关键词： 智能车   驾驶决策   个性化   深度强化学习  

摘要： 随着技术的发展,车辆智能化程度逐步提高,但要达到完全自动驾驶还需要一个过程。在此过程中,会存在人机共驾阶段。由于不同驾驶人的驾驶风格存在差异,如何为驾驶人提供个性化的自动驾驶服务,成为智能车推广与应用的关键因素。为此,本文重点对智能车的个性化驾驶决策进行研究。首先,对驾驶行为决策常用的三种方法(基于规则的决策方法、基于深度学习的方法和基于强化学习的方法)进行比较,在此基础上,确定了基于强化学习算法建立个性化驾驶决策模型,进而确定使用TORCS作为研究平台。基于该平台的特性设计了实验方案,招募多名被试进行模拟驾驶实验并采集了驾驶数据。基于对驾驶数据的分析,选取速度、方向盘转角和油门踏板开度参数作为表征驾驶决策个性化的指标参数。同时,保留驾驶人数据作为分析模型个性化程度的验证数据。其次,研究了深度强化学习的决策特性,分析了影响算法决策能力的因素。根据仿真平台的功能支持和强化学习特性,设计了驾驶决策学习模型。针对驾驶决策任务,设计了模型的状态空间、动作空间、奖励函数、深度神经网络和经验池。为模型中的部分感知参数添加个性化因子,通过预训练,分析决策数据,改变因子取值,形成能够学习不同驾驶风格的个性化驾驶决策模型。最后,选取平台中不同地图作为训练和测试环境,对个性化驾驶决策模型进行了测试验证。为比较模型的性能,加入其它基于强化学习算法构建的决策模型,以在线交互的方式进行训练。完成收敛后,使用测试地图对模型进行测试。测试结果显示,提出的方法比经典的深度强化学习算法收敛速度提升22%。相比于驾驶人,提出方法有更好的车道保持效果,在个性化指标参数上的表现与学习目标相似。经过聚类分析,模型落入与目标被试相同的驾驶风格簇,验证了个性化驾驶决策模型能够以安全的策略完成个性化驾驶决策任务。本文提出的个性化驾驶决策模型,对提升乘车舒适性、促进智能车技术的实用化具有一定价值。

关键词： 入侵检测   无线传感网络   机器学习   链路修复   模糊控制  

摘要： 随着互联网和物联网的不断发展,以万物互联而衍生的生态网络已经大量应用于我们的日常生活与工作生产中,在当前大规模的复杂网络中存在着恶意人员对物联网底层无线传感网络的攻击行为,遭到破坏的无线通信链路需要修复的现象,通过当前网络流量数据判断入侵行为和根据网络节点状况抉择最优待修复链路至关重要。由于无线传感网络中传感器节点能量有限,计算能力不足,当网络流量数据维度越来越高时,网络异常入侵检测会变得越来越难。在物联网应用环境中影响通信链路稳定性的因素众多,且每种影响因子所占比重均不一样,仅采用单个影响因子去衡量某个待修复链路的优劣性,难以选择出最优待修复链路。根据以上问题,本文采用受限玻尔兹曼机算法对无线网络中网络流量数据特征提取并降维,采用多层支持向量机算法分类异常数据实现入侵行为检测,对网络中损坏的链路通过模糊控制算法将网络节点状态信息带入模糊控制规则计算链路状态值,抉择出最优待修复链路。本文主要工作如下:（1）针对无线传感网络易遭受各种网络攻击,且网络节点能量有限,计算能力不足,在高维度流量数据传输下难以分析网络异常行为,本文设计了一种基于RBM-SVM算法的入侵检测模型来检测无线传感网络攻击行为。首先通过RBM模型对高维度流量数据特征提取并降维,结合WSN网络簇行结构建立多层SVM分类检测网络异常。本文采用NSLKDD公共入侵检测数据集验证所提出的入侵检测模型,试验结果表明该模型对网络流量检测准确率为99.06%。（2）针对无线传感器节点所组成的无线通信网络存在通信链路损坏,多条待修复链路中需要选择最优待修复链路来修复的问题,本文提出了一种基于模糊控制决策链路稳定性算法的修复策略,提取网络节点中无线通信链路稳定性影响因子,将影响因子量化输入模糊控制决策模型中,建立输入影响因子和输出判决值的隶属函数,建立合适的规则库,通过模糊推理与逆模糊化得到待链路中节点判决值,将待修复链路中稳定性最好、生命周期更长的链路进行修复。本文采用matlab仿真软件模拟无线通信链路,采用simulink建立模糊控制器证明了本文方法的可行性。

