关键词： 移动边缘计算   工业物联网   0-1卸载   资源优化   多智能体强化学习  

摘要： 近年来,得利于无线通信技术的快速发展,全球移动设备的数量已经远远大于主机型电子设备。移动设备在给人类带来便利的同时,也在科技技术上对人类提出了更多的要求。由于移动设备受电池容量的限制,其计算能力是非常有限的。伴随着人们对移动智能设备更高的依赖和要求,更多且更繁重的任务需要它们去完成,如何在有限的计算能力和电池容量下完成复杂的任务成为该领域急需突破的关键性任务。研究者们提出了移动边缘计算(Mobile Edge Computing,MEC)概念,该技术通过无线传输将移动设备需要计算的任务卸载到MEC网络中配由计算服务器的边缘计算节点,节点协助移动设备计算任务并将其结果返回到移动设备。尽管现有的无线传输技术已经非常的发达,但是面对实时移动且复杂的通讯环境,如何卸载任务和调度有限的通信资源吸引了我们的注意力。本文主要对MEC网络中任务卸载和无线资源分配进行了研究。首先我们考虑了一个多中继多计算接入点(computational access point,CAP)的三层无线传输网络,其中用户需要在CAP的协助下完成本地计算任务,为了提升通信质量,我们在用户与CAP之间设置中继协助数据传输,同时中继本身具备计算能力。我们考虑了 MEC网络中两个重要的因素:时延和能耗。于此同时,使用了线性组合的方式将时延和能耗结合,在将多目标优化问题转化为单目标优化的同时,可以进一步使线性组合的优化目标适应更多的场景。紧接着,我们通过对任务卸载策略、带宽分配方案和带宽选择标准进行优化,使代价函数最小化。为了进一步了解MEC网络中其他因素,我们进一步研究了价格对MEC网络中移动用户的影响。具体来说,我们假设了多用户和一个CAP的系统模型,同样的,用户的任务需要CAP的协助从而降低时延,而CAP在协助用户计算任务的同时收取用户费用。整个过程中,用户可以通过控制任务卸载率尽可能降低本身所付出的代价(时延与费用的线性加权和),而CAP则通过动态的调整价格提升自身的收益。此时用户与CAP之间形成博弈,我们通过多智能体强化学习中的赢或快速学习(Win or Learning Fast,WoLF)建模用户与CAP之间的博弈关系,并学习到稳定的状态。对次,我们进行了大量的仿真实验,实验结果在多维度表明了我们所提方案的有效性。

关键词： 有意义学习理论   初中生   阅读   有意义学习心向  

摘要： 在阅读过程中为了帮助学生提高整体的阅读水平和阅读能力,促进学生阅读兴趣的提升,需要老师采用一种有效的教学策略,让学生产生一种有利于阅读的动机,以此形成初中生“有意义”阅读学习的心向。论文旨在帮助教师积极利用奥苏贝尔的“有意义接受学习理论”,改进初中生阅读教学策略。教师在教学过程中通过合理地处理教学内容,吸引学生有效学习,形成对文本阅读的稳定、持久、积极的学习心向。论文首先分析了有意义学习理念在初中生阅读教学中推行的可行性与必要性。阅读材料本身具有逻辑意义是推行有意义学习理论的基础,教学中课内外衔接与拓展是有意义学习理论实现的必要途径。随后,论文探讨有意义学习策略的组织原则。渐进分化与综合贯通是符合该理论与初中生阅读学习实际的两个基本原则。论文第三章有针对性地讨论了一个重要的教学环节,即教师激发初中生阅读动机的重要性和基本做法。本文第四章从总体上讨论有意义学习理论在初中生教学中运用的三个总体策略。本文最后一章,对运用有意义学习理论指导初中生阅读学习的策略进行了反思。由于该理论一定程度上依靠学生主动性和参与性,因而效果无法完全客观把握,需要采取一定方式对其效用进行实验,从而形成对该理论效用的判断。其次,奥苏贝尔的这一理论只注意到学生的课堂接受学习和教师的课堂讲授教学,教师在阅读教学过程中还要教会学生阅读学习策略,掌握具体的阅读学习方法。此外,该理论侧重于学生接受学习的教学,对自主学习和探究式学习重视不足,因而,教师在教学中需要注重学生自主学习和探究式学习补充,以避免该理论的不足。

