关键词： 中职体校语文教学   “语文学习方法”板块   教学策略  

摘要： 语文是中职体校学生文化课中涉及内容十分广泛、全面的学科,语文的学习可以在很大程度上提升学生的综合能力。找到一套行之有效的方法来提升体校学生语文学习的兴趣,进而提高学生的语文能力与水平,这不仅对于运动员个人的发展大有裨益,也对国家体育事业的推进、职业教育的发展有积极作用。论文以湖南省体校为例,对中职体校“语文学习方法”板块的教学展开深入研究,提出相应的教学策略并进行效度检验。论文共分为四个部分。第一部分为绪论,介绍本研究的相关政策背景,对已有的相关研究进行述评;全面分析“语文学习方法”板块与中职语文课程标准、中职语文教材以及中职体校学生的关系。通过分析可知,“语文学习方法”板块的内容一方面紧密贴合《中等职业学校语文课程标准》,另一方面也是中职语文教材的有机组成部分。同时,“语文学习方法”板块的学习符合中职体校学生个人发展的需求。第二部分展示论文中的调研过程及结果。为了全面了解湖南省体校中职语文教学情况,尤其是“语文学习方法”板块的教学情况,论文对湖南省体校中职一、二年级的师生进行了调查研究。调研结果表明,中职体校语文教学中存在的问题有:“语文学习方法”板块教学缺位,学生没有掌握正确的语文学习方法;课堂内容和形式不符学生客观情况要求,致使教学内容无法顺利开展;学生基础差,课堂内容受到学生能力限制;体育训练耗费精力,语文学习上多数学生力不从心。第三部分针对“语文学习方法”板块提出教学策略,分别是:模块式教学,注重知识与运用的衔接;规律性复习,强化记忆直至熟练运用;绘制思维导图,辅助记忆并搭建知识框架。第四部分是教学策略的效度检验的过程与结果。效度检验的方式是为期三个月的教学实验,实验包括前测、后测与测试中观察多个评价方式。效度检验的结果表明“语文学习方法”板块的教学策略可以提高中职体校语文的教学效果。本研究是对中职体校语文教学实践的进一步探索,通过将“语文学习方法”板块全面引入中职体校的语文教学,为教学中存在的问题提供新的解决方案,并帮助中职体校语文教师改进教学方式与评价方式。

关键词： CO2提高采收率   机器学习   最小混相压力   模型验证   细管实验  

摘要： 注CO驱油既可以封存CO又可以提高油气采收率,因此,该方法受到了业内学者的广泛关注与重视。而混相驱油和非混相驱油的驱油效率差距极大,所以,决定驱油过程能否混相的最小混相压力（MMP）参数就变得尤为关键。常规细管实验确定MMP虽然准确,但测试效率较低;现有经验公式大多精度不高,局限性较大。机器学习的方法由于其方便、快捷、准确的特性,是用于预测MMP的最优方法之一。但是目前基于机器学习方法的研究大多存在输入因素筛选不充分、模型验证不充分等问题。因此,为了证明并解决这些问题,本文基于147组MMP数据,从主控因素筛选、模型建立、模型验证和模型应用的角度进行了MMP预测模型的研究工作:（1）本文在主控因素筛选方面首先采用灰色关联、皮尔森相关系数、肯德尔相关系数、斯皮尔曼相关系数、方差特征法、单变量线性回归法和树筛选等方法进行主控因素的筛选和评价,证明目前研究中主控因素筛选方式存在缺陷。在正负相关性方面,T、X、MWC、F、F和F参数与MMP呈正相关变化关系,X、X和F参数与MMP呈负相关变化关系。相关性排序从大到小依次是,T、X、Xc～c、F、MWC、Xc、F、F和F。（2）基于支持向量机、神经网络、普通最小二乘、随机梯度下降、决策树、随机森林、贝叶斯、最近邻等八种常见的机器学习算法进行模型的建立工作。采用常规的预测精度验证法验证八个模型,均取得良好评价效果。分别采用学习曲线法和单因素控制变量分析法进行额外的验证工作。学习曲线验证法筛选出了决策树、随机森林、最近邻三个过拟合模型。单因素控制变量分析法又筛选出支持向量机、随机梯度下降两个额外的缺陷模型,证明目前的模型验证方法的不可靠,需要结合更多模型验证方法。（3）筛选出普通最小二乘、贝叶斯回归和神经网络三个最优化的预测模型,训练集和测试集数据的平均相对误差在5.4%左右。结合实际需求,对比细管实验测量结果,实际应用中相对误差小于4.1%,要优于其余模型。

