关键词： 探究式学习   数字游戏式学习   合作学习   历史课程  

摘要： 随着时代的发展,教育信息化成为21世纪教育发展的潮流,信息技术与现代教育走向融合的趋势愈加明显,信息化将为开放灵活的现代教育体系建设提供全面的技术支持。与此同时,历史课程其本身的教育责任以及当下课堂存在的困境,决定了其面临着全新的改革局面的现状。课程改革提出转变学生学习方式的重要任务,逐步改变以教师为中心、课堂为中心和书本为中心的局面,促进学生综合能力的全面发展。为此本研究将合作探究式的学习方法融入到数字游戏的历史课程中,通过问卷量表对学生学习成绩、学习动机、合作倾向、自我效能、认知负荷、学习行为来对该游戏的效果进行测量,得到本研究的研究结果。基于信息技术发展的现实要求、信息技术与学科结合的必要性、历史学科本质与探究式学习融合的必要性这三个角度,展开研究并提出了本研究的研究问题:(1)探究式学习在数字游戏式学习中的研究现状研究为何,在国内国外研究中其趋势和现状有何区别?(2)学生接受合作探究式数字游戏教学后,其学习成绩有何变化?(3)学生接受合作探究式数字游戏教学后,其学习动机、自我效能感、合作倾向有何变化?(4)学生接受合作探究式数字游戏教学后,对认知负荷的影响如何?(5)学生接受合作探究式数字游戏教学后,学生学习行为有何不同?在本研究的理论研究中,首先通过阅读整理书籍、文献,对数字游戏式学习和探究式学习进行概念界定,将探究式学习的相关研究梳理整合,对合作学习的概念进行界定。其次,将本研究的理论基础进行阐述,包括建构主义、心流理论、群体动力学。再次,对探究式学习在数字游戏学习中的研究现状进行分析,包括国内研究现状和国外研究现状,通过对相关主题的文献进行搜集筛选,按年份分析发展趋势,将关键词提取分析,总结出其发展现状和发展趋势。在理论研究的基础上,对合作探究式数字游戏进行开发,首先分析其功能需求,其次是系统设计和游戏进程;将数字游戏的基础功能开发完成后,对教学要素进行分析,包括课标和学科特点、学习者、教学内容的分析,在此基础上进一步对教学活动展开设计。完成所有研究设计后,使用问卷量表和行为编码对研究对象展开实验,分为实验组和控制组,对实验数据进行分析,得出使用合作探究式学习方法的数字游戏与一般数字游戏使用结果的差异。通过对实验前后测的数据分析,得出本文的研究结论:(1)数字游戏应用于课堂符合当下教育信息化背景。本研究基于教育信息化的研究背景,从政策以及发展现状,阐述了当今教育与技术结合的必要性。(2)合作探究式学习方法在历史课堂的应用中具有可行性。本文基于对“探究式学习”、“合作学习”与“历史探究式学习”的定义,从探究式学习和历史课程的角度阐释了合作探究式学习方法在历史课程中的重要意义。(3)合作探究式学习方法的数字游戏实践结果成效显著。在本研究中,开发了合作探究式学习方法的数字游戏,用于九年级《古代埃及》,该方法应用于某中学,实验结果表明,使用合作探究式学习方法的数字游戏比一般的数字游戏各方面都有显著成效。最后,本研究尚存在一定的局限性和不足之处,希望在未来的研究中得以进一步改善和提高。

