关键词： 青少年   自杀未遂   非自杀性自伤   风险因素   机器学习   预警   青少年   自杀未遂   非自杀性自伤   机器学习   预警   青少年   自杀未遂   非自杀性自伤   自杀未遂   非自杀性自伤行为   评价   青少年   预警  

摘要： 第一部分青少年自杀自伤行为的流行病学特征及影响因素研究目的:调查青少年自杀自伤行为的流行病学特征及其影响因素。方法:采用分层整群随机抽样的方法,调查重庆市高中一、二年级学生的心理健康状况,将参与的学校每个年级30%的人数抽样,以班级为单位,共抽取20个中学22284名16-20岁学生。问卷内容包括:一般人口学资料、人格特征筛查(艾森克个性问卷、Barratt冲动性量表、Buss和Perry攻击问卷)、近期心理健康水平筛查、近期生命质量筛查、近期健康危险行为筛查以及自杀自伤意念及行为筛查。采用描述性统计分析、独立样本t检验和卡方检验(必要时Fisher精确概率检验)等统计方法,P<0.05视为具有统计学显著性。结果:近1年有时或经常觉得活着没意思、自己死了或许更好、想过自杀自伤的青少年比例分别为19.6%、12.9%以及7.2%。最近1个月内有时或经常想过自杀自伤的青少年比例为5.1%。至少采取过1次自杀自伤行为的青少年比例为2.7%。最近1个月内身体状况、精神心理健康状况、经济状况、学习状况差或非常差的青少年比例分别为4.5%、7.2%、13.1%以及13.9%。最近1个月内与家人或其他人关系差或非常差的青少年比例分别为4.4%和2.8%。女性、城市、最近12个月和1个月内有自杀自伤意念、最近1个月内身体与心理健康状况、经济、学习情况以及人际关系较差的青少年更容易出现自杀自伤行为。最近1个月失眠、吸烟、饮酒、赌博,以及因饮酒、心理问题或身体问题影响生活时间越久的青少年越容易出现自杀自伤行为。P分、N分、E分、冲动性、攻击性人格特质分数高的青少年更多出现自杀自伤行为。SCL-90总分及其分量表均值分高的青少年更多出现自杀自伤行为。结论:青少年自杀自伤行为与性别、家庭所在地、人格、近期的生命质量、近期心理健康水平、近期健康危险行为等密切相关。未来应当多借鉴国外成熟的以社区和学校为主体的青少年自杀自伤行为预防干预的经验,结合我国国情,为以家庭为主体的青少年自杀自伤行为防护提供更多资源。第二部分机器学习方法预警青少年期自杀自伤行为目的:利用机器学习方法构建青少年期自杀自伤行为预警模型。方法:采用分层整群随机抽样的方法,调查重庆市高中一、二年级学生的心理健康状况,将参与的学校按每个年级30%的人数抽样,以班级为单位,最终获得有效问卷22284份。筛选性别、居住地、EPQ人格、冲动性人格和攻击性人格等共16个特征。采用SPSS 26.0软件进行逻辑回归分析,检验水准为0.05。利用支持向量机、随机森林、决策树、极端梯度增强以及Bagging决策树分类器5种机器学习方法构建青少年期自杀自伤行为预警模型,采用敏感性和特异性评价模型的性能。结果:逻辑回归分析显示城市、女孩、高神经质和精神质、高无计划冲动性、高身体攻击性和高指向自我的攻击性是青少年期自杀自伤行为的风险因素。5种机器学习算法构建青少年自杀自伤行为预警模型,特异性介于35.5%-84.7%,敏感性介于39.2%-82.8%。综合来看,随机森林和Bagging决策树分类器在青少年期自杀自伤行为的预警模型构建中表现较好。青少年期自杀自伤行为预警模型前5个最重要特征依次为:行为冲动性、精神质、指向自我的攻击性、语言攻击性和敌意。结论:机器学习方法用于构建青少年期自杀自伤行为预警模型性能较好,人格特征比其他状态的心理症状和精神障碍具有提供更可靠、更具预测性的信息的潜力,对于青少年期出现的自杀自伤行为应采取综合性的预防策略。第三部分机器学习方法预警青少年12个月内自杀自伤行为目的:利用机器学习方法构建青少年12个月内自杀自伤行为预警模型。方法:利用分层整群随机抽样,抽取中学、职高以及大学的一、二年级学生共182836人。建立队列,第2年同一时间段对同一批人群进行复测,最终收集参与两次测试共25767人。选取年龄、近期心理健康水平、近期生命质量、近期健康危险行为以及自杀自伤意念共22个特征。采用SPSS 26.0软件进行逻辑回归分析,检验水准为0.05。利用支持向量机、随机森林、决策树、极端梯度增强以及Bagging决策树分类器5种机器学习方法构建青少年12个月内自杀自伤行为预警模型,采用敏感性和特异性评价模型性能。结果:在第二年筛查中发现12个月内新出现自杀自伤行为的青少年共58人,发病率为0.23%。12个月内有和没有自杀自伤行为的青少年在年龄、吸烟、网络成瘾、躯体化、强迫、人际关系敏感、抑郁、焦虑、敌对、恐怖、偏执、精神病性以及其他(食欲、睡眠)等方面有统计学上的差异(P<0.05)。逻辑回归分析显示最近30天吸烟天数多、敌对、年龄小、近1年觉得活着没意思、最近1个月有消极观念是青少年12个月内出现自杀自伤行为的风险因素。5种机器学习算法构建青少年12个月内自杀自伤行为的预警模型,特异性介