关键词： 土壤湿度   降尺度   集成学习   干旱监测  

摘要： 土壤湿度是陆地生态系统水循环和能量收支的关键参数,陆面数据同化系统可获得时空连续的土壤湿度数据,但由于空间分辨率较低限制了进一步应用。为此,本文基于中国气象局陆面数据同化系统（CLDAS-V2.0）土壤湿度数据,分析了华北地区2019年不同深度（0～10、10～40和40～100 cm）土壤湿度的时空分布特征,以0～10 cm土壤湿度为代表层,引入了最大信息系数和灰色关联度分析法,客观量化降尺度因子对土壤湿度的影响。在此基础上,优选影响较高的降尺度因子。采用梯度提升机、深度前馈神经网络、随机森林以及基于Stacking集成学习的四种方法,构建0～10 cm土壤湿度降尺度模型,使其空间分辨率从6 km降尺度至1 km,利用站点观测数据对降尺度结果进行精度评价与分析,并对降尺度前后数据计算的土壤相对湿度和河南典型区干旱情况监测开展了应用比较研究,主要结论如下:（1）从时间上看,华北地区0～10 cm土壤湿度的分布具有十分显著的年变化。随着土层的增加,曲线波动趋势逐渐趋于平滑。从空间上看,各层土壤湿度均呈现出东高西低、南高北低的空间分布特征。研究引入了最大信息系数和灰色关联度分析法,客观量化降尺度因子对0～10 cm土壤湿度的影响,综合相关系数、最大信息系数和灰色关联度分析法结果,结合华北地区的实际区位情况,研究选择地表温度（LST）、地表反照率（Albedo）、高程（DEM）、土壤质地（Clay,Silt,Sand）、归一化差异水体指数（NDWI）作为土壤湿度降尺度的降尺度因子。（2）在华北地区,梯度提升机、深度前馈神经网络、随机森林以及基于Stacking集成学习等的四种土壤湿度降尺度结果,与原土壤湿度的空间分布具有相似规律,南部和沿海区域土壤湿度较高,中部和北部土壤湿度较低,平均土壤湿度均达到0.2 m3/m3以上。四种不同降尺度方法均有效提高了CLDAS土壤湿度产品的空间分辨率和精度,这可能是与降尺度模型输入参数中还包括部分站点土壤湿度信息,降尺度过程具有同化作用,使得降尺度同时进一步提高数据精度。四种方法绝对偏差均小于CLDAS产品,一定程度上改善高估现象。降尺度土壤湿度的精度高低依次是Stacking集成学习方法、随机森林、深度前馈神经网络、梯度提升机。原土壤湿度和四种不同降尺度方法的降尺度结果均能较好的体现土壤湿度的日变化特征,但大多数日次原土壤湿度存在高估现象,四种降尺度结果存在一定程度上的低估。整体上,Stacking集成学习方法最优,与原土壤湿度相比,相关系数平均提高0.13,误差和偏差也有所降低。（3）研究利用站点观测数据,分析了降尺度前后数据计算的土壤相对湿度的差异,从空间分布上来看,CLDAS＿Rsm（Rsm,Relative soil moisture）和Stacking＿Rsm均呈现出从东向西降低的趋势,平均土壤相对湿度Stacking＿Rsm比CLDAS＿Rsm降低8%。Stacking＿Rsm有效改善了西部和北部地区的均方根误差较大的站点。从时间序列来看,CLDAS＿Rsm和Stacking＿Rsm与观测日均值的整体曲线变化趋势和波动频率较为一致,但CLDAS＿Rsm整体偏高。Stacking＿Rsm相关系数整体平均提升0.087,均方根误差均低于CLDAS＿Rsm,偏差整体降低了0.094。在月尺度变化中Stacking＿Rsm在相关系数、均方根误差和偏差三种指标均优于CLDAS＿Rsm。（4）研究分析比较了2019年4～10月河南省干旱分布特征,CLDAS＿Rsm偏干地区分布范围明显小于观测值和Stacking＿Rsm,Stacking＿Rsm与观测值空间变化趋势保持基本一致的的同时,其空间分布细节更为丰富。旬尺度下华北地区中部干旱频率低,四周干旱频率高,干旱频发中心主要位居河南省的南阳、驻马店和周口等地,以及河北省张家口地区和承德北部。轻旱的发生频率明显高于其他三个等级,各个等级干旱均有发生。结合旬尺度下干旱强度空间分布可知,华北地区的东北部、中部、东部以及西南和东南局部地区干旱较为频繁,但重旱和特旱较少发生,因而旱情强度为轻旱;河南省南部、河北省西部以及北部地区,干旱频发,且旱情基本为轻旱—中旱,并伴有小范围的重旱及以上。

