关键词： 小学英语   阅读   趣味   课堂   学习方法  

摘要： 在英语学习中,学生对其产生浓厚的兴趣才会积极主动地去学习、去探究,最终有所收获。本文立足于小学英语课堂学习实践,根据学习经验提出了小学英语趣味化学习方法探析,以此来促进小学英语课堂学习效率的提升。

关键词： 有效载荷   状态判别   集成学习   信息增益   梯度提升决策树   科学卫星  

摘要： 针对载荷单机设备遥测参数维度高、数据量大、存在类别不平衡、无法直观判别单机设备运行情况等问题,考虑到航天任务对可解释性的要求,提出一种基于信息增益参数特征选择和集成学习方法的载荷单机状态快速识别方法。采用统计量性质和信息增益子集搜索方法对遥测数据进行特征筛选降维,通过集成学习模型算法实现载荷单机设备状态的自适应识别分类。所提方法将信息增益的参数分类信息量评价准则和集成学习拟合能力强、类别不平衡下准确率高和抗噪能力强等优点相结合,兼顾模型特征和结果的可解释性,提供了重点参数发现功能。采用科学卫星任务真实载荷遥测参数数据对该方法进行了验证,整体识别准确率高于90%,少数样本亦可准确识别,整体效果可达到在轨任务要求,证明了所提方法的有效性和实用性。

关键词： 医学图像   迁移学习   神经网络   深度学习  

摘要： 深度学习技术发展迅速,在医学图像处理领域取得了显著成果。但是由于医学图像样本少,标注困难,使得深度学习的效果远未达到预期。近年,利用迁移学习方法缓解医学图像样本不足的问题,提高深度学习技术在医学图像领域的效果,成为了研究热点之一。介绍了迁移学习方法的基本概念、类型、常用策略及模型,根据迁移学习方法的类型,对当前医学图像领域具有代表性的相关研究进行了梳理与小结,对该领域的未来发展进行了总结和展望。

关键词： 党的历史   党史学习教育   建党百年  

摘要： 重视学习党的历史,一直是我们党的政治优势和光荣传统。习近平总书记关于党的历史的重要论述,是新时代我们党对自身历史发展规律性认识的再深化和新飞跃,为我们学习党史提供了重要遵循。通过深入学习领会,能够深刻领悟我们党百年历史中蕴含的崇高的历史情怀、思想情怀、人民情怀,不断从党的历史中汲取奋进奋斗的智慧与力量,走好新的赶考之路,向着第二个百年奋斗目标迈进。

关键词： 哮喘   逻辑回归分析   支持向量机   深度神经网络  

摘要： 目的比较逻辑回归分析、支持向量机和深度神经网络3种机器学习方法在哮喘预测和诊断过程中的准确性。方法选取2020年1月至2021年6月杞县人民医院收治的370例哮喘患者和201例其他呼吸道疾病患者作为研究对象,选择了22条哮喘诊断相关的条件作为输入数据,使用逻辑回归分析、支持向量机和深度神经网络3种算法分别对患者的输入数据进行分析,分析结果与医生专业的临床诊断结果进行比较,计算3种算法在哮喘诊断时的准确率并进行比较。结果当输入全部22个因素时,逻辑回归分析方法诊断哮喘准确率为94%,接收者操作特征曲线下面积(AUC)为0.97;支持向量机方法诊断哮喘准确率为82%,AUC为0.83;深度神经网络方法诊断哮喘准确率为98%,AUC为0.99。结论深度神经网络能够根据患者的临床数据准确预测哮喘,该深度神经网络的方法预测哮喘时比逻辑回归分析和支持向量机方法准确率更高,可以用于医生诊断哮喘时的助理服务,这一研究可以提高医生诊断哮喘时的准确性,值得在临床推广应用。

关键词： 网络表示学习   属性网络   不完全信息   变分自编码器  

摘要： 网络表示学习的目标是将网络中的节点嵌入到低维的向量空间,为下游任务提供有效特征表示。在现实场景中,大规模网络通常具有不完整的链路,而现有的大多数网络表示学习模型都是在网络是完整的假设下设计的,因此其性能很容易受到链路缺失的影响。针对该问题,文中提出了一种基于不完全信息的深度网络表示学习方法DNRL(Deep Network Representation Learning)。首先采用转移概率矩阵将结构信息和属性信息进行动态融合,弥补了结构信息不完整带来的过大损失,然后采用一种具有强大特征提取能力的深度生成模型(变分自编码器)来学习节点的低维表示,并捕获网络数据中潜在的高非线性特征。在3个真实属性网络上的实验结果表明,与当前常用的网络表示学习模型相比,所提模型在不同程度链路缺失的节点分类任务中都明显地改善了分类效果,在可视化任务中更清晰地反映了节点的团簇关系。