关键词： 小样本学习   机器学习   视觉词典   局部特征   度量学习  

摘要： 机器学习是对人类学习过程的一种模拟。人类能够利用少量样本学习总结事物的本质规律,但是机器学习却需要大量高质量样本来寻找数据间的规律,总结出分类判断的规则。在实际工作中,样本采集困难、标注代价昂贵,机器常常无法获得足量的样本数据。因此,研究在小样本条件下让机器快速学习的方法,具有较强的理论意义与应用价值。小样本学习问题的核心是数据量少,参数假设空间大,生成的样本特征表示无法充分表示类别信息且包含了大量的无效信息及噪声。目前的小样本学习方法大多采用辅助训练集作为先验知识压缩参数假设空间,但是由于任务样本数量过少,训练得到的特征提取器仍然缺乏任务针对性,难以直接提取到样本整体类别特征。因此,文章针对样本特征提取表示困难和噪声干扰多的问题,提出了解决方案。本文的主要研究内容如下:首先,很多小样本学习方法采用图像级别的紧凑表征,无法全面地表示类别信息。对此,我们提出了一种基于视觉词典的特征表示方法。为了充分利用神经网络提取特征的能力,同时降低小样本局部特征描述子分布不均衡的影响,使用神经网络提取局部的深层语义信息,然后结合深度哈希方法,构建了一个端到端的词典训练生成网络。利用融合的局部特征来充分地表示图像整体特征信息。这种方法用记忆中的局部特征表示新样本,规避了直接提取样本整体类别特征的难题,并且与分类模型结合时能有效地缩减参数假设空间。其次,许多小样本学习方法在分类时平等地看待每个从样本中提取到的特征信息,然而不同特征对于不同类别样本的类别特征表示贡献不同。因此我们提出了一种基于关键特征的小样本学习方法。依据小样本局部特征词汇的分布特点,对词频进行统计分析,调整每个局部特征的权重,使得模型尽可能地忽略无效信息、关注关键特征,从而加强模型对关键特征的建模能力。在标准数据集mini Image Net以及CUB上进行了实验,本文提出的特征表示方法可以生成具有类别区分度的特征表示,提出的基于关键局部特征的小样本学习算法与同类方法相比有效地提高了小样本条件下分类任务的准确率。此外,设计了消融实验和一些补充实验,验证了网络各部分的设计的有效性和合理性。