关键词： 异构迁移学习   深度迁移学习   生成对抗网络   对抗式域自适配   通用域适配  

摘要： 近几年,深度学习研究不仅推动了计算机视觉领域的发展,而且提高了模型在图像分类、目标检测和语义分割等各种视觉任务中的性能。但是,深度学习模型的成功依赖于大量标注数据。标注大量数据的成本极其昂贵,甚至是不可行的。因此,学者们提出了一种方法:在对新领域(目标领域)开展研究时,利用与其相关领域(源领域)中丰富的带标签数据进行知识复用和迁移,解决标签数据稀缺问题。源领域和目标领域由于数据采集方式不同,存在数据集偏移问题,可以运用对抗网络解决这一问题,缩小领域间差异,提升迁移效果。本文针对深度迁移学习中数据集偏移问题,运用生成对抗网络中对抗式学习对齐辅助领域(源领域)和目标领域两个领域的数据分布,在两个领域间数据异构且目标领域无标注数据情况下,利用带有大量标注数据的辅助领域(源领域)完成目标领域分类任务。本文创新性地从算法应用背景假设总结了对抗式域适配算法研究工作,提出了适用于通用域适配背景的对抗式域适配算法,并应用到静态人脸表情识别的分类任务中,相关工作总结如下:(1)针对当前对抗式域适配研究工作,首先对其进行定义和分类,按照源领域与目标领域的标签类别空间异同分为同构对抗式域适配和异构对抗式域适配两类。在同构对抗式域适配中,根据算法对领域中边缘分布、条件分布和联合分布不同的假设,将其分为边缘分布、条件分布、联合分布和动态分布四类同构对抗式域适配。在异构对抗式域适配算法中,根据算法应用背景假设,将其分为开放集对抗式域适配、局部对抗式域适配和通用对抗式域适配这三类异构对抗式域适配。(2)基于通用域适配背景假设,提出了一种新颖的对抗式域适配网络Multiweighted Adversarial Adaptation Network(MAAN)。MAAN运用生成对抗网络学习两个领域中的共享特征空间,通过生成器和判别器之间的对抗式学习过程来对齐领域间的特征。MAAN考虑到源领域中非公共标签空间数据对分类器的负迁移影响,通过加权机制来解决这一问题。同时,MAAN将最大均值差异和对抗式学习相结合,用于解决通用域适配背景中的特征适配问题,并通过聚类的方法简化模型阈值选取。实验表明,该方法与Domain-Adversarial Neural Networks(DANN)、Partial Adversarial Domain Adaptation(PADA)等其他对抗式域适配算法相比较,在Office-31、OfficeHome和Digits三个数据集中多个域适配任务取得最高分类准确率,且适用于同构域适配、开集域适、局部域适配三种应用场景。(3)将提出的MAAN算法应用到静态人脸表情识别的分类任务中,为该应用领域中数据集偏移问题提供了一个有效解决方案。实验表明MAAN能够在一定程度借助现有的表情识别数据集对真实驾驶环境中的人脸表情进行分类,且表现优于卷积神经网络Res Net-50及Partial Adversarial Domain Adaptation(PADA)和Open Set BackPropagation(OSBP)这两个对抗式域适配算法。

关键词： 网络搜索数据   新能源汽车   机器学习   关键词库   销量预测  

摘要： 在世界各国面临严峻的能源形势以及人们对环境保护日益重视的背景下,新能源汽车已经成为了新兴产业。对新能源汽车销量进行客观、准确的分析与预测,不仅有助于政府制定并实施新的宏观调控政策,也为新能源汽车企业确定竞争优势、制定合理的市场营销策略提供依据。随着互联网的不断发展,包含着大量消费者行为信息的网络搜索数据为研究新能源汽车发展提供了新的思路。本文基于网络搜索数据,以比亚迪新能源汽车和特斯拉国产Model 3的月销量数据为研究对象,首先提出了一套构建网络搜索关键词库的系统方案;其次使用灰色关联分析和随机森林重要性排序提取特征变量,并将共有变量定义为第三组特征变量,通过分析发现销量的影响因素主要类别为政策、配套设施、自身品牌建设、竞品、汽车网站,进而为新能源汽车产业发展提出了针对性建议;最后,对传统SVR进行特征加权改进得到GRAFW-SVR和RFFW-SVR,并将得到的三组特征变量分别运用RF、KNN、SVR、GRAFW-SVR、RFFW-SVR构建预测模型。结果显示,两组特征提取方法可以有效提高模型精度,对于比亚迪新能源汽车销量,RFFW-SVR-GRA模型的效果最好,而对于特斯拉国产Model 3销量,RFFW-SVR-RF模型的效果更好;同时,根据预测模型的R2进行排序,可以得到RFFW-SVR>GRAFW-SVR>传统 SVR。

关键词： 高中   化学教学   研究性   学习方法  

摘要： 化学作为一门以探索本质为核心的课程，显然目前的教学方式不能做到学生对知识的良好吸收。因此，化学教师应寻找有效的教学方式并不断优化教学手段，正确理解研究性教学的定义和使用，向学生传授研究性学习的方法。新课程改革的发展，说明传统的教学方式已经不能满足时代的发展和目前的教学需求。化学课程是高中课程重要的组成部分之一，学好化学为学生日后的部分职业奠定扎实的基础。但目前高中化学教育还存在有待解决的问题，如何提高课堂学习效果是重点需要攻克的对象。研究性学习是目前一种新的教学方式，能否运用到化学教学中是引导本文的一个思路。本文将通过对高中化学中应用研究性学习方法的研究，提出高中化学教学中应注意的问题，旨在帮助教育学者提供思考和实践的理论依据。

