关键词： 城市隧道   爆破施工   深度学习   特征降维   优化算法   回归预测  

摘要： 为了对爆破施工诱发的振动进行精准预测,提出一种基于t-SNE特征降维算法和BWO算法优化的深度学习GRU模型。基于厦门海沧海底隧道陆域浅埋段的爆破振动监测数据,以岩石单轴抗压强度、岩体完整性系数、爆心距、炸药单耗、辅助孔排距、周边孔孔距6个参数为输入变量,以主控爆破振动参数爆破振速和爆破主频为输出变量,对该模型的预测准确性进行验证,并与传统机器学习模型SVR算法和BPNN算法进行对比。结果表明,采用t-SNE-BWO-GRU深度学习模型对爆破振动参数进行预测,其R2平均值为0.9760,MAPE平均值为5.70%,爆破振速RMSE为0.0193,爆破主频RMSE为2.2140,可以实现对爆破振动参数的准确预测。

关键词： 小样本学习   转导推理   数据扰动   按特征线性调制变换  

摘要： 针对目前小样本图像分类推断置信度有待提高的问题,提出一个新的结合元置信转导推理、数据混淆方法和按特征线性调制方法的模型.首先,利用转导推理在训练过程中能学习到推断数据的性质,可以有针对性地学习;其次,在网络结构中结合数据混淆方法,加强对关键特征的提取,提升模型的特征发现能力;最后,在转导推理框架中加入按特征线性调制变换以改进模型的小样本查询能力.在标准数据集Mini-ImageNet和Tiered-ImageNet上进行实验的结果表明,该模型在这两个数据集上执行5-way 1-shot任务时准确率分别提升了3.21,3.36个百分点,在5-way 5-shot任务上准确率分别提升了2.89,1.89个百分点.实验结果验证了该方法的有效性.

关键词： 中小学英语教学   语言知识   主题   意义   深度学习  

摘要： “主题”和“意义”是目前中小学英语教学的关注点,被认为是落实英语课程“深度学习”的关键。但将“主题”和“意义”作为教学的核心,替代传统的语言知识教学,却在实践中引发了普遍的困惑“。主题“”意义”因带有“核心素养”的光环而被人看重,但“主题”“意义”和语言知识之争,不过是教学论史上“形式教育”和“实质教育”之争的英语版,二者难言优劣。脱离语言知识去追求“主题“”意义”,会面临根基不稳的风险,且将“主题“”意义”作为中小学英语教学应该追求的核心素养,还会削弱英语课的学科属性,导致英语教学形深而实浅。从语言学研究来看,英语课的核心素养应该聚焦语言知识本身。因此,只有艺术化地进行语言知识教学,让学生学得透彻而灵活,才能真正实现“深度学习”。

关键词： 伪标签   标签校正   元学习   知识蒸馏   噪声数据  

摘要： 利用含有有损标签的噪声数据来训练深度学习模型是机器学习中的研究热点.研究表明深度学习模型训练易受噪声数据的影响而产生过拟合现象.最近,一种将元学习与标签校正相结合的方法能够使模型更好地适应噪声数据以减缓过拟合现象,然而这种元标签校正方法依赖于模型的性能,同时轻量化模型在噪声数据下不具备良好的泛化性能.针对这一问题,本文结合元学习提出一种基于在线蒸馏的轻量化噪声标签学习方法KDMLC(knowledge distillation-based meta-label correction learning),该方法将深度神经网络与多层感知机构成的元标签校正(meta label correction,MLC)模型视为教师模型,对噪声标签进行校正并指导轻量化模型进行训练,同时采用双层优化策略训练并增强教师模型的泛化能力,从而生成更高质量的伪标签用于训练轻量化模型.实验表明,KDMLC在高噪声水平下对比MLC方法准确率提高了5.50个百分点;同时对CIFAR10数据集使用Cutout数据增强,KDMLC在高噪声水平下对比MLC准确率提升了9.11个百分点,而在真实噪声数据集Clothing1M上的实验,KDMLC也优于其他方法,验证了KDMLC的可行性和有效性.

