   区域卷积神经网络   参数隔离   知识蒸馏   记忆重放  

摘要： 神经网络自提出以来就存在灾难性遗忘问题——用一个在旧任务上训练好的网络参数去学习新任务,会让模型完全失去处理旧任务的能力。这使得深度学习模型的表现依赖于在完整数据集上的大型联合训练,无法从不断到来的数据流中渐进地、增量地学习。尤其是在目标检测任务上,工业和医学应用训练数据的获取需要专业人员耗时漫长的手工标注,很难一步到位。同时还存在因数据版权或数据隐私问题,导致以往积累的旧数据集不可用的情况。已有的目标检测增量学习(icremental Object Detection,iOD)方法仍存在不可忽视的遗忘效应,实践上扩展检测模型能力的方式仍是完全推倒重来。因此,研究面向目标检测的高效增量学习方法十分有必要。本文的主要工作如下:首先,本文从检测结果的独立性出发,首次将基于结构的方法引入iOD研究,提出了一种无需记忆、不同模型间通用的目标检测增量学习框架。该框架为每个增量任务学习独立的检测头,共享特征提取器提高参数效率,引入参数掩码解决特征灵活性不足的问题。本文在主流的区域卷积神经网络模型上实现了提出的框架,其在VOC数据集的iOD实验协议中表现优于现有方法,甚至超越了通常认为的基于结构的方法的性能上界。本文还扩展了参数掩码的分析实验,提出了任务间神经元共享度指标,探讨了神经元激活和图像语义之间的关联。另外,本文分析了当前iOD知识蒸馏方法损失设计的缺陷,提出了一套更高效的区域卷积神经网络增量学习正则化方案。本文针对框分类输出的分布偏移问题,改进了预处理方法;针对框回归输出的监督信息不准确性问题,提出使用对离群点更不敏感的Smooth L1损失。并且本文在iOD问题上首次引入了ROI框特征蒸馏。为和当前方法进行更公平的对比,本文储存少量旧类样本作为记忆,并针对类不平衡问题和新旧类训练区分不足的问题提出了混合重放策略。本文的方案在iOD实验中显著超越了当前基于知识蒸馏和记忆的方法。本文的每个改进都通过消融实验证明了有效性,为未来的iOD知识蒸馏损失设计提供了重要参考。本文从不同思路出发提出了两种增量检测方法,均独立地超越了目标检测类增量学习训练协议上的当前最佳。本文的方法展现出了尚待挖掘的潜力,为面向目标检测的增量学习研究开辟了新的研究路线。在实践中,由于前者屏蔽具体模型结构的设计,其与后者的蒸馏损失及各种训练策略并不冲突,可相互结合以获取更好的检测性能。图24幅,表16个,参考文献95篇

关键词： 拓扑优化   深度学习   轻小型卫星   分步优化  

摘要： 微小卫星子结构的轻量化设计强调低成本快速设计,因此多采用分步优化方法,先进行拓扑优化快速确定构型,再经过尺寸和形状优化确定具体尺寸。传统的拓扑优化方法依赖于耗时的迭代方法,改进拓扑优化设计对提高卫星子结构设计效率有重大意义。本文基于一些深度学习理论在拓扑优化方法上的应用的研究,提出了基于深度学习的二维结构拓扑优化方法,建立了完整的拓扑优化结果图像的预测流程,并根据产生的多种类型边界条件的数据集探讨了网络结构参数的可迁移性,还将预测的构型清晰准确的转化为了有限元模型。本文还研究了针对卫星结构的构型设计与优化方法。首先基于前文产生的迁移参数训练适于卫星模型的训练集,将一些卫星组件转化为二维力学问题,利用训练好的神经网络对其优化结构进行预测,然后针对确定构型的结构做具体的尺寸结构优化,得到了卫星子结构的精细设计模型。针对整星装配体的结构优化,首先是将设计完成的卫星结构组装在整星中,并建立整星的参数化模型,之后通过响应面法构建代理模型进行多目标结构优化,得到了优化后的整星模型。通过以上的研究,将基于深度学习的拓扑优化方法应用在了卫星子结构的构型设计中,大大降低了卫星支撑腿和舱内隔板的质量,提高了这两种子结构的强度,针对卫星装配体的结构优化也降低了36%的质量。