关键词： 爆管定位   爆管预警   监测点布置   深度学习   图神经网络   供水管网  

摘要： 供水管网的安全稳定关系着城市的用水安全,而爆管事件的发生会破坏给水系统的稳定,造成水资源的浪费,甚至造成管网的二次污染,因此在管网中进行爆管事件的预警和定位研究对保障供水安全十分重要。在以往的研究中,监测系统的布置方法研究和爆管预警及定位研究没有进行有效的统一,本文将两者统一起来,提出了面向爆管预警和定位的压力监测点布置方法,并设计出适用于深度学习方法的爆管预警及定位的模型架构。在监测点布置方法研究中,本文使用基于图神经网络的结构化深度聚类网络融合管网的拓扑特征和多水力特征,划分出不同的监测分区,在每个监测分区内使用依据爆管特征定义的指示张量选择最灵敏的节点作为监测点,弥补了以往监测点布置方法研究中缺失管网拓扑特征和不适用于多水力状态的管网的不足,在实验管网中和传统方法进行对比分析;为了和爆管定位联系到一起,采用同样的聚类方法划分出数量更多的定位分区,结合布置的监测点作为爆管预警和定位研究的监测系统。在爆管预警及定位研究中,本文依据深度学习模型的可设计性,设计出适用于爆管预警和定位的模型架构,并采用三种典型的神经网络实例化模型,在实验管网中进行性能分析;考虑到监测点之间的相互联系和流量监测数据,本文添加监测点拓扑特征和流量数据对模型架构进行改进设计,在实验管网中对模型改进前后的性能进行对比分析,并讨论监测点数量、爆管程度等对模型的性能影响。实验结果表明,结构化深度聚类网络可以有效融合管网拓扑特征和多水力特征,使用本文方法布置的压力监测点分布更加均匀,覆盖率更高;三种深度学习模型均可以有效的进行爆管预警和定位,而改进模型架构后的模型,拥有更高的爆管预警和定位正确率,更低的爆管误报率,以及对爆管事件更短的响应时间。面向爆管预警及定位的监测点布置方法和基于深度学习方法的爆管预警及定位模型可以满足实时预警的需要,为水务公司的智慧水务建设提供了有力的工具和方法。

关键词： 迁移学习   多表示学习   领域自适应   注意力机制  

摘要： 随着人工智能在各个领域的磅礴发展,机器学习也在更多的场景中得以使用。当然,这些都是以大量标签数据为前提的。在实际中,我们获得的数据往往都比较杂乱且无标签,需要人工进行标记,成本高昂。为了降低成本,人们想到了知识迁移的办法。知识迁移通过整合数据、任务或模型之间的相似性,把从原始领域中学习到的模型和知识应用于目标领域。在这个过程中,除了把从原有领域学习获得的知识运用到目的领域以外,还要保证知识在目的领域能够具有很好的适应能力,这是当前迁移学习的研究重点也是难点。本文利用模型迁移和特征迁移的思想,在目标域无监督的情况下,将原始领域和目标领域进行数据特征对齐。具体贡献如下所示:1.针对单一卷积神经网络结构提取图片特征信息不完整问题,基于二阶协方差特征对齐算法进行改进得到了一种基于多表示学习的深度特征对齐方MRCA。在特征提取模块之后,引入多表示学习模块,通过不同的卷积核进行子空间图像特征提取,并在各个子空间中分别进行特征对齐,再融合各个子空间的特征对齐目标函数得到多表示学习目标函数,增加神经网络对图片特征的提取,通过大量实验与验证,MRCA利用不同角度的图片特征,可以更好的进行域适配。2.在进行特征对齐时,考虑的都是经过特征提取后获得的数值在数学层面对领域自适应的影响,而忽略了数据本身所能表达的一些重要信息属性。因此,在多表示学习的深度协方差特征对齐方法基础上,我们进一步进行算法改进,得到一种基于域内距离限制的迁移学习算法DRID,从模型回归到数据本身,尝试通过对数据本身进行优化以得到更好地分类模型。3.神经网络进行特征提取时,所获得的图像特征信息并不都是对迁移学习模型的训练有正面影响的。因此,我们提出一种基于注意力增强技术的深度迁移学习算法CASE。通过引入注意力增强模块,使得神经网络模型在进行图片特征提取时,更加关注对训练任务有用的信息,而忽略那些对模型训练无关的信息。通过实验可知,加入注意力模块后,算法在多分类任务中表现优异。

