关键词： 高中英语   高效学习   学习方法  

摘要： 高中英语是高中阶段十分重要的一门学科,对今后的高考及进入大学之后学习更高层次的英语知识都有着重要的影响。高中生必须对英语知识进行有效学习,提升自身的英语知识水平。在目前高中英语知识的学习中,为了能得到理想的学习效果,高中生应掌握高效的学习方法,通过高效学习方法的应用实现对英语知识的有效学习,提升学生的英语知识水平及能力。

关键词： 初中物理   自主学习   学习方法  

摘要： 物理学科起源于生活,寓于生活,又用于生活,对学生来说是既熟悉又陌生的一门自然科学。在实际教学过程中,教师应该从实际出发,规避负面影响的因素,从课堂实验开展、课后实验创新、教学分层设计、反思习惯养成等方面着手,增强学生的自主学习乐趣,锻炼学生的自主学习能力,帮助其习得自主学习方法。

关键词： 泛素化   位点预测   深度学习   半监督学习   生成对抗网络  

摘要： 蛋白质泛素化修饰在细胞信号转导、细胞周期调控、DNA损伤应答和细胞免疫应答等众多生命过程中发挥关键调控作用。研究人员在多种遗传性的退行性疾病中发现了蛋白质泛素化修饰的改变,说明其与相关疾病的发生密切相关,揭示其调控机制对这些疾病的诊疗以及相关药物开发都具有重要意义。通过生物实验已经识别出了大量泛素化蛋白及其修饰位点,然而,生物实验难以进行快速大规模的位点识别。因此,生物信息学方法被引入到该研究领域。但是,目前的预测算法普遍存在所用序列特征偏少、分类算法陈旧、负样本不可靠、正负样本数据量不平衡等问题,这在一定程度上影响了预测性能的提升。同时,数据的大量积累使得深度学习方法在该问题上能够有效应用,但是基于深度学习方法的预测程序还很少,很多性能优异的深度模型尚未被应用。针对上述问题,本文在对蛋白质序列进行多种特征提取的基础上提出了一个应用深度学习技术预测蛋白质泛素化修饰的算法。首先对蛋白质序列提取8种序列特征和5种结构特征,并对提取到的原始特征向量通过特征选择进行降维。然后,提出了一个基于半监督深度学习方法的蛋白质泛素化位点预测框架。该框架分为三个处理阶段。首先,通过一种基于半监督生成对抗网络模型的异常点检测算法GANomaly从无标记样本中构建可靠负样本集,以此提高负样本的可靠性。然后,通过一个生成对抗网络模型不断生成新的正样本从而实现对正样本集的扩增,改善训练集不平衡问题。最后,通过训练一个包含多个卷积层和全连接层的深度神经网络分类器对蛋白质泛素化修饰位点进行分类识别。最后,我们通过实验对算法性能进行了测试。首先,从不同物种中收集泛素化蛋白及修饰位点数据组成了4组不同规模和物种构成的数据集。然后,在训练集上进行了10倍交叉检验,结果表明,本算法在预测性能上优于现有算法。接下来,在独立测试集上进行了测试,结果表明,本算法预测性能得到了提升,同时,不可靠的测试集在一定程度上影响了性能提升幅度。最后,通过实验分析了算法中各种策略对预测性能提升的有效性,结果表明,提取可靠负样本集和扩增正样本集都对性能的提升具有促进作用,这两种策略联合使用的促进作用更大。

关键词： 高中物理   电路知识   学习方法   解题思路   探析  

摘要： 随着时代的不断发展和进步,新课改正在不断地深入推进,在这一过程中使得我国高中物理中的教学内容和目标出现了一定的变化。在这种环境下,学生在学习高中物理知识时,就需要不断学习和掌握更多更新更高效的学习方法和相关解题思路,以便更好地提升高中物理知识的学习质量和效率。本文主要围绕高中物理电路知识对其各类知识的学习方法进行深入剖析,同时还对高中物理电路知识的解题思路作了进一步研究,并对其相关注意事项作了说明,以期更好地帮助高中学生更好地去学习、理解、掌握和运用电路相关知识。

