关键词： 深度学习   小样本学习   度量学习   多尺度类特征网络   图神经网络  

摘要： 随着人工智能的兴起,深度学习发展迅速。然而传统深度学习在实现时需要大量的标注样本进行深度模型的训练,成本高昂。因此,如何让深度模型减少对训练样本数量的依赖,即实现小样本学习成为了研究的关键。基于度量学习的小样本学习方法简单高效,其主要通过将样本映射到特征空间中再进行距离度量实现。本文基于度量学习方法,首先通过多尺度特征提取网络和图神经网络提高基础方法挖掘样本特征信息的能力,再优化传统类表达特征计算过程,从而改进度量学习。主要研究内容如下:1.针对传统基于度量学习的小样本学习方法,使用单一尺度特征提取器,造成特征信息片面化的问题,提出多尺度类特征网络。首先设计基于卷积块与残差块的多尺度特征提取网络,获取抽象与细节特征都较丰富的多尺度融合特征。其次提出特征贡献度,通过预估样本与伪类表达特征的距离,赋予样本权重计算类表达特征,优化其在特征空间的位置,提高距离度量分类结果。2.针对传统基于度量学习方法在分类一个任务时,对样本仅使用自身标签,而忽略样本之间的标签类别关联,造成信息挖掘不充分问题,提出了深度掩码图特征网络,在特征提取后使用图神经网络进一步挖掘样本的深度特征信息。深度掩码图特征网络使用元学习器自适应生成边的掩码,指导图有选择地更新。此外,在分类时加入互斥损失,从优化网络训练的角度,促使不同类样本簇相互远离,进一步优化类表达特征计算,提升方法分类性能。在多个常用的公开图像分类数据集上验证了本文方法能有效挖掘特征信息,同时特征可视化结果表明本文方法优化特征在嵌入空间的分布,提高度量学习分类效果。

关键词： 初中英语   英语教学   小组合作  

摘要： 小组合作学习是素质教学改革下被广泛应用的一种创新高效的教学手段,其充分彰显了学生的主体地位,有利于激发学生的学习兴趣、培养学生的自主学习能力以及提升学生的学习效果。基于此,初中英语教师在教学过程中需要积极利用小组合作学习来组织教学,从而不断提升教学质量。文章将针对初中英语教学中小组合作学习方法的应用策略展开深入探究,旨在为初中英语教师的教学工作提供参考,同时帮助初中学生更好地应用学习。

关键词： 主动学习   密度峰值聚类   邻域模型   样本选择策略   文本分类  

摘要： 机器学习的应用十分广泛,传统的有监督机器学习能够从有标签的样本中进行充分地学习。在实际应用中,大量的数据缺乏标签,难以被直接利用。如果对全部数据进行人工标注,需要大量的时间以及高昂的人工成本。主动学习的目的是解决具有大量未标注数据的问题,通过一定的评价指标,选择尽可能有价值的样本进行标注,从而构成有效的有标记样本集合,使模型获得较好的分类效果。密度峰值聚类算法是一种基于密度的聚类方法,能够发现任意形状的簇,有助于样本标注的主动学习。本文结合主动学习和密度峰值聚类算法,开展了如下两个部分的研究工作:1.提出了基于密度聚类和邻域的主动学习方法(DCN＿AL)。首先,采用密度峰值聚类算法对数据集进行初步聚类;其次,通过样本的邻域信息制定样本的查询策略,对选择出来的样本进行标注;然后,添加到标记样本集合并用于修正聚类结果,使簇的划分更加准确;最后,当标记样本的数量达到指定的上限时,停止聚类过程。通过多组对比实验证明,在利用样本的邻域信息选择样本进行标记后,能够有效地修正聚类的结果。2.提出了面向法律文本的密度聚类主动学习方法(DLL＿Active),该方法可以有效地对法律文本数据进行主动标记。首先,构建一个法律关键词词典,并根据关键词从长文本中提取重要的句子对原来的文本进行表示;其次,通过Bert模型获得文本的向量表示;然后,进行密度峰值聚类以及主动选择样本进行标注的迭代过程,将主题模型得出的概率分布、逻辑回归模型预测的分类概率以及轮廓系数相结合,选择类别不明确且可能处在聚类边界的样本进行标注;最后,在满足主动学习的停止条件后停止样本选择和主动学习的过程,返回聚类的结果。在法律文本上的对比实验证明,本文提出的方法较第三章的方法有所提升,能够对法律文本数据进行准确分类。

关键词： 小学数学   研究性学习   研究意识  

摘要： 为了让学生学习如何利用现有的知识和经验,来解决复杂的问题以实现独立发展的目标。因此,在数学教学中,教师应为学生创造尽可能多的研究机会,帮助学生积累经验,并提高他们发现问题、解决问题的能力。