关键词： 学业质量标准   有意义学习   中外历史   路径与方法   内在逻辑关系   进阶路径   理解把握   基本规律  

摘要： 历史学科的“有意义学习”,指教师在准确理解把握历史的基础上,引导学生在唯物史观的指导下对史事进行有意义的关联,循着学业质量标准的思维进阶路径构筑问题场域,揭示史事之间内在逻辑关系,从而认识历史发展的基本规律和趋势。本文以统编《中外历史纲要(上)》(以下简称《纲要(上)》)第25课“中华人民共和国成立和向社会主义的过渡”为例,尝试从学业质量标准角度探索历史学科“有意义学习”发生的路径与方法。

关键词： 数据共享   时空大数据   群体学习   分布式学习  

摘要： 实现时空数据的共享流通及协同分析能够挖掘数据潜在价值、助力地理信息产业发展,但私有数据的隐私泄露抑制了时空数据的共享.为了在进一步推动时空数据共享程度、优化共享效果的同时兼顾参与方经济效益及合法权益,提出了一种时空数据隐私保护共享的群体学习(spatio-temporal data privacy preserving sharing swarm learning,STDPPS-SL)方法.首先,构建基于群体学习的多参与方时空数据共享网络,保护参与方数据所有权,实现数据内容不泄漏且参与方权益平等的时空数据共享;其次,提出基于t分布的差分隐私随机梯度下降算法,防止共享过程中因隐私泄露导致参与方私有数据保密性被破坏,从而造成参与方经济损失;最后,设计打分系统量化参与方可信程度,保证数据共享结果可信.理论分析证明,本文所提方法(STDPPS-SL)满足严格差分隐私,能够保护参与方的私有数据所有权.在公开数据集上的对比实验表明,该方法(STDPPS-SL)能够实现参与方隐私保护的时空数据共享,并且兼顾安全性与可用性.

关键词： 太阳耀斑   日冕物质抛射   太阳质子事件   机器学习   预报模型  

摘要： 太阳爆发活动主要包括太阳耀斑、日冕物质抛射(coronal mass ejections,CME)和太阳质子事件(solar proton events,SPE),太阳爆发活动对空间天气和高技术领域有重要影响.太阳爆发活动短期预报是空间天气预报中一个活跃的研究领域.目前,数值的、统计的和机器学习的方法被用来建立太阳爆发活动预报模型.随着天基和地基观测设备的发展,积累了大量的太阳观测数据,数据驱动的太阳爆发活动预报模型取得了重大进展.本文介绍了机器学习算法在太阳爆发活动预报中的应用,总结了预报建模过程,概述了太阳爆发活动预报模型的进展,并展望了未来可能的研究方向.

关键词： 水稻   叶龄分析   深度学习   叶脉偏向法  

摘要： 【目的】通过水稻叶龄识别技术,判断水稻所处生长发育阶段,实现精准管控,有效辅助水稻种植管理。【方法】本研究选定叶脉偏向法来识别判断水稻叶龄,其中的关键是从水稻叶片图像中提取出叶片的主叶脉。本研究通过深度学习方法来提取叶脉图像以及叶片轮廓,从而获得叶脉偏向,确定水稻叶龄。【结果】最终训练好的Mask R-CNN模型在三个评估标准上均表现良好,平均交并比(MIoU)达到了93.23%,平均像素精确度(MPA)达到了96.17%,准确率(Accuracy)达到了98.84%,检测结果证明了该模型具有较好的泛化能力和实用价值。【结论】本研究提出的方法能够更加精确地判断水稻叶龄,对了解水稻生长情况具有重要作用,也有利于提高水稻产量及品质。

关键词： 卷积神经网络   重症监护室   医用耗材   深度学习  

摘要： 本文采用卷积神经网络(CNN)开发了一种用于管理重症监护室(ICU)医用耗材的深度学习方法。通过在真实ICU环境中进行系统培训,考虑了特殊的照明条件和临床工作流程的不利情况,成功地训练了一个能够识别多种医疗耗材的模型。该模型在无遮挡的情况下表现出良好的识别性能,特别是对于具有大表面积和可区分特征的材料。即使在材料被50%覆盖的情况下,系统的识别准确率仍然可接受。此外,进行了统计分析,证明了不同情景对系统性能的影响。这项研究为ICU管理医用耗材提供了一种创新的方法,有望提高临床工作效率和患者护理质量。

关键词： 小学语文   有意义   情境任务   设计与实施  

摘要： 语文学习情境任务是2022年版课标理念中“学习任务群”的构成基础,也是语文学习的重要载体。因此,教师可以创设“启发式”“结构式”“迁移式”三种情境任务类型,从“联结学习活动”“深化学习过程”“拓展学习视野”三个层面展开教学,为有意义的语文学习情境任务的设计与实施提供行动方案。