关键词： 主动学习   模糊集理论   多标签学习   煤矿安全  

摘要： 主动学习是降低大量无标记数据巨大打标代价的一种算法。传统的主动学习往往是针对清晰的单标签数据,在进行样本选择时只考虑了样本在分类器上的不确定性而没有利用数据本身的分布信息。现实中数据的某些特征属性往往具有模糊性,一些数据也同样具有多个类属标签。在此背景下,本文结合模糊集和多标签学习理论提出了一种改进的主动学习框架,并将该算法应用在煤矿安全态势数据的打标问题上进行研究。主要的研究内容如下:1.提出了基于模糊集理论的单标签主动学习方法(FTAL)首先,本文针对主动学习框架中涉及的模糊性,构建不确定性、不一致性、代表性和多样性结合的多准则样本价值度量。其次,将模糊信息熵融入到层次分析法中为多准则价值度量分配合理权重。最后,利用模糊综合评判模型选择评判结果优秀的样本进行专家打标。通过UCI公开数据集上的对比实验表明,本文提出的FTAL算法在Accuracy和F1值等指标上优于比较算法中的其他几种主动学习算法。2.提出了基于模糊集理论的多标签主动学习方法(ML-FTAL)首先,本文修改FTAL中针对单标签数据的不确定性和不一致性准则,使之能够适应多标签数据。其次,本文考虑样本和标签之间的相关性,以及标签空间集中标签之间的相关性。最后,通过Mulan(1)公开多标签数据集上的对比实验结果表明,本文提出的ML-FTAL算法在Hamming Loss和One-error指标上优于其他几种对比算法,不但能保持样本选择的有效性,还能保证多标签数据的打标效率。3.煤矿安全态势数据打标问题上的应用研究首先,本文对煤矿安全进行了背景调研。然后,本文对煤矿安全态势数据进行了特性分析和数据的预处理并应用主动学习方法为煤矿安全态势数据进行打标。最后,通过对比实验结果表明,本文提出的主动学习方法取得了更好的效果。

关键词： 高中化学   学法指导   化学核心素养   浓硫酸   化学史   化学学习   化学课堂   策略探析   学习方法   实验现象   知识迁移能力  

摘要： 高中化学作为理科学科之一,具有较强的理论性和抽象性。在化学学习中,学生普遍存在课堂中看似听懂但课后解题较差的现状,知识迁移能力和解题思维需加强培养。因此,教师应在充分了解学情的基础上,研读教材与考纲,多维度地进行针对性学法指导,旨在使学生能够掌握科学的化学学习方法,培养知识迁移能力和解决问题的能力。本文结合笔者的教学实践经验,对高中化学学法指导策略进行了以下几点探究:

关键词： 小学英语课堂   让学引思   学习方法  

摘要： 在小学英语教学中教师合理地运用让学引思的教学方法,摆脱传统的教学观念、设置生动的教学情景、在课堂上实施小组合作的学习方式,教师对学习内容进行引导,让学生通过合作、对话分享等提高学习效率。

关键词： 学习方法   错题本   知识点  

摘要： 每到新学期,尤其是关乎升学的学期,家长、老师都非常关心孩子们的学习,有的甚至产生焦虑心理,因为总感觉其他学生都比自己孩子的成绩好,也常常在反思,是孩子上课注意力不集中,不用心听讲,还是孩子的没有学习天赋?其实,据相关研究表明,大部分孩子成绩不佳是由于没有掌握高效的学习方法,常常陷入死记硬背、题海战术等低效的学习方法中,不仅学得很累,效果也不好。而优秀学子都有符合自身的学习方法,学得轻松,信心也高。其实家长不必羡慕其他孩子,更不必担心是孩子天赋有问题,只要孩子们能端正学习态度,找到符合自己的学习方法,一样可以变得优秀。下面我们就来总结一些常见的高效学习方法。