关键词： 少样本学习   度量方法   元学习   图像分类  

摘要： 深度学习方法在图像分类领域已经取得很大的进展,但算法所需的带标记数据是海量的,当遇到可用数据稀缺的任务时,仅有的数据难以支撑已有的方法完成充足的网络训练。因此,如何依靠少量标记样本实现图像识别成为近年来计算机视觉领域的研究热点,越来越多的研究表明基于度量的少样本学习方法具有模型简单、高效的优点。本文针对少样本学习面临的带标记样本不足、模型易过拟合、泛化能力差等问题开展研究,提出有效的解决方法并建立相应的网络模型。基于度量的少样本学习方法通过特征提取并在任务空间进行度量学习,帮助深度学习方法能够更好地利用先验知识,但该类方法受制于提取特征的好坏和度量方式的选择。针对该问题,本文设计了一种少样本学习模型,该模型基于孪生网络的架构思想,在嵌入模块融合了胶囊网络的主要部分,通过使用胶囊间的动态路由,实现部分与整体的内在关系编码,帮助学习获得更高级的特征;在度量模块,将得到的特征向量进行L1距离计算并经过两个全连接层,结合Sigmoid激活函数,将结果映射为[0,1]之间的相似度。模型在特征提取模块不再使用单个的卷积神经网络,能够克服CNN平移不变性的缺陷,保留特征之间的空间关系,有助于更好地解决少样本中常见的类内变异情况。实验在低复杂度的少样本数据集Omniglot上进行,实验结果表明该方法具有参数少、准确率高的优点。基于度量的少样本学习方法通常直接在元学习框架下优化模型,但这种直接通过元学习策略训练得到的特征表示传递性较弱,从而限制了度量方法的分类能力。针对该问题本文提出了一种模型结构,包括特征映射模块和分段度量模块两部分:首先在基类数据上预先训练以双线性CNN为主体的分类器并迁移到元学习的特征提取模块;在元学习阶段,对提取到的特征分多段进行余弦相似度的计算,以预测类别。有效的预训练参数、更强大的特征提取结构结合分段度量的方法,帮助模型在面对复杂场景数据集Mini-Image Net时也能获得更好的分类表现。

关键词： 高中体育   健美操教学   教育因素   教学探析   自主性学习  

摘要： 在高中阶段的体育教学中,健美操教学只是作为选修部分,占据了体育课程教学中很小的一部分,但是健美操教学对于学生本身的身体素质发展和个人肢体协调能力提升有着极为显著的作用。很多教师在课上教学的时候,可能并没有太多的时间留给健美操教学。为了提升学生们的自主学习能力,让健美操教育的特点在有限的教学时间中,得到最大限度的发挥,教师应当积极培育学生们的主观能动性,让学生们在自主的学习和历练中,提升自身的健美操学习能力,增强体魄,修塑形体,在健美操学习中,养出自己的精气神,提升自身的身体素质。

关键词： 抽油机井   示功图   机器学习   故障诊断  

摘要： 数字化油田建设使抽油机井实时生产数据呈现爆发式增长,为油井运行工况的实时诊断和故障分析提供了重要数据支持。利用大数据和智能算法对油井工况进行快速诊断分析,是油井生产决策和智慧油田建设的重要内容。通过示功图判断工况是油井故障诊断的主要方法,示功图识别准确率影响着油井故障判断的结果。本项目提出了一种基于卷积神经网络的示功图识别模型,通过参数优化和测试,形成了具有7层网络结构的CNN模型,实现了五种油井工况的准确分类。经训练和测试,该CNN模型收敛性好,模型训练准确率达到了99%,测试准确率达到了97%以上,达到了预期效果,对油井故障智能诊断具有重要的研究和应用价值。