关键词： 网络表示学习   多粒度   属性网络   多粒度结构   多标签分类  

摘要： 网络表示学习,又称为网络嵌入,旨在将网络数据嵌入到潜在的低维向量空间,同时保留网络的固有特性,如结构相似性,属性相似性等。节点在嵌入空间中的低维向量表示可以作为机器学习算法的输入,应用于大量的下游任务中,如节点分类,链路预测,具有丰富的实际应用价值。近年来网络表示学习引起研究者们的极大关注,在单粒度网络表示学习上取得了很大的成就。然而,现实世界中很多网络是呈现多粒度特性的,这一特性已被证明有助于完成一系列的网络分析任务。因此,如何快速地获得网络的多粒度结构并在学习的过程中保留这一特性成为网络表示学习领域的重要挑战。目前,网络表示学习方法主要从网络的单粒度局部结构(如一阶近似度、二阶近似度和社区结构)或者单粒度的属性信息来学习节点的表示,也有少数的学者对多粒度结构进行研究。本文结合粒计算思想,对多粒度网络表示学习方法进行研究,通过粒化过程构建多粒度网络可以简化网络规模,再通过已有的方法求原始网络的近似解,最后逐层细化得到原始网络的节点表示。但是现实世界的网络不仅具有网络结构,同时还具有丰富的节点属性信息且很多呈现多粒度结构。本文进一步的融合结构和节点的属性信息研究多粒度属性网络表示学习方法。本文的主要贡献如下:(1)提出一种基于多粒度结构的网络表示学习方法框架(HSNE)。该方法不仅能够保留网络的局部结构,还能在快速学习的过程中保留网络的多粒度结构。首先,根据网络结构之间的关系构造不同的粒,根据边构建粒层,从而将网络粒化为一个多粒度网络。然后在最粗层利用已有的网络表示学习方法快速学习原网络的近似解,根据不同粒层之间的关系,从粗到细逐层将近似解细化,最后获得原始网络的最终解,即每个节点的表示。实验结果表明提出的方法能够很好的保留多粒度结构特性。(2)提出一种快速的多粒度属性网络表示学习方法(HANE)来保留多粒度属性信息。具体来说,HANE设计一种融合结构和节点属性的粒化方法,且可以使用任何(仅基于结构的或结合属性信息的)无监督网络嵌入学习最粗网络的节点表示,最后融合节点的属性细化节点表示。HANE在保持网络表示学习性能的同时提高网络表示学习的速度,且最粗层网络表示学习方法非常灵活。本文在六个数据集和两个下游任务上对提出的框架HANE进行广泛的评估。实验结果表明,HANE算法在效率和有效性上比已有的网络嵌入算法有显著的改进。

关键词： 英语学困生   情感教育   培养兴趣   学习方法  

摘要： 学生是课堂的主体,是老师上课的主要对象,他们都是老师眼中的孩子,不仅优秀的学生,还有一些英语学困生,我在教学过程中,对学困生非常关注,不断地进行总结和摸索,对他们平时的表现进行了归纳和总结,并且针对他们的表现特点,有针对性地开展工作。重视学生的情感教育,慢慢培养他们对英语学习兴趣,及时指导学困生有效的学习方法,从而提高他们的学习兴趣。我时刻以一颗爱心,诚心来感化和教育学生,用一颗大爱的思想来教育每一个学生。

关键词： 高中物理   合作学习   有效开展  

摘要： 为了整体提高高中生的学习效果,并且满足学生在学习期间的各项心理需求,高中物理教师在开展日常教学工作的过程当中,需要深入了解学生的具体心理状态,并且为其提供合适的教学模式。近些年,合作学习的学习方案应用价值相对较高,既可以让学生获得更好的教育,同时也可以保证学生在学习的过程当中逐渐成为课堂的主体,将学生的自我探究能力以及自学能力整体提高。文章针对高中物理教学中合作学习方法的重要性和有效开展方法进行深入探讨,并提出几点建议。

关键词： 高光谱图像   LiDAR数据   卷积神经网络   Perona-Malik扩散   可训练PM扩散单元   特征级融合   决策级融合   概率重构  