关键词： 抗氧剂   机器学习   分子模拟   基团贡献法  

摘要： 润滑油、聚合物等有机材料的广泛应用,使其成为人们生活中不可缺少的一部分。由于经常在高温和有氧气的环境下使用,这些材料十分容易被氧化,并随着时间的推移影响其使用性能和寿命。通常,人们在材料中加入适量的抗氧剂以延缓此氧化反应过程,其中,胺类抗氧剂因具有在中高温下依然保持着较高抗氧化活性的特点而备受关注。针对胺类抗氧剂的分子设计中,多数研究采用了传统的试错法实验对抗氧剂进行改性,虽获得了一些结果,但存在周期长、效率不高、分子机理不明等缺点。因此,本课题以基团贡献法为基础,对胺类抗氧剂的分子结构进行解析,采用分子模拟和机器学习相结合的方式,深入了解基团类别、取代基位置和组合方式等对抗氧化活性的影响规律,为芳基萘胺类抗氧剂的分子结构设计提供理论基础。主要研究内容如下:（1）以N-苯基-1-萘胺（PANA）和N-苯基-2-萘胺（PBNA）为骨架结构,采用穷举法构建了302个芳基萘胺类抗氧剂分子模型。通过量子力学模拟方法,分析影响抗氧化活性的化学因素,计算了上述芳基萘胺类抗氧剂的氢解离能（BDE）并对其结果进行统计分析,发现供电子基团（如胺基-NH2）的引入可以降低BDE,而吸电子基团（如硝基-NO2）则不利于BDE减小。通过分子动力学模拟,分析影响抗氧化活性的物理因素,计算了302个抗氧剂的溶度参数（δ）和结合能(Ebinding),经统计分析发现,烷基链的引入可以在降低δ的同时使Ebinding增大,意味着抗氧剂与基体之间相容性增加。以BDE、δ和Ebinding的平均值作为评判标准时,发现PANA的1号取代位置和PBNA的7号取代位置更有利于抗氧化活性的提升。此外,通过一系列建模及模拟计算过程,确定了一种能较全面描述抗氧剂分子结构的基团解析方案,包含10个基团描述符和3个分子连接性指数描述符,并完成了对所构建的302个抗氧剂的基团划分。此分子模拟计算和基团划分的结果共同组成了随后机器学习研究的数据集。（2）在机器学习的分析中,采用人工神经网络（ANN）模型,确定了芳基萘胺类抗氧剂分子结构参数与抗氧化活性之间的量化关系。ANN模型表现出较好的预测效果,预测结果与目标值之间的相关系数R在0.88以上,平均相对误差在6%以内。此外,通过随机森林（RF）模型,分析了基团种类和取代基位置对抗氧化活性的影响。结果表明,在化学因素方面,-NH2有利于抗氧化活性的提升,同时,结果还显示PANA的1、5、10号和PBNA的7、8、10号取代位置对抗氧剂的抗氧化活性有显著影响。而物理因素方面,延长取代基中烷基链的长度或增加支化甲基-CH3的数量,可以有效改善抗氧剂的物理性能;此外,PANA的1、5、7、8号和PBNA的2、3、6、7、8号取代位置对其物理因素有一定影响。总结归纳以上筛选出的在化学和物理方面对抗氧化活性有利的因素,设计出2种芳基萘胺类抗氧剂分子结构并进行模拟计算,结果表明,与PANA相比,所设计的新抗氧剂的抗氧化活性均有所提升,说明模拟计算和机器学习相结合的方法在抗氧剂分子设计研究中具有潜在的应用价值。综上,分子模拟和机器学习相结合的研究方式,可为分析抗氧剂的构效关系提供快捷的、全新的途径。此研究结果也为高效芳基萘胺类抗氧剂的分子设计提供了理论依据和数据支撑。