关键词： 混合式学习   混合式培训   企业培训   企业培训体系优化  

摘要： 混合式学习目前广泛应用于学校教育和企业培训领域中,尤其在传统教育领域,混合式学习已经得到普及,并且发展出多种适合不同场景的应用模式。随着互联网技术的普及,带宽的增加,技术壁垒已被打破,对混合式学习的需求日益增加。但是在企业培训中,目前应用还不够普及,由于企业所处的培训阶段不同,对混合式学习的应用比例也参差不齐,但是随着2020年疫情的爆发,特殊的情况使得在线培训不断扩大到更多形式和内容,混合式学习方法逐渐开始得到更多的应用。企业培训的最终的目的不仅是要让员工变成更聪明,更有能力,更重要的目的要通过培训员工能力提升的同时让业务方产出更高效益并且投入资源更少,这是企业培训有别于学校教育的方面。因此,基于混合式学习方法的培训更适合企业不同需求,不同场景,不同培训对象的各种不同培训项目的应用。本论文基于DM公司现有培训体系进行分析,对现有培训体系中混合式学习应用的实际案例的分析,找到企业培训体系中各个环节中可能存在的问题,找到可以利用混合式学习方法改进的建议,对混合式学习方法的理论是很好的论证。通过案例的分析,找到成功经验,总结失败教训,提供更好建议并实施,为更多企业利用混合式学习方法进行培训体系优化提供借鉴和参考。

关键词： 自然语言处理   文本分类   BERT   FNN   迁移学习  

摘要： 文本分类一直以来都是自然语言处理领域的热点方向之一,在搜索引擎、智能客服、智能机器人等应用中如何根据上下文理解文本语句含义是一个重点问题,同时也是一个难点问题。传统的文本分类主要是采用基于规则、利用模板匹配的正则化方法或基于传统机器学习的方法,然而却存在计算成本高、泛化能力差的问题。针对上述问题,本文提出了基于BERT-FNN模型的迁移学习方法解决文本分类问题,并进行了对比试验,主要研究内容及成果如下:(1)基于传统的机器学习方法解决文本分类问题。本文使用LR和SVM两种机器学习方法完成文本分类任务,并进行了分析对比。研究表明使用LR方法解决文本分类问题的准确率是91%,相比于使用SVM方法完成文本分类任务,准确率、召回率、F1值等各项性能均有明显的提升。(2)基于传统的深度学习方法解决文本分类问题。本文使用CNN和LSTM两种方法完成文本分类任务,并进行了分析对比。研究表明使用LSTM方法解决文本分类问题的准确率是92%,相比于使用传统方法完成文本分类任务,准确率、召回率、F1值等各项性能均有明显的提升。(3)基于BERT-FNN模型的迁移学习方法解决文本分类问题。本文设计以Google公开的BERT预训练语言模型为基础,进行输入文本的上下文建模和句级别的语义表示,再通过全连接神经网络(FNN)对语句进行特征提取,因此提出了一种基于BERT-FNN模型的迁移学习文本分类方法。该算法将通过Pre-training学习获得的文本特征迁移到目标域文本分类中,然后在目标域上训练模型,并对参数进行Fine-tuning,通过这种机制,提高了在目标任务数据不足的情况下文本分类的准确率。并与LR、SVM、CNN、LSTM、BERT和BERT-FNN模型进行对比实验,实验研究表明利用该方法解决文本分类问题的准确率达到了 95%,与其他传统方法相比,准确率、召回率、F1值等各项性能均有明显的提升。由此可说明本文提出的基于BERT-FNN模型的迁移学习方法在文本分类任务上性能优于传统模型,效果更显著。

关键词： 项目式学习   研学旅行   实施策略  

摘要： 目前,我国研学旅行尚处于起步阶段,在实践发展过程中暴露出一些亟待解决的问题,出现只游不学、重游轻学的状况,没有实现研学旅行本身的价值意义。以项目式学习为视角,可以尝试解决研学旅行中游学分离的问题,探讨项目式学习在研学旅行中的意义和实施策略。

