关键词： 学生   个体差异   英语   合作学习  

摘要： 学生是学习的主体，是具有独特性和独立意义的人。每位学生都是独特的个体，彼此存在差异，必须尊重个体差异性，因利势导，促进学生合作学习，全面发展。本文全面分析了影响个体差异的因素，针对我国教育现状，探究小学英语合作学习方法，以提高小学英语的学习能力，实现学生们素质教育和综合发展。

关键词： 用户流失预测   特征选择   SMOTE过采样   集成学习  

摘要： 近年来,移动互联网与大数据技术的高速发展加快了智能移动设备的普及,提高了文娱消费能力,促进了文娱产业数字化转型,在线视频行业呈现出了蓬勃的生命力,成为人们生活中的“必备品”。然而,在人口红利减弱的时代背景下,在线视频行业正面临着市场同行竞争激烈、产品同质化严重、获客成本变高、用户增长乏力等发展问题,用户成为各大视频网站的争夺焦点。因此,有效利用平台海量、无序的用户行为数据,研究挖掘用户需求和产品痛点的数据分析方法,从而对用户流失做出准确预测,成为企业及时改善产品功能、制定有效运营策略和做好用户留存管理的关键任务。用户流失预测作为用户留存管理中的关键步骤,难点在于平台用户数据量大、维度高、缺失值多且类别不平衡,需要选择合适方法进行数据预处理和特征选择,提取关键影响因素后再训练分类算法,提高模型预测性能。本文基于某在线视频网站脱敏后的真实用户画像、交互行为、登录设备等数据展开实证分析,在建立模型前,首先对初始数据集进行了数据处理,主要包含数据清洗、缺失值处理和SMOTE过采样;然后,利用Lasso回归、随机森林和递归式消除特征法分别对所有特征进行变量选择,综合模型结果删除影响程度低的变量;接着,从用户画像、交互行为和登录设备三个维度出发,分别对变量分布结构以及各个变量与用户流失之间的相关性进行数据可视化分析;最后,基于不平衡数据与过采样处理后的平衡数据,分别建立XGBoost、随机森林模型,对比不同模型的正确率、召回率、AUC等评价指标值,选择基于平衡数据建立的预测性能更优的随机森林模型,由此输出特征重要程度并预测用户流失。结论认为,用户播放时长、登录APP时间等交互行为特征是流失倾向的最重要影响因素,用户画像特征中的年龄、所处地区以及用户登录设备中的设备内存和存储大小对流失倾向存在关键性影响,但与用户交互行为特征对比影响程度较小。由此,为在线视频网站的用户留存管理提出明确用户画像、针对性推荐产品以及建立用户流失预警的建议,以期为企业提升个性化的产品体验、促进用户交互以及提高用户留存提供一定帮助。

关键词： 行人异常行为   深度学习   卷积神经网络   卷积自编码器  

摘要： 随着超大城市与特大城市的增多,人流密度不断加大的今天,公共安全已经成为人们最关心的话题。智能监控作为安防领域必不可少的一环,不仅需要对行人进行实时的监控,而且特别需要在大量普通数据中发现存在可疑行为的人。但由于行人异常行为发生的概率相对较低又伴随着不规则性,行人异常行为检测技术需要在视频分析过程部署之前对每个视频流进行大量的配置。而且这些算法只是基于某一类异常行为,这使得检测模型难以推广到不同的监控场景。本文在研究行人异常行为问题上使用无监督学习算法,训练样本只需要没有标签的视频片段。将行人异常行为检测作为二分类问题。对于运动目标的提取采用由光流图计算所得的动态流图,用单帧图像进行特征的补充。利用卷积神经网络、卷积自编码器进行空间特征和时间的特征的提取,特征融合后完成对行人异常的分类。本文完成的工作具体如下:(1)利用离群分类的行人异常行为识别方法,输入为单帧图像和由光流图计算所得的动态流图,单帧图像具有连续性得运动特征,动态流图中的光流场会包含运动目标的运动速度、方向及加速度且可以表示长时间的时序信息。使用卷积神经网络分别训练空间特征网络模型和时间特征网络模型,对所采取的空间及时间特征进行融合,之后使用Softmax分类器对行人异常行为进行判别。(2)利用卷积自编码器网络完成对行人的异常行为识别。针对监控视频中的待检测片段,采用单帧图像加动态流图作为输入,在卷积自编码器的内部卷积层插入卷积长短期记忆网络从而实现对样本空间和时间特征的提取。该网络模型通过无监督学习,利用单帧图像与动态流图中学习到的时空特征对视频帧进行重构。得出重构损失后再求出异常得分函数,之后将得分融合从而对异常行为进行判断。