关键词： 判别分析字典学习   判别分析-综合字典对学习   字典学习   图像分类  

摘要： 近年来,判别综合字典学习模型、判别分析字典学习模型和判别分析-综合字典对学习模型被广泛应用于图像分类任务中,并取得了较高的分类精度。然而,在判别分析字典学习中,如何学习一个更紧凑的、判别力更强的分析字典,使训练样本的编码系数矩阵呈现更具判别力的块对角结构,仍是一个颇具挑战性的问题。此外,在判别分析-综合字典学习中,如何更灵活地利用样本局部结构信息来增强分析-综合字典对的表示力和判别力还有待进一步探究。针对以上问题,本文在判别分析字典学习和判别分析-综合字典对学习模型下做出了深入系统地研究。主要研究内容概括如下:（1）为了保证编码系数呈现更具判别力的块对角结构,增强分析字典的判别力,提出一种自消除判别分析字典学习方法（SeDADL）。具体地,首先设计了一个新的分析字典正则化项,在防止平凡解产生的同时,消除分析字典中存在的重复原子和线性相关原子,从而获得判别力更强的分析字典;然后,设计了一个自消除编码系数约束项,促使编码系数呈现理想的块对角结构,从而提升了编码系数的判别力;最后,引入一个线性分类误差项,通过构建分析编码系数与样本类别标签之间的联系来学习一个线性分类器,提升模型的分类效率和精度。此外,针对SeDADL目标函数的优化求解,设计了一种有效的迭代算法。（2）为了更加充分地利用样本结构化信息和局部结构信息,增强分析字典判别力,提出一种联合结构化约束的判别分析字典学习方法（JSCDADL）。具体地,首先设计了一个自适应局部结构保持项,通过自适应地传递样本的局部结构信息,以确保在分析字典的作用下,同类的样本具有相似的编码系数,从而增强了分析字典的判别力;然后,设计了一个判别稀疏编码误差项,促使训练样本在分析字典作用下获得的编码系数矩阵呈现理想的块对角结构;最后,设计了一个分析字典联合项,通过不断地逼近所学习到的两个分析字典,从而获得一个同时具有样本局部结构信息和结构化信息的分析字典,进一步提升了分析字典的判别力。此外,针对JSCDADL目标函数的优化求解,设计了一种有效的迭代算法。（3）为了更加灵活地利用样本局部结构信息,增强字典对的判别力和表示力,提出一种自适应结构化分析-综合字典对学习（ASDPL）。具体地,首先设计了一个自适应局部结构保持项,灵活和准确地将样本的局部结构信息传递给编码系数,以保证同类样本的编码系数是相似的,从而提升编码系数的判别力,并提升字典对的判别力;其次,引入了一个判别稀疏编码误差项,来确保训练样本的编码系数矩阵具有理想的块对角结构,间接地提升字典对的判别力;最后,通过将两个约束项集成到基本的判别分析-综合字典对模型中来建立ASDPL模型。此外,针对ASDPL目标函数的优化求解,设计了一种有效的迭代算法。（4）在人脸数据集（Extended Yale B、CMU PIE和AR）、农作物叶部病害图像数据集（CLD 22）、物体图像数据集（Caltech 101）和场景图像数据集（Scene 15）等6个公开数据集上进行了大量的验证实验。实验结果表明,在处理图像分类任务时,所提出的SeDADL、JSCDADL和ASDPL方法均可以取得更好的分类效果。