关键词： 公理模糊集理论   语义学习   监督学习   半监督学习   不平衡数据分析  

摘要： 随着人工智能领域的发展,许多行业将面临新的机遇和挑战。人工智能模型被用于辅助或替代人类作出决策,但在某些情况下,企业需要了解为什么会做出这样的决策,这使得可解释人工智能也日益受到人们的关注。公理模糊集理论作为一种从数据中有效提取语义信息的工具,它为可解释人工智能的探索提供了一种新的途径。本文以公理模糊集理论为基础,对监督学习,半监督学习以及不平衡数据分析问题进行了研究,主要工作包括:(1)本文基于公理模糊集理论和熵的概念设计分类器,该分类器具有良好的分类性能和可解释性,能够适应更多人性化的识别机制。由于现有的基于公理模糊集理论的分类器在获取最优语义描述方面存在不足,本文基于公理模糊集理论在香农熵的概念上进行扩展,提出一种新的度量方式,称之为基于公理模糊集的语义熵,它可以用于评价每个类别语义描述的区分能力。此外,本文还使用评价指标来精简描述,以提供良好的分类性能。与其他基于公理模糊集理论的分类器相比,该方法不是简单地使用阈值来筛选类别描述,而是使用语义熵来度量数据的语义信息,从而得到每一类数据的最优语义描述。为了说明分类器的性能,本文将所提出的方法与其他性能较好的分类器在多个数据集上进行对比分析。实验结果表明,该方法可以给出每个类别的语义描述,其性能相较于其他方法也具有一定的优势。(2)本文基于公理模糊集理论提出了语义半监督学习方法。它将两种机器学习模式有机地结合在一起,借助经典的支持向量机感知原始数据的逻辑事实,使用公理模糊集理论探究语义知识和纠正错误的认知来改善机器学习模型。基于不一致性的半监督学习可以被看作是一种优秀的学习模式,所以支持向量机和公理模糊集理论之间的不一致性可以用来提高模型的学习性能。与一般半监督方法相比,这种新方法可以构建一种结构来反映标记数据和未标记数据的分布信息,从而使隐含在标记数据和未标记数据中的信息得到充分利用,并且能够获得每个类别较好的描述。实验结果表明,该方法能够提供一个简洁、可理解、精确的半监督学习框架,在可解释性和准确性之间取得一定的平衡。(3)结合实际应用背景,本文基于公理模糊集理论研究了医学领域中疣治疗方式的选择问题。疣是一种由人类乳头瘤病毒引起的皮肤病,目前有许多相关的研究是建立在机器学习和数据挖掘技术基础之上的,试图为特定的疣患者找到最合适和有效的治疗方法。然而,医学数据分布的不平衡性可能导致这一领域的错误识别。本文采用过采样技术对不平衡数据进行处理,结合公理模糊集理论预测所使用的治疗方法是否能够治愈患者,并给出能够被治愈和不能够被治愈患者的描述性信息。与其他现有方法相比,该方法可以提供患者的描述性信息,有助于对预测结果进行进一步的分析。此外,该方法能够辅助医生进行治疗,节约医疗资源,提高治疗质量。