关键词： 风电功率预测   集成学习   集成修剪   自适应更新   局部学习   概率建模   进化优化  

摘要： 随着风电并网规模的扩大,风能的间歇性、波动性和随机性会对电网造成巨大冲击,准确的风电功率预测能有效的制定发电计划和统筹调度,从而保证电力系统的稳定运行。由于风能的随机性和波动性,单一的预测模型难以得到令人满意的结果,为了提高预测精度和鲁棒性,本文以集成学习思想为基本框架,研究基于集成学习的高性能风电功率预测方法。论文的主要研究内容如下:(1)针对传统集成风电功率预测方法中基模型多样性构建不充分、未考虑集成修剪和无法描述预测的不确定性等问题,提出了一种基于有限混合高斯过程回归的选择性集成风电功率概率预测方法。该方法以高斯过程回归为基学习器,通过多模态扰动机制充分激发基模型的多样性,并利用遗传算法和有限混合机制实现对基模型的选择性集成。此外,该方法还搭载了自适应更新机制为了缓解风电数据的概念漂移。最后通过美国一个真实风电场数据验证了该方法的有效性。(2)风电历史数据蕴含着多种复杂状态特征,而全局建模往往因为缺乏有效的局部描述能力,导致风电功率预测性能受限。为此,引入局部学习建模思想,结合选择性集成学习策略,提出一种基于进化多目标优化的选择性异质集成风电功率预测方法。首先,综合K均值聚类和K近邻的优势实现局部区域辨识;随后,利用多种建模技术建立具有多样性的异质模型库;最后,利用进化多目标优化实现基模型的集成修剪,并利用简单平均的方式得到集成预测输出。通过云南省一个风电场数据验证了该方法的有效性。(3)鉴于全局模型不能有效表征风电波动状态的局部特征而且无法实现自适应更新导致风电功率预测性能不足,提出一种基于自适应选择性集成即时学习的风电功率预测方法。该方法以极限学习机为基学习器,采用即时学习思想建立一个多样性的模型库。对于一个新的测试样本,首先构建一个即时学习预测模型,并将其加入模型库,然后选择一个相似样本集评估基模型的性能,最后挑选出一组最佳基模型进行自适应集成。当获得最新的风电数据后,采用移动窗口技术对建模数据库进行自适应更新。通过两组真实风电数据验证了所提方法的有效性。

关键词： 财务困境   财务预警   指标选择   分类与回归树  

摘要： 财务困境是指公司经营过程中财务状况严重恶化、出现债务违约甚至面临破产风险的状况。及时、有效地进行财务困境的预警可以使企业及早发现其生产经营管理的严重问题,避免恶性损失的发生。近年来,我国证券市场上出现了很多因为陷入财务困境被特别处理的上市公司,由于目前我国证券市场信息还不对称,企业的财务危机甚至会对市场环境带来恶劣冲击。因此,无论是从企业自身的角度来说还是从利益相关者的角度来讲,如何建立一个有效的财务困境预警机制都是一个非常重要的研究课题。早期财务困境预警体系主要由财务指标构成,涉及偿债能力、盈利水平、运营效率、成长性、现金流等。由于财务指标存在滞后性,学者开始从财务困境发生原因入手,寻找具有相关性的非财务指标和变量,如公司内部治理指标,包括董事长总经理两职分离、股权集中度、公司董监高持股比例、董监高薪酬等。对财务指标、非财务指标进行预警分析,通过差异性检验和相关性检验发现,偿债能力指标(利息保障倍数、资产负债率、经营活动产生现金流量净额/合计负债、长期债务与营运资金比率)、运营能力指标(总资产周转率、固定资产周转率)、盈利能力指标(净资产收益率、营业毛利率、资产报酬率)等财务指标、股权结构与公司治理指标(高管持股比例、董监高薪酬、股东大会与董事会召开次数等)、EVA指标、金融网络指标(程度中心度)等非财务指标对财务预警均有意义。使用上述具有预警意义的指标并应用分类与回归树模型(CART)研究发现,财务指标中偿债能力指标利息保障倍数、盈利能力指标净资产收益率等在更接近财务困境发生时期时预测能力越强,运营能力指标总资产周转率等在更为早期的预测中预警效果更好。统计检验方法只是指标选择方法的一种,且指标选择合适与否对预警效果具有较大影响。常见的机器学习方法有十余种,因此指标选择方法与机器学习方法的搭配组合高达数十种。研究发现,不同时期最优组合不完全相同,但Ada Boost方法在不同时期中搭配不同方法预警效果较优。财务困境预警的研究意义不仅在于对财务困境进行预测,还在于找出对财务困境发生具有警示意义的指标。对于企业而言,跟踪并关注相关指标的变化情况,找出相关指标恶化原因并及时采取措施应对,可以使企业保持良好的运行状态,实现稳健经营、持续发展。对于投资者而言,及时关注上市公司相关指标变化,有助于进行科学的投资决策,风险厌恶型投资人可以规避财务困境企业减少损失。