关键词： 小学数学   自主探究式学习   学习方法  

摘要： 自主探究式学习有利于增强学生的数学学习兴趣，提升学生的创新能力以及发展学生的数学素养。文章指出，小学数学教师应深刻认识到自主探究式学习方法的优越性，积极寻找该学习方法与小学数学教学之间的联系，做到融会贯通，努力构建更加民主、开放的数学课堂，促进学生积极主动地学习，凸显其主体地位，使其在自主探究中获取丰富的数学知识和技能。

关键词： 跨领域学习   无监督视频领域映射   无监督领域适应   领域泛化   对比学习  

摘要： 随着数据规模和计算资源的快速增长,机器学习已成为大数据分析、计算机视觉、自然语言处理等任务的主要技术基石之一。大多数机器学习方法通常假设数据是来源于同一个分布的。然而在实际应用场景中,数据往往可以根据其分布被划分为彼此不同但又互相关联的子组。这样的子组通常被称为领域。对人类来说,将一些领域(称为源领域)的数据和知识映射、迁移到另外一些领域(称为目标领域)并非难事。然而对机器学习而言,想要实现这样的跨领域数据映射和知识迁移通常需要大量的标签信息来训练一个跨领域映射/迁移模型。但是,获得标签的过程会耗费大量的人力物力,甚至在某些情况下根本无法获得标签。因此,如何在没有标签信息下实现跨领域数据映射和知识迁移成为机器学习中亟待解决的问题。无监督跨领域学习的提出正是为了解决这一问题。无监督跨领域学习放宽了传统机器学习中数据必须来源于同一个领域的约束,在给工业界和学术界带来许多机遇的同时也面临着诸多挑战。本文重点面向无监督跨领域学习中领域映射、领域适应和领域泛化任务,研究如何在不同领域之间挖掘领域不变的本质特征和结构以及每个领域独有的特性,从而使得数据和知识可以在领域间实现转换和迁移。本文的主要研究内容和创新点可以概括为:(1)提出一种基于运动引导的无监督视频领域映射方法。无监督视频领域映射的目标是在没有任何配对的训练样本情况下学习一个映射使得视频可以从源领域转换到目标领域。这种视频领域映射不仅要求映射后的视频每一帧的视觉外观是真实的,而且连续帧之间的运动也是真实的。为此,本文提出一种新的运动引导的循环生成对抗网络,创新性地将运动估计引入到无监督领域映射任务中。该网络使用了三种约束:1)对抗约束通过生成器和判别器两个网络的极大-极小训练策略将源领域视频帧转换到目标领域。2)视频帧以及帧间运动循环一致约束隐式地保证生成的目标领域视频保留输入源领域视频的语义和运动信息。3)运动转换约束进一步增强了生成的目标领域视频在时域上的连续性。实验结果表明,该方法可以有效地提升视频转换质量,并在多个标准数据集上都取得了比现有无监督视频领域映射模型更优的性能。(2)提出一种基于可迁移对比学习的无监督领域适应方法。无监督领域适应旨在利用有标签的源领域数据和大量无标签的目标领域数据,学习一个能在目标领域表现良好的模型。领域适应的最新进展是利用自监督学习来提升无标签目标领域数据特征的跨领域不变性。然而大多数现有的领域适应方法都将自监督学习视为独立的辅助组件,没有考虑到其本身的目标是消除领域分布差异。相反地,本文提出一种专门为领域适应任务定制的自监督学习范式,即可迁移对比学习。该范式将自监督学习和领域适应有机地结合起来,可以同时提升模型的跨领域迁移能力和分类判别能力。实验结果表明,本方法在多个无监督领域适应基准数据集上都取得最先进的性能。(3)提出一种基于风格与语义记忆机制的领域泛化方法。领域泛化旨在从若干个源领域数据中学习一个泛化能力强的模型,以便在训练时未见过的目标领域数据上取得较好的结果。目前最先进的领域泛化算法往往优先考虑跨领域的语义不变性假设,而忽略了领域内固有的风格不变性。本文发现利用领域内风格不变性对于提高模型领域泛化的能力至关重要。本文使用一种风格与语义记忆机制来存储不同领域不同样本的风格和语义特征,并提出实例级别的风格对比损失函数和“陪审团”机制进行域内不变的风格特征学习和域间不变的语义特征学习。最终,模型学到的语义特征可以很好地泛化到目标领域。实验结果表明,本方法在多个领域泛化基准数据集上的性能都达到领先水平。