关键词： 知识图谱   表示学习   不确定性   推荐系统   问答系统  

摘要： 知识图谱是现代人工智能的核心基础设施,随着人工智能的迅速发展,各种知识图谱被构建出来。与此同时,由于存在着难以去除的噪声与错误等不确定因素,使得知识表达难以完备化,知识图谱中出现了不确定信息。传统的知识图谱表示学习方法不能满足不确定知识图谱的表示及应用需求。因此,带有不确定信息的知识表示学习成为一项紧迫又富有挑战的任务。论文从不确定性知识图谱表示学习模型入手,通过对不确定知识图谱表示学习模型中的得分函数、损失函数和链接预测等关键技术进行深入研究,为不确知识性图谱表示学习模型的构建提供理论基础。然后,基于改进的不确定性知识图谱表示学习模型,研究并开发了具有推荐和问答功能的应用系统,为进一步开展不确定性知识图谱应用研究奠定基础。具体研究工作包括以下几个方面:(1)构建了一个开放的不确定知识表示学习工具集OpenUKGE。为解决知识图谱中不确定性信息表示,研究并修改了经典的确定性知识图谱表示学习模型,开发了 OpenUKGE工具集,对各种不确定知识图谱表示学习模型统一管理,支持快速模型验证。实验结果表明,该工具集中的表示学习算法可以解决不确定性知识表示问题。(2)提出了一种基于多关系推理的不确定知识图谱表示学习模型UDConEx。对OpenUKGE工具集中UKGE模型和UComplEx模型进一步优化,通过卷积神经网络,提取知识图谱三元组特征信息,设计了UDConEx模型。实验表明该模型在不确定性知识图谱表示学习的链接预测任务中,获得了最好的效果,能够对知识图谱中的多种逻辑关系进行较好的建模。(3)实现了基于不确定性知识图谱的推荐模型和问答模型。推荐系统中以两个确定性知识图谱表示学习推荐模型为基础,将BookCrossing数据集信息中用户与用户之间行为相似度、书籍与书籍之间的风格相似度、用户对书籍的可能喜好程度这三种关系当作不确定知识图谱信息,运用UDConEx模型对推荐系统模型进行辅助增强,获得了两个不确定知识图谱表示学习的推荐模型。问答模型以BERT+BiLSTM+CRF作为命名实体识别,BERT作为属性映射(关系识别)分类任务,最后将获得的实体和关系属性通过UDConEx模型进行不确定知识图谱的链接预测任务,推断出其答案信息。(4)开发了一个不确定性知识图谱表示学习应用系统。应用基于不确定知识图谱表示学习方法的推荐模型与问答模型,设计并实现了一个不确定性知识图谱表示学习的智能图书推荐系统。系统中使用了基于Python的轻量级Web框架Flask,前端采用了 HTML及Bootstrap 网页框架技术,Neo4j的可视化实现使用D3js技术,数据库采取Neo4j和MySQL。该系统能处理不确定性信息,实现了智能推荐图书的功能。