关键词： 高中数学   数学公式学习   学习方法  

摘要： 公式的熟练运用对高中数学学习至关重要,但不少学生在公式的掌握方面存在问题。本文针对学生在公式掌握方面存在的问题表现、成因及对策作逐一分析。

关键词： 胸腔积液   肿瘤标志物   联合诊断   统计学习  

摘要： 目的基于统计学习方法探讨癌胚抗原(carcinoembryonic antigen,CEA)、糖链抗原(carbohydrate antigen,CA)125、CA15-3和CA19-9四种肿瘤标志物的不同联合对鉴别良恶性胸腔积液的诊断价值。方法收集北京和武汉两家医院共319例患者的胸腔积液标本及配对血清标本,应用化学发光法检测CEA、CA125、CA15-3及CA19-9在血清及胸腔积液中的浓度,采集患者的性别、年龄等协变量信息,分别应用logistic回归、随机森林和支持向量机三种方法建立联合诊断模型,通过受试者工作特征(receiver operating characteristics,ROC)曲线分析比较其诊断价值。结果使用支持向量机方法,获得胸腔积液中CEA+CA19-9的联合诊断对应的ROC曲线下面积(areas under the curve,AUC)值最大(0.92,P<0.001),灵敏度最高(0.82),特异度为0.96,AUC值比单一肿瘤标志物诊断最优值提高了1.6%,灵敏度提高了3.8%;使用logistic回归方法,获得胸腔积液中CEA+CA15-3+CA19-9联合诊断对应的AUC值达到0.91(P<0.001),比单一肿瘤标志物最优模型AUC值提高了5.7%,灵敏度提高13.2%,特异度提高4.3%;3.使用随机森林方法,最优灵敏度达到0.82,最高AUC值为0.89(P<0.001),比单一肿瘤标志物最优模型AUC值提高了5.1%,灵敏度提高6.5%,特异度提高3.3%。结论相比单一肿瘤标志物诊断,联合多肿瘤标志物的诊断能够提高诊断精度,但是提高幅度不大。基于支持向量机方法,使用胸腔积液中单一肿瘤标志物CEA即可达到较好的良、恶性胸腔积液诊断效果。综合考虑患者就医的经济负担和就医体验等因素,本研究不推荐使用多肿瘤标志物的联合诊断。

关键词： 土壤湿度   集成学习   降尺度   CLDAS  

摘要： 土壤湿度为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.以华北地区作为研究区,基于单一模型(梯度提升机、深度前馈神经网络和随机森林)以及Stacking集成学习方法,对中国气象局陆面数据同化系统(CLDAS-V2.0)0~10 cm土层土壤湿度产品开展了降尺度研究.2019年4-10月降尺度模型的估算结果表明,0~10 cm土层土壤湿度空间分辨率从6 km降尺度至1 km,4种降尺度方法结果均能反映出我国土壤湿度时空变化规律,一定程度上改进CLDAS产品高估现象,且空间分布细节更加丰富,精度得到提高,其中以Stacking集成学习的降尺度方法最好,降尺度的土壤湿度估算值与站点观测数据的相关性最高(R=0.7568),并且具有最小的误差(均方根误差为0.0505 m^(3)/m^(3),偏差为-0.0052 m^(3)/m^(3)).时间上,Stacking集成学习的降尺度结果同样与实测值的动态变化具有更高的相关性,均方根误差和偏差以Stacking集成学习方法最小,其次为随机森林和深度前馈神经网络.

关键词： 多语言语义   角色标注   联合学习方法   卷积神经网络  

摘要： 为解决文本语言输出标签序列过于模糊的问题,建立一种相对平稳的级联重排序模式,提出基于Self-Attention的多语言语义角色标注联合学习方法。按照卷积神经网络的框架连接需求,搭建卷积神经网络、处理文本词向量及提取分类特征实施多语言文本词的向量化处理,并根据分类特征的提取行为,完成基于Self-Attention理论的多语言文本分类调节。实验结果表明,该方法的文本语言输出标签序列的模糊性水平明显降低,而级联重显示指标却大幅提升,整个物理排序模式开始逐渐趋于稳定。