关键词： 深度学习   眼底疾病   血管分割   多任务学习   注意力机制  

摘要： 眼底疾病长期损害视力健康,是造成人类失明最主要的原因之一。眼底疾病的及早发现和准确诊断对预防失明至关重要。然而眼底疾病的检测涉及昂贵且耗时的人工评估,而且在偏远贫困地区缺乏专业医生,这些给眼底疾病诊断带来了困难。利用深度学习和图像处理等方法对眼底视网膜图像进行分析,可以满足眼底疾病智能诊断迫切需求,大幅减轻医疗成本,具有重大意义。由于眼底图像通常质量低、数量少,眼底病变区域和血管形态复杂、特征多样,深度学习技术在眼底图像分析中的应用受到了极大限制。基于上述背景,本文采用深度学习模型结合传统图像处理技术进行研究,实现了眼底动脉硬化分级、糖尿病视网膜病变和糖尿病黄斑水肿联合分级、眼底视网膜血管分割等重要任务。不同数据集上进行的实验,均证明了模型的有效性,本文提出的方法为眼底疾病辅助诊断提供了有效参考。本文主要研究内容如下:1.针对眼底视网膜动脉硬化分级任务,本文提出了基于轮廓通道增强及四通道合并的眼底动脉硬化分级网络模型。首先,本文提出了一种图像合并进行轮廓增强来提取面向眼底血管背景特征的方法,对原始图像进行自适应阈值处理后生成新的轮廓通道,将其与原始图像合并为四通道图像,捕获眼底图像中对分级有利的特征。然后,使用迁移学习对卷积神经网络预训练来加速训练,并对轮廓通道对应的卷积核通道参数进行Kaiming初始化。最后,为了解决数据集中不同类图像相似性高、同一类图像的差异性大的问题,应用ArcLoss在角度空间中最大化分类界限,以此来扩大不同类之间距离获得高度判别性的特征。2.针对眼底糖尿病视网膜病变分级和黄斑水肿联合分级任务,本文提出了眼底疾病分级双分支混合注意力决策网络模型。首先,阈值处理分割眼底图像病灶,对分级起到重要作用的出血点、软渗出物、硬渗出物等病灶特征进行粗提取。其次,利用多任务学习对糖尿病视网膜病变和黄斑水肿联合分级,减少训练参数量,降低模型复杂度。最后,本文提出了分割特征融合注意力模块和深度注意力模块对图像特征进行筛选和增强。实验结果表明,本文提出的模型优于其他算法,网络在有限样本下有效地学习到更多信息能力得到了加强,模型的泛化能力得到了提高。3.针对眼底视网膜血管分割任务,本文提出了基于多尺度信息融合注意力的血管分割编码-解码网络模型。为了解决眼底视网膜血管大小变化大、血管与背景对比度低、脉管结构和形态复杂等难点,本文设计二层对称编码-解码结构和多尺度注意力模块实现了效果提升。首先,本文的网络采用了二层编码-解码结构,通过密集连接等方式对其优化,有效解决了小数据集带来的过拟合问题。其次,利用空洞卷积和池化操作捕获特征图中的多尺度信息,通过融合多尺度特征提出了多尺度特征融合注意力模块,将其嵌入到跳跃连接中,可以深化提取上下文特征,获取更多的语义信息,对血管细节进行优化。实验结果表明了本文模型优于其他算法,网络模型拥有更好的分割性能。

关键词： 水下机器人-机械手系统   水下自主作业   强化学习   运动控制  

摘要： 水下机器人-机械手系统(Underwater Vehicle Manipulator System,UVMS)的自主作业技术作为一项重要的海洋科学技术,现如今受到了越来越多的科研工作者和科研机构的关注。强化学习方法作为一种优秀的人工智能控制方法,在UVMS自主作业技术领域中有着广袤的发展前景。相较于传统的控制方法,基于强化学习的控制可方法在确保完成自主作业任务的同时,还具有较高的作业效率以及对水下复杂环境的适应能力。本文针对这一课题进行了深入的分析和研究,主要研究内容如下:以水下抓取任务为基础对水下自主作业问题进行分析,建立了UVMS坐标系。通过分析UVMS艇体和机械臂的广义位移和速度之间的关系,建立了UVMS的运动学模型,对UVMS的艇体动力学以及机械臂与艇体之间的耦合作用进行了分析并建立了相应的动力学模型。在此基础上,根据水下机器人实体建立了UVMS仿真模型,并设计了自主作业的仿真实验任务,为基于强化学习的水下机器人自主作业研究奠定了基础。根据水下作业做具有的状态空间高维连续以及动作空间连续的特性,分析了强化学习方法应用于水下作业的可能性并选取了基于策略的强化学习方法。之后针对训练过程中出现的奖励稀疏问题,设计了一种基于人工势场法的奖励塑造方案,并对其有效性进行了仿真验证。针对传统的基于策略的强化学习算法在学习过程中不稳定、不易有效收敛的的问题,采用了近端策略优化算法并结合actor-critic方法进行了优化改进,通过仿真实验验证了改进后算法的效果。最后考虑仿真表现和实物实验需求,基于人类作业的经验对状态采样方案采取了进一步地优化。在最终优化后的方案下,水下机器人在仿真环境中出色地完成了各项仿真实验任务。通过分析仿真环境和实际环境的区别,将最终训练得到的策略迁移至水下机器人控制程序,以实物实验的方式将强化学习策略应用于机械臂和艇体的自主作业控制并取得了成功,最后对实验结果进行了分析。