关键词： 多轴循环变形   多轴疲劳   寿命预测   深度学习   数据增强   316L不锈钢  

摘要： 化工换热器、核电管道等承压结构在服役期间因工况变化容易承受多轴疲劳损伤,从而影响结构完整性和服役安全,因此对材料的循环机械性能有着较高的要求。随着研究数据的累积和研究问题的日益复杂,采用深度学习方法进行材料循环变形和疲劳损伤预测能够有效提升工作效率和预测精度,更好地保障过程装备结构完整性。因此本研究具有重要的理论意义和工程应用价值。 本文以压力容器和管道中常用的316L不锈钢为对象,研究了带有注意力机制的Transformer模型在长周期下材料多轴循环变形行为监测中的预测效果。通过采用线性卷积层特征嵌入编码的方式,有效降低了模型的计算成本。对316L不锈钢在长循环周期下的循环硬化行为和多轴路径下的非比例强化行为进行了准确预测,与实验结果吻合良好。 提出了基于全卷积网络结构和门控神经网络结构的多模态特征融合模型,通过晶体塑性有限元计算结果进行充分训练,实现了对316L不锈钢不同晶粒取向条件下单调拉伸和单轴循环加载过程中局部响应的快速准确预测,并通过引入残差连接结构提升了模型的预测效果。 提出了基于材料滞环图像的多轴疲劳寿命预测评估方法,通过316L不锈钢多轴疲劳数据训练,具有3层卷积结构的神经网络模型表现出了最佳预测效果。在冻结前2层卷积权重的情况下,316L不锈钢预训练模型成功迁移至其他多种材料的多轴寿命预测中,且预测结果都基本位于1.5倍分散带内。通过回归激活图和积分梯度法两种方法,对卷积神经网络的预测过程进行了可视化解释。 针对机器学习算法在多轴疲劳寿命预测评估中面临的数据量不足,本文提出了结合傅里叶变换和生成对抗网络的循环生成对抗网络(c GAN)模型。通过材料应力应变滞环和疲劳寿命训练,以及一系列基于先验物理知识的筛选过程,可以快速得到大批量的多轴疲劳增强数据。在增强数据的帮助下,以人工神经网络(ANN)为代表的四种机器学习算法的预测效果都得到显著提升。相比于无数据增强情况,预测结果的均方根误差(RMSE)值最多降低了91.2%,且平均相对误差最大可从126.05%降低至21.43%。

关键词： 多任务学习   混合训练   梯度优化   混合共享   网络剪枝  

摘要： 多任务学习作为深度学习的一个分支,得到了广泛关注与深入研究,但由于目前对任务的相似性、关系、层次性等的理解非常有限,使得深度多任务学习神经网络区分任务困难;其次,深度多任务学习神经网络的结构由一般的层参数共享逐渐演变到具体层之间的连接和切换,愈加复杂。因此,针对上述问题,提出基于混合共享与网络优化的多任务学习方法。主要工作如下:（1）针对网络区分任务困难的问题,提出多任务混合学习方法。首先,无需区分不同任务,将多任务训练数据一同送入网络进行混合训练,所有任务共用一个损失函数,前一次训练所得的网络共享层参数作为下次训练的共享层初始化参数;然后,根据不同共享层提取特征的差异和任务在深层梯度变化的不同,调节相应的神经元激活值,进一步优化网络参数,并有利于解决多任务训练过程中数据的非平衡问题。（2）针对多任务学习的特征提取和网络结构复杂难题,提出了参数混合共享网络及其多任务学习方法。首先,依据硬参数共享网络混合训练方法和影响因子权重分析方法,提出任务相似度分组策略;然后,对组内、组间的任务分别应用硬、软参数共享,并给出参数混合共享网络及其相应训练方法。该方法充分发挥了硬、软参数共享机制的优点,较好地刻画了任务的共享与私有特征,提升了多任务学习网络的性能。（3）针对多任务学习神经网络因其任务量、计算量以及存储资源的需求,难以在计算资源有限的设备或平台上部署的问题,提出了一种基于梯度结合影响因子权重分析的多任务学习网络剪枝方法。首先,根据给定的数据集,采用无需区分不同任务的混合训练方法训练多任务学习网络,在获得网络参数的同时可以有效去除由数据带来的网络偏向性;其次,根据影响因子权重分析方法计算不同任务在网络中的梯度变化差异,据此确定其中可以表征全部任务的关键神经元;最后,基于综合分析,剪去多任务学习网络中所有任务的冗余神经元及其连边,从而达到简化网络结构、降低资源消耗、并提高网络计算效率和泛化能力的目的。为检验上述多任务学习混合训练方法、硬软参数混合共享网络结构与相应的训练策略,以及梯度结合影响因子权重分析的网络剪枝方法,选用UCI公开数据集中的鸢尾花和天平秤数据以及MNIST数据集进行实验,并与主流的多任务学习方法进行对比分析,验证了基于混合共享与网络优化的多任务学习方法的有效性。