关键词： 命名数据网络   伪造分布特性   破坏分布特性   多变量相关分析   网内缓存  

摘要： 命名数据网络(Named Data Networking,NDN)作为一种未来网络的潜在架构被用于解决当前IP网络的诸多不足。通过以内容为中心的数据传输方式,NDN可以提升网络的可靠性、可扩展性与安全性。其典型特征是网内缓存,每一个路由节点都可以缓存数据以响应后续请求,从而降低请求响应时间并提升网络带宽利用率。但是网内缓存也增加了网络的安全风险,即缓存污染共攻击,包括破坏分布特性(Locality Disruption,通过随机请求不流行的内容使其变流行来破坏内容的分布特性)和伪造分布特性(False Locality,通过请求一系列不流行的内容使其占据路由节点中的缓存)两类。在本文中,我们提出了一种基于机器学习的检测NDN网络缓存污染攻击方法,称为基于三角区的多变量相关分析(Triangle Area Based Multivariate Correlation Analysis,TAB-MCA)。该检测系统包括两个技术:基于三角区的MCA技术和基于阈值的异常检测技术。TAB-MCA技术用于提取所有可能的两种特征组合之间隐藏的几何关系,基于阈值的异常检测技术帮助我们的模型能够在不需要先验知识的情况下区分攻击流量与合法流量。我们的技术可以精准地检测到两种类型的CPA,即破坏分布特性、伪造分布特性以及两者的组合。在XC拓扑上,本文所述方法在减弱网络攻击时表现出了更高的效率。与其他机器学习方法相比,本文提出的方法由于不需要攻击者的先验知识,在减弱缓存污染攻击时有着更小的代价,同时,本文提出的方法可以检测非均匀分布的攻击。

关键词： 核心素养   中职教育   古典诗词  

摘要： 在核心素养的大背景下,古典诗词教学将成为中职教育不可或缺的一部分,古典诗词的涵养教育意义将在职业教育中体现得更为重要。从中职语文的教学实际出发,对核心素养导向下如何引导中职生学习古典诗词的方法谈一些看法。

关键词： 人物识别   多模态学习   特征融合   模型融合  

摘要： 随着深度学习研究的发展,各种人工智能技术正逐步应用于社会生活,人物识别是人工智能领域中的一项重要内容。在实际应用领域中,视频中的人物识别任务已经成为待解决的现实问题。相比静态图像数据,视频数据包含了更为丰富的动态时序信息,如多变的图像信息和音频信息等,充分利用这些不同的模态信息能对视频中的识别任务提供帮助,而如何充分利用视频数据丰富的模态信息正是多模态融合方法所研究的一个重要方向。本文提出了一种基于位置注意力机制的多模态学习方法,其中注意力机制模块的主要思想是让系统更加关注重要的模态信息,而忽略相对无关的模态信息。该方法主要包括单一模态特征优化处理、多模态特征融合和多模态模型融合三部分。(1)单一模态特征的优化处理能提升算法的识别精度。因为特征提取算法不足,提取到的人物特征会存在缺陷。如果将原始人物特征直接馈入神经网络,进行分类训练,最终的识别结果可能达不到预期。对单一模态特征的优化处理可以改善这一情况。本文提出的利用位置注意力机制模块的方法可以增强相似特征、抑制离群特征,进而提高人物识别精度。(2)多模态特征融合方法可充分利用视频数据所包含的多种人物模态信息,以处理多种极端情况。例如,就人物识别任务而言,我们将重点利用人脸特征进行研究,并以头部、人体和音频特征作为辅助,进行多模态特征融合,可得到新的视频特征。在多模态特征融合过程中,利用位置注意力机制模块进行融合实验,将放大与人脸特征关联度较高的模态特征的影响,而与人脸特征关联度较低的模态特征的影响将被抑制。在保证人脸特征占主要影响的前提下,该方法能充分多种模态信息,进而提升算法的识别精度。(3)多模态模型融合方法能一定程度解决人物特征缺失的问题。在多模态模型融合过程中,我们通常会先训练多个弱学习器,并用于解决相同的问题。再将多个弱学习器进行组合,我们就可能得到一个更为精确、鲁棒的模型。当出现无法提取某些视频人物特征的极端情况时,本文将会对该类视频做场景特征提取实验,并分别把实验获得的场景特征和经过多模态特征融合获得的视频特征馈入神经网络进行训练,最后将训练所得模型进行多模态模型融合,以此改善人物识别效果。本文将介绍一个用于多模态人物识别的大型视频数据集——i QIYI-VID数据集,它由600K视频剪辑组成。在i QIYI-VID数据集上的实验结果表明,该算法的识别结果与其他算法的识别结果相比是最优的。