关键词： 土壤质地   空间分布   因素分析   随机森林   分类回归树  

摘要： 【目的】基于历史数据，利用机器学习方法分析宁夏南部土壤质地空间变异规律及其与环境因素之间的关系。【方法】基于宁夏回族自治区南部428个20世纪80年代第二次土壤普查土壤剖面点数据，采用分类回归树（CART）和随机森林（RF）两种机器学习方法，结合地形因子、土壤类型、归一化植被指数，探究与宁夏南部地区土壤质地分布相关性较强的环境因素，并用两种机器学习预测该区土壤质地类型的空间分布，用剖面点验证集数据以及宁夏回族自治区海原县实测样点数据验证模型精度。【结果】（1）RF和CART对剖面点验证集土壤质地类型的预测正确率分别为62.36%、55.29%，接收者操作特性（receiver operating characteristic,ROC）曲线下面积（area under roc curve,AUC）分别为0.7515、0.6933，对海原县122个实测样点的预测正确率分别为54.10%、48.36%,AUC分别为0.6599、0.5981,RF的预测精度高于CART。（2）该区土壤类型（ST）是与土壤质地空间分布相关性最强的环境因素，其次是高程（Ele），高程越高，土壤质地越黏重。风力作用指数（WEI）和坡度（Slo）对土壤质地的影响较小。（3）研究区土壤质地类型以轻壤土为主，空间分布格局基本呈现为南部土壤质地黏重，北部土壤质地较轻。【结论】RF更适合预测宁夏南部地区土壤质地的空间分布，且充分利用历史数据，结合新的野外采样，可以达到预测制图的精度要求；土壤类型（ST）和高程（Ele）是与土壤质地空间分布相关性较强的环境因素。

关键词： 专利分析   异质主题模型   文本表示学习   网络表示学习   层次标签  

摘要： 专利数据是人们在生产和科研活动中发明创造的技术信息的集合,可以反映各技术领域中的最新技术动向和发展趋势,是促进自主创新和提高国家竞争能力的战略性信息资源。专利数据不仅包含技术描述文本,还包含发明人、申请人、专利引用及层次标签等信息,丰富的数据种类体现专利数据的异质特性。大多专利分析方法面临大数据学习问题,需要利用表示学习方法,实现对信息的压缩和融合。对专利数据进行表示学习,旨在研究专利文本及其多种异质信息,利用表示学习方法将专利数据转化为低维稠密的向量表示,充分挖掘战略竞争情报,具有较强的理论意义和应用价值。 现有的面向专利数据的表示学习方法多针对专利文本进行研究,但专利文本通常具有很强的专业性和创新性,多义词和同义词极大地影响表示学习效果;同时专利数据为具有异质特性的半结构化数据,现有方法未充分利用其异质信息,难以适应其复杂的数据结构。本文综合考虑专利数据的异质特性,首先针对专利文本表示中存在的多义词词义辨析和同义词词义关联问题,研究融合文本、发明人、申请人的专利表示学习方法;其次,分析专利引文和层次标签所体现的专利数据在结构和文本语义上的关联关系,研究融合文本、引用关系、层次标签的专利表示学习方法。本文的主要贡献如下: 1.提出融合异质主题模型和词嵌入的专利文本表示方法(HTW)。该方法利用专利数据的异质特性,构建融合专利文本、发明人和申请人的异质主题模型,以发明人、申请人的领域信息区别多义词在不同专利中的词义,引入词嵌入增强对同义词的语义关联。将模型应用于专利推荐任务,实验结果及案例分析表明HTW模型获取的专利文本表示能有效学习同义词和多义词的语义信息,提高专利推荐任务的精确度。 2.提出融合层次标签的专利属性网络表示学习方法,生成融合文本、引用关系、层次标签的专利表示。首先尝试将层次标签信息融入网络嵌入中,提出层次标签增强的属性网络嵌入框架(HLANE),以现有的网络嵌入方法获取初始化专利表示,通过标签-属性注意力层建模标签层之间的关联关系,指导专利在不同层次的学习,生成多层次的专利表示;其次,在HLANE基础上,深入研究联合学习和数据分布不平衡问题,提出融合层次标签分布的专利属性网络嵌入(HANS),通过构建有向层次结构编码器,对标签依赖关系建模,拟合层次标签分布,再构建基于注意力的融合模块来实现层次标签和网络结构的联合学习。实验表明本文提出的方法能够利用层次标签信息强化专利表示。