关键词： 随机预测巡航控制   高斯过程   贝叶斯优化   多目标优化   参数自学习  

摘要： 车辆自适应巡航控制(Adaptive cruise control,ACC)系统是车辆高级辅助驾驶系统的重要组成部分,能够减轻驾驶员负担,提高驾驶安全性,对于燃油经济性也有一定的改善作用。随着无线通信、物联网、人工智能等先进技术的应用,车辆智能化和网联化程度不断加深,在行驶过程中能够获取多层次、多尺度的交通网联信息。在智能网联的背景下,基于ACC基础的预测巡航控制(Predictive cruise control,PCC)系统迎来了发展机遇。基于丰富的交通网联信息,PCC能够对前车车速、道路坡度等前方交通动态进行预测,并利用参考预测信息为驾驶性能的进一步优化提供了可能。然而,目前针对PCC的研究面临一些挑战:(1)如何有效利用网联信息对交通动态进行预测,并考虑预测信息的随机性和不确定性,是亟待解决的问题。(2)如何利用考虑不确定性的预测信息和交通网联信息,设计兼顾跟踪性能、舒适性和经济性等多目标的预测巡航控制器,又是一个难题。(3)如何对预测巡航控制器中的参数进行优化以进一步挖掘控制器性能,也是预测巡航控制器设计过程中需要解决的重要问题。本文针对上述挑战,瞄准智能网联时代下的车辆预测巡航控制展开研究,主要研究内容如下:(1)针对PCC系统的参考信息预测问题,提出基于高斯过程的前车车速预测方法,能够得到相对准确的车速预测值和量化不确定性的预测置信区间,并采用了分形布朗运动核函数以提高预测准确性。在验证其准确性的基础上,基于硬件仿真平台验证了该预测方法的车载实时可行性,证明了其在实车中的应用潜力。(2)针对网联环境下车辆巡航行驶过程中的多目标控制问题,提出一种随机模型预测控制方法,综合利用前车预测车速的概率分布信息完成了考虑预测不确定性的随机预测巡航控制器设计,通过仿真验证了所设计控制器的有效性。(3)针对预测巡航控制器的参数优化整定问题,提出了一种基于贝叶斯优化的控制器参数自学习方法,在模型预测控制框架下实现了对多目标优化函数的权重系数的快速优化整定。在此基础上开发了一种基于工况辨识的变权重系数自学习方法,使控制器能适应不同驾驶场景,最后通过仿真验证了该方法的有效性。