关键词： 零样本学习   自动编码器   度量学习   语义融合   图像分类  

摘要： 传统的图像分类任务需要大量的有标签数据进行训练,但是在现实生活中,数据的收集与标注是非常困难的,因此,如何在样本不足甚至没有样本的情况下对物体进行识别的零样本学习算法成为研究热点。零样本学习是迁移学习的一个分支,旨在对训练过程中没有出现过的类别进行分类。目前比较主流的研究方向有基于语义嵌入空间的零样本学习和基于视觉嵌入空间的零样本学习。本文分别对这两种方向的算法进行了研究改进,主要工作内容如下:(1)语义自编码器(Semantic Auto Encoder,SAE)是基于语义嵌入空间的经典算法,可以通过数学解析法获得很好的分类效果。但是SAE算法中对于目标函数的约束太强,导致模型容易出现过拟合。针对这个问题,本文选择对SAE进行线性优化,在其目标函数中加入线性判别项,放宽模型的约束。此外,合理与灵活的度量方式能够准确衡量特征之间的关系,从而提高模型的分类性能,而SAE采用的传统度量方法是人为预先设定的,因此具有一定的局限性与单一性。为此,本文引入了基于神经网络的度量模块,该度量模块以基于数据驱动的方式进行学习,无需人工选择固定的度量方法,因此经过学习后的度量模块具有更好的灵活性与鲁棒性。本文提出的基于线性优化及度量学习的语义自编码器算法在Aw A和CUB数据集上进行对比实验后发现,所提出的算法在两个数据集上均比SAE的分类效果更好。(2)针对语义特征嵌入视觉空间的映射模型普遍存在的领域漂移问题,本文选择在语义特征嵌入的过程中加入重构约束,使得嵌入后的特征可以保留更多有效信息,缓解领域漂移问题。此外,针对单一的属性特征或词向量表达力不足的情况,选择将词向量与属性特征进行融合,增强语义特征的表达能力。提出的基于语义融合及多重构约束的深度嵌入零样本学习算法,在Aw A和CUB数据集上进行对比实验后发现,所提出的算法在两个数据集上均取得了很好的分类效果。

关键词： 零样本学习   图像分类   语义信息   图像特征提取   注意力机制  

摘要： 在人工智能的图像识别领域,识别分类依旧是各类任务的关键所在,准确地判定物体的类别,是各类应用场景下的基本需求。随着近年来深度学习的不断发展,传统的深度学习图像识别方法能够在各个领域取得超过人类的识别正确率和速度,例如人脸识别、医疗检测和工业缺陷识别等。但是,要想取得预设的识别效果,需要模型具有非常优秀的拟合能力,这就需要大规模的标注数据样本,并且保证训练集和测试集的样本类别一致。但是在实际应用当中,一方面受限于某些类别的图像样本数据难以获取;另一方面,新增未知类别的样本使得模型需要重新训练以实现对新类型的识别。因此利用先验知识,实现通过已知类别训练到识别未知类别的零样本学习方法,具有实际研究意义。目前零样本学习的方法主要是以属性特征或者语义特征为类别先验特征,搭建图像特征和先验类别特征之间的映射,完成已知类别训练到未知类别识别的领域迁移。然而,在一般零样本图像分类模型中,图像特征提取模块缺乏对用于匹配先验类别属性的关键和非关键视觉特征的筛选机制,且单一属性特征或者单一语义特征的描述信息不足,导致了图像特征和语义特征的匹配困难,由此影响零样本学习模型的准确性。为此,本文提出了一种系统的零样本学习方法,在原有搭建图像特征和先验类别特征的映射模型基础上,主要提出两点改进:一是基于注意力机制的图像特征提取网络,通过改进注意力机制的卷积神经网络搭建图像特征抽取模块,在VGG-19模型和Res Net-34模型的基础上,通过空间注意力聚焦的方式进行特征的组合,并对注意力特征聚焦的效果进行验证;二是基于矩阵分解的语义信息融合方法,针对性训练获取三类先验语义知识word2vec、Glo Ve和fast Text,并通过对属性特征进行矩阵分解,将属性分解向量和语义特征向量进行维度匹配,进而通过融合两类向量达成信息交互,并对其效果进行验证。在零样本图像分类任务中,以对未知类别的识别正确率为标准。实验结果表明,对比各类图像特征提取网络,其中基于注意力机制的Res Net-34图像特征提取模型Res Net-A效果最好;对比属性特征和各类语义特征融合生成的融合语义特征,其中经过矩阵分解的属性特征和Glo Ve语义特征的融合效果最优。