关键词： 技术分析   股市预测   机器学习   投资策略  

摘要： 在股票市场预测领域,预测未来价格或走势是最具挑战性的问题之一。近年来,随着机器学习技术的发展,人们在股价预测的相关研究中,越来越多的在传统金融分析技术中引入机器学习模型,将机器学习技术与传统技术分析指标相结合以预测股市趋势。本文提出了一种基于机器学习的混合技术分析交易策略,通过机器学习技术以优化传统方法产生的买入或卖出交易信号,从而提高收益。这种方法的创新之处在于使用机器学习方法预测未来股价,定义并计算出一种新的趋势指标,将其与技术分析指标结合进行优化。为了选择最合适的机器学习技术,本文介绍并分析使用了支持向量回归、随机森林和人工神经网络三种方法在股票市场的预测效果。选择MACD择时策略作为本文研究交易信号的基本技术策略,同时对于MACD参数的选择,使用网格搜索计算最优参数。自2020年新冠疫情以来,我国股票市场受到了诸多影响,为了客观分析本文提出的混合交易策略对投资收益的提高效果,本文将实证研究分为两个时期:疫情前阶段和疫情后阶段,并使用国内三大指数,上证50、沪深300和中证500的每日交易数据进行回测。本文首先以上证50指数为例,比较三种机器学习方法的预测精度,根据预测结果选择随机森林方法作为最优股票价格预测方法,然后使用2018年和2020年的数据分别计算最优MACD参数,最后回测分析优化策略的盈利效果,并对沪深300和中证500也进行了策略回测。结果表明,在技术分析策略中加入机器学习趋势指标,可以改善交易信号,提高技术分析策略的竞争力。该策略在行情向好时可以抓住时机,大幅提高利润。在股市影响因素较多、波动较大时,该策略也可以有效避开价格震荡区域,减小风险。

关键词： 住房租金预测   支持向量回归   BP神经网络   粒子群算法   随机森林  

摘要： 我国房价在2022年以前逐年上涨,高额的房价成为了许多年轻人的负担。因此,租房居住成为了现代人的一种越来越常见的生活方式,但我国目前的房屋租赁系统还不够完善,仍然存在许多乱象。在此基础上,分析住房租金的影响因素以及运用机器学习方法来预测租金,对我国当前租赁市场的发展有着较为重要的意义。 本文利用python从链家网爬取了武汉市2月28日出租房源数据共9930条。首先对原始数据进行数据预处理,通过各种直方图和箱线图等统计图表分析住房租金的分布情况以及各种因素对住房租金的影响。其次,通过随机森林对样本数据特征进行重要性排序,分析各个特征变量对住房租金的影响程度。 本文建立了支持向量回归(SVR)、BP神经网络和随机森林模型对预处理后的数据进行预测分析。单一的预测模型SVR和BP神经网络能较好地模拟数据之间的非线性关系,但也存在一些缺陷,因此采用粒子群算法(PSO)对两种模型参数进行优化,最后得到PSO-SVR模型和PSO-BP模型。考虑到组合模型能结合两种单一预测模型的优点,本文采用Adaboost算法的集成方法,将PSO-SVR模型和PSO-BP模型进行结合,提出一种新的组合模型。这样两种算法进行互补,最后得到的预测结果也能更为准确。最后建立住房租金预测模型,通过PSO-SVR,PSO-BP,组合方法和随机森林,对武汉市房租价格分别进行预测。通过测试集数据,发现组合模型的误差更小,拟合效果更好。