关键词： 微表情识别   深度学习   双流卷积神经网络   数据增强   注意力机制  

摘要： 与普通的面部表情不同,微表情是一种自发且无意识的面部运动,它无法被刻意抑制和隐藏,能够展现人内心的真实情感。现有公开微表情数据库的样本量很少,这会导致深度学习方法应用在微表情识别任务时容易出现过拟合问题,此外由于微表情具有持续时间短、脸部肌肉变化幅度小的特性,现有的微表情识别方法很难有效地提取到微表情的鉴别性特征,从而导致识别准确率不高。针对上述问题,本文研究了用于微表情识别的鉴别性特征学习方法,主要研究工作如下:（1）为了降低微表情分类任务的计算量以及解决微表情数据库样本不足的问题,提出了一种基于双流卷积神经网络的微表情识别方法。该方法首先对微表情样本采用不同放大因子的欧拉视频放大算法进行预处理,一方面扩充了样本量,另一方面放大了不同类别微表情之间的特征差异,然后构建了双流卷积神经网络模型,接着将微表情视频序列的峰值帧图像和光流图（计算起始帧和峰值帧之间的光流信息得出）分别输入到模型的空间流支路和时间流支路对其进行训练,最后利用训练好的模型进行微表情识别。该方法兼顾了微表情空间上的外观信息和时间上的光流信息,能够使模型有效地学习微表情的时空特征,并且只使用了微表情视频序列的起始帧和峰值帧,降低了微表情分类任务的计算量。实验结果表明,该微表情识别方法在微表情数据库SMIC和CASME II上的识别准确率分别达到67.07%和72.72%。（2）为了解决微表情识别模型在训练阶段无法充分全面地学习到脸部各个区域的鉴别性特征问题,提出了一种带有辅助类别标签的微表情样本合成方法。针对某个微表情峰值帧样本,选取同一个实验个体但不同于其类别的另一个峰值帧图像,裁剪得到眼睛、嘴巴区域的图像块,并用裁剪得到的图像块替换原来峰值帧图像的对应区域得到合成图像,其对应的合成光流图也以同样的方式得到。利用这种方式合成的样本带有两个类别不同的标签,一个是眼睛、嘴巴区域所属的辅助类别标签,另一个是非眼睛、嘴巴区域原有的类别标签,将这种带有辅助类别标签的微表情合成样本输入到模型中进行多标签训练,训练时利用定义的损失函数能促进模型不仅仅只关注脸部变化相交明显的特定区域（嘴巴、眼睛区域）,还关注一些脸部变化不明显的区域（非嘴巴、眼睛区域）,从而使其充分全面地学习到脸部各个区域的鉴别性特征进而提升模型的识别准确率。实验结果表明使用该方法后,在微表情数据库SMIC和CASME II上准确率分别提升了3.05%和3.49%。（3）为了使微表情识别模型更加关注脸部鉴别性特征强的区域以及解决双流卷积神经网络两个支路提取特征相对独立的问题,提出了类激活图注意力机制。增加了类激活图注意力机制后的双流卷积神经网络,其空间流支路和时间流支路不再相互独立,空间流支路产生类激活图,利用此激活图对时间流支路的输入进行注意力增强,空间流支路所产生的类激活图表明峰值帧图像中哪些区域的微表情特征是鉴别性强的,为了让模型在光流图上也能关注这些鉴别性特征强的区域,利用类激活图对时间流支路的输入进行注意力增强。类激活图是空间流支路产生的先验知识,时间流支路有了先验知识的信息补充增强了模型对时空鉴别性特征的学习能力,从而进一步提升微表情识别准确率。实验表明利用带有辅助类别标签的微表情合成样本训练该网络,再用训练好的模型进行微表情识别,最终在微表情数据库SMIC和CASME II上准确率分别达到71.95%和78.63%。

关键词： 深度多任务学习   复合卷积   知识共享   注意力机制   短路连接  

摘要： 多任务学习的本质是在深度学习的背景下,通过关联任务间的共同训练来得到合理的知识共享结构,从而进行有效的特征表达。多任务学习的核心在于同时优化多个目标函数,对不同任务间提取到的特征信息做一个归纳偏置。在多任务学习方法研究过程当中,本文注意到该领域内存在以下两个问题:首先,已有的多任务学习方法大多是预定义网络训练结构,而这种固化地给出训练任务之间的先验性知识共享结构只适用于某些特定的应用场景,局限性较强;其次,在简单的深度学习任务场景下,引入融合层数过多将导致深层网络梯度消失,然而目前该领域内能够解决此类问题的方法较少。针对上述问题,本文首先提出了一种基于注意力机制的多任务学习方法,该方法的创新在于结合了空间注意力和通道注意力,使注意力机制不再仅仅关注单任务,而更多关注于多任务的联合特征表达,并且通过基于联合特征的注意力机制训练过程,能够很好地提取知识共享信息,最大程度地避免知识负迁移的问题,提升模型泛化性能。其次,本文在提出的深度多任务学习方法之上引入单路连接,将浅层特征传递到深层网络中,使得任务自身的关键特征得以正常表达。最后,本文通过在三个公开数据集上进行对比实验,验证了本文提出方法的有效性。

关键词： 研究生   意义学习   实践创新能力  

摘要： 罗杰斯在20世纪50年代提出“意义学习”理论，阐述了“意义学习”理论的重要性，对我国教育工作者汲取教育经验及深化我国教育教学改革大有裨益，同时也对我国高校培养研究生实践创新能力工作极有借鉴价值。本文在深入分析罗杰斯“意义学习”理论的基础上，重点阐述其对研究生实践创新能力培养的启示。