关键词： 绝缘子检测   Faster R-CNN   非对称卷积核   卷积核组合   旋转目标检测   深度学习  

摘要： 绝缘子在高铁架空输电线中起支撑接触网导线和防止电流回地的作用,目前高铁架空输电线中大多使用陶瓷绝缘子,陶瓷绝缘子在室外受潮或受雷电击穿时会损坏或变成零值绝缘子,严重影响高铁运行的安全,因此,绝缘子的缺陷检测在高铁线检中尤为重要。目前主流的目标检测算法分为两阶段目标检测算法和单阶段目标检测算法,深度学习目标检测算法由于其强大的特征表示能力,加之近年来数据量的积累和硬件计算力的进步,逐步成为热点技术。不论是两阶段还是单阶段的目标检测算法,在众多领域,如无人驾驶、视觉搜索和图像理解等场景中均有广泛应用。本文针对绝缘子缺陷检测中的定位问题,采用基于深度学习的目标检测算法对绝缘子检测与定位展开研究。针对绝缘子检测精度问题,本文首先改进Faster R-CNN特征提取网络VGG16,在保持VGG16网络前七层特征提取层的基础上,引入非对称卷积核和卷积核组合等形成高层特征提取块替换其深层特征提取层,最终减小了特征提取网络深度,拓宽了网络宽度。测试结果表明,本文改进的特征提取网络提高了复杂场景中的绝缘子检测精确度。其次,本文进一步使用K-means++(K均值++)算法统计绝缘子标注框的聚类结果,通过对K-means++算法的聚类中心设置不同的值,以及在不同的聚类中心下多次随机生成初始聚类中心,对比分析最终选定3个聚类中心,合理设置锚框的尺寸和比例。对比测试表明,本文重置锚框后能更精确的标识绝缘子位置,并提高了绝缘子检测精确度。最后,本文引入感兴趣区域转换器(Ro I Transformer)。通过训练得到旋转参数,将水平感兴趣区域转换为旋转感兴趣区域,最终使用旋转矩形框标识倾斜绝缘子,在增加较少网络计算量的基础上,提升了倾斜绝缘子的定位准确度。针对绝缘子检测速度问题,本文改进了Faster R-CNN特征提取网络VGG16,将原有VGG16特征提取网络改为层数较少的VGG7-Inception网络。相比VGG16网络,VGG7-Inception网络参数更少,特征提取速度更快。此外,在VGG7-Inception中,使用了非对称卷积核、级联小卷积核以及1×1卷积核,最终减少了网络计算量,缩短了绝缘子检测时间。本文在四种绝缘子检测场景下验证改进算法,实验结果表明,相比原Faster R-CNN算法,本文算法的平均相对检测时间为61%、检测精准率和召回率分别为98.7%和98.6%。验证结果表明本文基于Faster R-CNN算法的改进在绝缘子检测中提升了检测精度,减少了检测时间。

关键词： 中学历史   史料教学   历史思维能力   问题情境   学习方法  

摘要： 中学历史新课程标准中指出,教师应该了解和认知以历史材料为依据来解释历史的重要性,加强史料教学等。传统的中学历史教学中,教师通常是运用灌输式的教学方式,总想着将历史时间、历史事件、历史人物等一股脑地抛给学生,但是这种教学方式常会导致学生消化不良。新课标背景下,教师应该加强史料教学,利用丰富多样、生动有趣的历史材料,通过运用史料创设生动的问题情境、指导学生读懂和读通各种史料、运用史料指导历史的学习方法、精心设计史料相关的历史题目,更好发挥史料教学的重要,培养和提高中学生历史思维能力。