关键词： 增量学习   灾难性遗忘   随机敏感度   知识蒸馏  

摘要： 增量学习又称持续学习或终生学习,是指学习模型能不断学习新数据,处理新任务,同时学习模型还被要求不能忘记之前学习过的知识。在未来的学习系统中,增量学习有着相当重要的地位。因为它有效地利用了资源,消除了在新数据到达时需要从头开始重新训练的麻烦。另外它通过限制存储所需的数据量减少了内存的使用。这样的学习模式也更像人类对新事物的学习方式。增量学习面对的主要挑战是灾难性遗忘,即学习模型更关注新数据,而忘记了之前学习过的数据。本文解决的问题是增量学习中的一个子类叫类增量学习,即每次学习模型学习的新数据都来自新类别,学习模型在学习新类别的同时,也要尽量保留对旧类别的记忆。针对该问题,许多学者提出了不同的方法。他们主要分为三类。第一类基于知识蒸馏的方法,他们通过知识蒸馏把旧类知识迁移到学习模型中。第二类是基于参数正则化的方法,他们主要通过正则化方法防止神经网络的权重偏移太多来达到保留旧类知识的效果。第三类是基于生成模型的方法,他们通过生成模型生成旧类别的伪样本或伪特征达到防止遗忘旧类的目的。上面介绍的三类方法通过不同的手段来解决增量学习的灾难性遗忘问题,但这些方法都没考虑到学习模型的泛化能力和稳定性对学习模型的性能的影响。本文提出了一个基于随机敏感度的增量学习(SSIL)模型来解决灾难性遗忘问题。SSIL利用常用的交叉熵损失来学习新知识,利用局部泛化误差模型得到的随机敏感度损失来增强学习模型的稳定性和泛化能力。此外,SSIL采用了两种蒸馏损失来保留来自旧类的知识,一个是通过训练样本计算得到的知识蒸馏损失,另一个是通过计算随机敏感度时生成的样本计算得到的知识蒸馏损失。通过这种方式,SSIL为新旧类保持健壮性和高性能。在CIFAR-100和Image Net ILSVRC2012两个大型图像分类数据集上的实验结果表明,本文提出的方法优于其他先进的算法。具体来说,SSIL在两个数据集上的精度分别比流行的方法i Ca RL分别提高了9.98%和8.98%。

关键词： 相变   蒙特卡罗模拟   伊辛模型   深度学习   重整化群  

摘要： 机器学习是人工智能的一个研究领域,它的目的是想通过用样本数据、示例或者过去的经验来构建出解决相对应问题的程序。机器学习方法可以依据是不是为数据做提早地标注、学习的类型分为监督学习、无监督学习、强化学习三种方法和特殊的深度学习。深度学习从几个方面加强了先前的传统机器模型,例如神经网络和核方法、加强处理大规模数据的能力等,并且有了新的架构、逻辑方式、学习数据的方法和用更高的准确度来解决问题等。因此,深度学习方法能处理大量的信息,并且对于使用者的预处理需求不大。但是现在物理学家们却不能很好的对深度学习的原理做出一个很好的解释。 相变是我们日常生活中经常看到的一种物理现象,也是统计物理学的一个重要研究内容。物理学中,伊辛模型被认为是为研究相变而建立的第一个统计模型。该模型只考虑了系统最近邻格点间的相互作用,并可给出由这种局域相互作用所带来的全局相变。但除去相变的情况,我们很难通过简单的观察准确给出特定状态和温度间的关联。不过,这种系统图像和参数的关联很容易让人联想到深度学习在图像识别中的应用,从而促使我们开展了本文中的研究。 本文采用蒙特卡罗模拟生成的伊辛模型样本,训练深度学习网络,使得该网络可以识别模拟样本所对应的系统温度。文中对比了多种不同网络的训练效果,其中深度学习中的残差神经网络给出了对温度识别的最高准确率。此外,我们还探讨了深度学习中粗粒化与重整化群之间的关联。重整化群可以对铁磁体系实行粗粒化操作,并且铁磁系统本身的特征不会改变。与之相对应,机器学习的一些过程中,同样涉及到压缩图像、保留特征,从中我们可以尝试寻找重整化群和机器学习之间的关系。