关键词： 潜在源模型   HMM模型   随机控制  

摘要： 传统计量方法使用回归方法实现金融时间序列预测,近年随着计算机的发展,机器学习方法被引入量化投资领域,机器学习算法进而被应用于金融资产价格预测之上。潜在源模型是一种以贝叶斯回归为基础的机器学习方法,通过获取训练数据的聚类特征用于贝叶斯回归从得到有效的预测价格;这种方法使用历史数据替代经验数据有效降低了参数估计的维度。HMM是机器学习方法中一类经典的算法,其是动态贝叶斯网络的一类特例,具有有效反映时间序列动变化特征的特点,其内部可调用动态贝叶斯网络一致的递归算法能够有效避免过拟合和降低训练量。本文主要内容如下:(1)构建潜在源模型,使用Kmeans聚类算法对训练集进行聚类获得包含价格走势特征的原型向量,再根据原型向量进行贝叶斯回归得到预测价格变动从得到价格序列预测值。(2)构建HMM模型,将整段测试集作为模型输入以观测值生成的方式获得预测结果并进行改进,改进为用对训练集进行滚动划分,每个划分区间使用HMM模型拟合,对测试集相同长度区间寻找最接近的历史价格序列并以历史价格序列涨跌幅作为预测涨幅得到预测值。(3)构建潜在源-HMM模型,利用滚动方法的HMM拟合得到的预测值作为潜在源模型的输入,得到新的原型向量后进行贝叶斯回归得到最终的预测结果。(4)对以上模型分别进行回测,回测过程使用随机最优控制方法进行动态调仓以保证性能指标最优,并加以CTA策略中的配对交易作为与机器学习算法的参照。本文研究结果发现,由潜在源模型和HMM模型结合的量化策略预测结果优于单独应用两模型的预测效果。

关键词： 表示学习   数据降维   字典对学习   卷积神经网络   高光谱图像分类  

摘要： 随着科学技术的飞速发展,数据的获取方式和内容形式获得了极大的提升,如何从复杂的数据中挖掘出最有效的信息成为制约模式分类算法性能的关键问题。本文立足于表示学习框架,并借鉴深度学习理论,对表示学习的三个主要分支即协作表示、子空间表示,字典表示分别展开研究,提出了隐子空间协作表示、深度字典对表示等系列算法,以提取数据中的有效表示特征进行分类,所取得的研究成果如下: 针对由于原始数据中存在噪声和冗余特征以及样本缺失等问题而造成传统的基于表示学习的分类方法难以获得良好的特征表示系数,进而限制其分类性能的问题,提出了基于标签嵌入的隐子空间协作表示(LELSCR),旨在学习一个具有更优空间结构和更强判别信息的隐子空间,从而得到在该空间上合适的表示系数以提升分类性能。首先,构造了编码系数的局部约束项使得原始数据空间的编码系数具有更合理的局部相似性结构;其次,利用隐子空间协作表示的标签信息构造了标签嵌入项,使得隐子空间的协作表示系数具有更加判别的块对角化结构,从而更趋近于理想分类。最后针对分类器学习,采用灵活的回归目标项进一步提升线性分类器的类间区分能力。 由于传统协作表示和隐子空间协作表示均是基于原始数据空间维度,而实际应用中数据往往是高维的且包含大量的噪声和冗余特征,因而会极大地限制协作表示系数以及隐子空间表示系数的特征表征能力。针对此问题,我们基于LELSCR进一步引入了子空间投影,从而在嵌入子空间里寻找更具空间结构合理性和判别能力最大化的协作表示与隐子空间协作表示,所提基于判别投影的隐子空间协作表示学习(DPLSCR)将图嵌入降维模型和隐子空间协作表示学习整合到同一框架下,在有效降低原始空间数据维度以及减少数据噪声和冗余的同时,寻找到类间最大化、类内最小化的投影子空间,从而学习到更优的隐子空间协作表示和更具判别性的线性分类器。多个数据集上的实验结果表明,所提算法具有比传统协作表示的方法和LELSCR更高的分类准确率。 针对现有的深度字典学习大都为多层字典学习,并非真正的端到端的网络结构,且字典学习的输入依赖于特征提取操作等缺点,通过将字典对学习有效地嵌入卷积神经网络,提出了基于深度卷积网络的判别字典对学习(DCDPL),在利用卷积和池化等操作有效提取图像特征的基础上,利用字典对学习的稀疏重构特性进行信息集成,有效地提高特征的表示能力和区分性。同时为了增强字典的判别性,对合成型字典原子施加监督性信息,构造了合成型字典的结构性约束以增强字典的特征信息和判别性。多个数据集上的实验结果表明所提方法的分类性能优于现有的深度字典学习方法。 最后,将卷积字典对学习的思想应用于高光谱图像分类任务,以3D CNN为基本框架,进一步使用了2D CNN和字典对学习获取更丰富的特征信息,提出了基于卷积字典对学习的高光谱图像分类方法(CDPL),实验结果表明,所提方法可以有效应用于高光谱图像分类任务。