关键词： 药事管理   药事法规   教学理论   学习方法  

摘要： [目的]本文基于我国近年来对于药品安全性问题的重视与迫切解决的态度，结合笔者一线十余年专业课教学经验，结合药事管理专业15-21级7届学生的调研情况分析，面对现行教学模式中呈现出枯燥、掌握度低等不良趋势，深入探讨中外药事法规专业课程的教学方法及学习方式。[方法]笔者将通过对15-21级药事管理专业学生的问卷调查，运用SPSS软件对学生学习中外药事法规专业课的满意度评价进行分析，得出学生期望以及效果较好的“教与学”的方法，同时以药事管理专业课教授访谈辅之。[结论]利用合理的教学方法充分调动学生的学习积极性，充分发挥学生的主观能动性，在此过程中借助科技的工具和成熟的学习理论，通过改进和运用各种科学有效的学习方法来帮助学生学习，提高药事管理专业目标专业课程的教与学的效果。

关键词： 知识表示学习   知识图谱   数值实体表示   产品指标预测  

摘要： 通过知识表示学习方法将产品和指标表示为低维分布式向量，为后续的产品指标补全和产品设计方案预测奠定基础。然而现有的知识表示学习方法只处理实体-关系之间的离散型关联，而对于数值型指标的研究尚属空白。为此，文章依托复杂产品指标图谱的实际业务需求，设计了产品数值型指标的表示学习策略。针对关系三元组和指标三元组的语义差异，探索全新的联合学习训练方案。文章在五个前沿知识表示学习算法上进行实验，其中基于依次学习训练方案的ConvE算法，在图谱链接预测任务上Hit@10指标达到了最优的90.27%。实验结果验证了本文数值型指标表示方法和联合训练方案的有效性。

关键词： 舞台实践   高师声乐   声乐学习  

摘要： 舞台实践是高师声乐学生在学习过程中不可或缺的一步。它不仅可以加强学生的舞台意识，还可以提高学生的表现力。它是学生将音乐作品完整的展现给观众的重要步骤。有句老话说的好，“台上一分钟，台下十年功”。在舞台上几分钟的表现，需要表演者在幕后进行长期的练习才能够达到。在本研究中，首先对舞台实践的种类进行分析；其次，通过对高师声乐学生的舞台实践能力以及笔者的亲身实践经验进行全面的分析，进而找出驾驭、掌控舞台的方法和规律，希望能够为广大的高师学生在舞台实践的过程中提供一定的理论借鉴。

关键词： 深度聚类   邻接图   自监督学习   谱聚类   关键帧提取  

摘要： 随着互联网的高速发展,我国网络视频用户数量已经达到9亿之多,庞大的用户规模背后是互联网上视频数量的爆发式增长。面对如此庞大的视频数据量,如何高效地区分并管理这些视频数据已经成为各大视频平台亟待解决的问题。近年来,深度学习蓬勃发展,尤其是图像和视频语义分析研究的发展,为解决这个问题提供了更高效的方法。通过视频分类技术去识别视频中的内容,能够有效节省网络平台的人工审核成本,但是分类任务往往需要较充裕的有标签样本去训练模型,这在现实情况中有时不容易被满足。视频语义分析就是对视频中包含的多种内容信息进行分析的研究,本文主要是对视频场景进行分析。针对视频场景分析的问题,本文提出新的模型提取视频画面的特征,并使用聚类技术获取视频关键帧的方法,该方法可以针对大规模的视频进行处理,降低视频处理任务的规模,有效缩短对视频进行内容分析的时间。因此本文的内容包含两部分:1)关于深度自监督聚类算法的研究;2)使用深度自监督聚类算法进行视频语义分析的研究,并完成关键帧提取的任务。在深度自监督聚类研究中,本文提出了一种嵌入邻接图特征的深度自监督聚类算法。具体来说,我们首先对数据进行邻接图矩阵的构建,然后通过训练让编码器获取带有全局空间信息的深度特征表示,并在特征空间内使用KNN算法获取自监督伪标签。通过联合聚类损失、自动编码器重构损失和自监督损失,模型可以在保留局部特征的情况下,同时保持数据的全局结构,从而学习到适合聚类的特征。本文在多个图像数据集上进行实验验证了保留全局结构的重要性和算法的有效性。面向视频关键帧提取任务,基于上一步工作我们进一步完善了设计的深度自监督聚类模型,该模型通过卷积神经网络对视频进行特征提取,从而获取到视频的深度特征表示。模型的训练过程将深度特征分为两部分使用:1)在深度特征空间使用谱聚类算法得到自监督伪标签。2)在深度特征空间内嵌入自动编码器,使用谱聚类获取的伪标签去监督自动编码器的聚类结果,完成聚类任务。通过在多个图像数据集上进行实验,结果体现了模型使用的聚类算法的优越性,并在UCF-101数据集来进行关键帧提取任务,验证了模型提取关键帧的有效性。