关键词： FTIR红外光谱   茶油掺伪检测   机器学习   卷积平滑   随机森林   支持向量机  

摘要： 茶油作为我国一种特有的高端食用植物油,由于其具有丰富的脂肪酸和营养成分,其价格相比于普通食用油普遍较高。因此,市场上部分不良商家通过掺杂低价格的食用油以此来牟取暴利,然而传统的检测手段具有不同的检测限制和检测缺点,无法满足市场快速简洁的检测要求,使得迫切需要开发一种快速准确的检测技术。本文利用红外光谱技术具有简单、快速、无污染和无破坏性的优势,研究傅里叶变换红外光谱（FTIR）结合传统机器学习在茶油掺伪检测模型的研究,主要研究内容包括:首先,概括介绍红外光谱检测技术原理,制作两种分别掺有不同比例的玉米油和大豆油的掺伪茶油样本,利用傅里叶红外光谱仪器获取所有样本的FTIR光谱。对样本的FTIR光谱进行研究分析,通过对比不同种类的食用油FTIR光谱发现三种食用油在指纹图谱内只存在细微差异,不同比例掺伪茶油的FTIR光谱更加相似,难以直接区分开来,因此建立一种基于FTIR光谱的茶油掺伪检测机器学习分类模型来解决。其次,为了解决噪声影响模型分类准确率的问题。先对光谱4000-400cm-1范围进行几种光谱预处理后,分别建立马氏距离判别（Mah）、支持向量机（SVM）、人工神经网络（BPNN）等三种传统的机器学习茶油掺伪检测模型。再通过对比平滑法、导数法、光散射校正等三种光谱预处理方法对模型分类准确率的影响,最后选择卷积平滑（SG）和多元散射校正（MSC）做为模型的预选光谱预处理,此时模型最佳的分类准确率为83%。然后,针对样本光谱数据特征变量众多,且大部分存在相关共线性,影响模型的处理速度和稳定性的问题。对SG平滑和MSC处理后的两种光谱,分别使用主成分分析（PCA）、连续投影算法（SPA）和随机森林（RF）三种特征波长选择方法进行降维。最后建立三种机器学习分类模型,通过对比发现:SG-RF-SVM模型在稳定性和准确率上表现最佳,此时模型对测试集样本的准确率达到了86%。最后,由于SG-RF-SVM模型的准确率受SVM模型部分参数影响。针对SVM模型的核函数、惩罚参数c和核函数参数g进行SG-RF-SVM模型优化,通过K折交叉验证的方法寻找惩罚参数和核函数参数在一定范围的最优解,最后优化后的SG-RF-SVM茶油掺伪检测模型分类准确率达到了93%,达到了传统检测分类的要求。

关键词： 紫外-可见光谱   CODMn   XGBoost算法   BP神经网络   预测  

摘要： 地表水监测常用指标CODMn(高锰酸盐指数)在目前的国家标准中采用化学试剂来测定,该法优势明显但存在着样品回流加热时间长、易二次污染、操作复杂等缺陷。采用光谱仪可以测取水样光谱,通过定量分析光谱,可以得到光谱与CODMn之间的关系。然而水体组分过于复杂,一一分析各组分与光谱之间的对应关系非常困难。机器学习理论及模型是一个典型的黑箱系统,能从大量现象中提取反复出现的规律与模式。为此,本文以紫外-可见光谱仪测取的水样光谱数据和CODMn化验数据为基础,重点研究XGBoost算法、BP神经网络及其优化算法GA搭建水质CODMn预测模型的过程,从而实现利用光谱预测水样CODMn的目标,论文的重点工作可概括如下:(1)分析水样光谱数据特性并进行数据预处理。针对采集到的水样光谱数据具有高维度的特点,本文采用主成分降维法对光谱数据中包含的1297维吸光度信息进行降维处理后得到8个主成分,大大降低了吸光度数据的维度;针对机器学习数据集构建的一般要求,合理分割数据集,为机器学习模型的搭建奠定数据基础。(2)搭建并训练XGBoost预测模型。根据XGBoost算法参数众多的特点,采用Grid Search的方法进行参数调优,然后搭建并训练好XGBoost预测模型,导入测试集后分析预测结果,结果表明该模型拟合优度达0.90,预测CODMn的性能较好;(3)搭建并训练GA-BP预测模型。研究BP神经网络及其优化算法GA原理,分析BP神经网络各层神经元个数及权值、阈值的确定方法,然后搭建三层结构的GA-BP神经网络预测整模型并训练好,导入测试集后分析预测结果,结果表明该模型拟合优度达0.95,预测CODMn的性能很好。本文可以为生态文明建设和水质监测技术革新提供思路参考和技术借鉴。