摘要： 高光谱图像由上百个连续的光谱通道组成,包含了丰富的光谱、空间信息。而LiDAR数据涵盖了被调查区域的海拔高度、形状规模等高精度三维空间信息,这类信息能够作为高光谱图像的额外补充,有效补充其在分类过程中的特征多样性。近年来,高光谱图像和LiDAR数据的融合分类逐渐发展成为了遥感数据分析的关键技术。本文围绕深度学习的单源高光谱图像监督分类以及高光谱图像和LiDAR数据融合分类问题展开研究,主要工作有以下几个方面:(1)面向高光谱图像监督分类问题,提出了一种由扩散方程驱动的深度学习分类模型。首先将Perona-Malik(PM)扩散方程引入到卷积神经网络的隐藏层,既保留了卷积神经网络在深层网络中的特征提取能力,还引入了PM扩散的边缘保留和降噪功能;然后把这种全新的卷积层即可训练PM扩散单元和1×1卷积联合,封装成一个TPM-block;通过多个TPM-block深度级联以构造一个端对端的深度学习网络。实验表明,该算法具有优异的分类性能。(2)针对高光谱图像和LiDAR数据融合分类问题,提出了一种由扩散方程驱动的深度学习算法。该算法通过将多个卷积层和可训练PM扩散单元级联以充分学习两种遥感数据的深层特征;同时,还提出了一种全新的概率重构融合算法,它首先将学习到的两种异构特征以及通过特征求和得到的融合特征分别输入到Softmax分类器中以获得各自的概率矩阵,然后通过加权求和对概率矩阵进行重新整合以生成最终的分类概率预测。实验表明,该算法具有优异的分类性能。(3)针对高光谱图像和LiDAR数据融合分类问题,提出了一种双分支多级融合结构的深度学习算法。该算法采取双分支结构和可分离空-谱卷积方式以充分学习高光谱图像和LiDAR数据的深层特征信息;同时,通过建立特征级融合和决策级融合机制,实现两种遥感数据的异构特征融合。其中,针对融合阶段产生的参数量大、过拟合等问题,在特征级融合阶段,以特征求和方式替代了目前广泛使用的全连接融合策略,而决策级融合中每种特征对应的决策权重由各自的分类结果计算得到。经实验证明,所提算法具有优异的分类性能。(4)设计并实现了一个分类算法的集成系统。该系统涵盖了本文所提出的三种分类算法以及其他六种经典的深度学习算法,集数据可视化、图像分类、分类性能评测于一体,能够便捷地从输入数据中捕获特征信息并得到分类结果。

关键词： 数学衔接   校本课程   因材施教   数学知识   数学能力   学习方法  

摘要： 社会的进步与科技的发展离不开数学,信息化与大数据时代的到来也对数学人才提出越来越高的要求,一直以来数学在高考中占据着非常重要的一席之地。以广东省为例,一方面在努力的想要迎头追上高考改革的步伐,不断加大高中考试难度。然而,义务教育阶段的数学却没有随之提升要求,作出相应调整。这就势必导致大量在义务阶段数学基础薄弱的学生无法适应高中高难度高容量的数学学习。这个是社会大背景下,初高中数学要求不同导致的学生知识与能力的断层。另一方面,本文通过查阅大量的文献、对学生进行问卷调查、访谈多校初高中一线教师,得出初高中数学衔接上主要存在的几个亟待解决的问题是:(1)初高中数学知识的衔接;(2)数学能力的衔接;(3)学生学习方法的衔接。在与一线教师的访谈中以及文献查阅获知目前初高中衔接现行的方式主要有:(1)找到初高中所有需要衔接的知识点,利用开学前一周进行集中衔接;(2)对衔接知识不做上课安排,教师灵活处理;(3)编写学案,学生利用初升高的暑假进行自学,回校考试,快速点评;(4)在平时的上课过程中利用导学案进行衔接。上述衔接方式中效果相对较好的是(4),在平时的新课中穿插衔接,这也是目前使用较普遍的方式。但这些衔接方式也存在其弊端,衔接过浅或衔接过渡,要么要求学生具有较高的自学能力,要么就是不能很好的调节高中数学紧张的课时与衔接课时之间的冲突。尤其对于部分数学思维方法稍薄弱的同学而言,仅仅课堂上走马观花式的衔接,没有相应的练习和一定的时间去思考和消化,也很难在数学学习上得到提升。针对以上问题和矛盾,本人提出一个大胆性的建议,结合各自学校的生源情况和学校办学特点,在信息技术的支持下,针对数学初高中衔接开设与高中数学学习进程相匹配的线上与线下校本课程。该建议创新的地方在于,第一,将衔接课程贯穿于整个高中的学习过程中,避免一次性过度衔接;第二,以校本课程的方式进行衔接,做到因材施教,弥补平时课堂衔接中部分学生消化不良的问题。第三,采用线上和线下结合的方式,避免学生课时上的冲突,并最大范围满足不同层次学生的需求。最后,文章以本人所任教的一所完全中学------广东顺德德胜学校在读的高一学生作为实验对象,在学校和科组的大力支持下,首先采用学生错题收集分析与学生面谈等方式找到衔接的重点知识和思想方法。一方面全员共同讨论并录制针对本学期的衔接课程,提供给有需求的学生进行线上的自主选择性学习;另一方面,开展每周一次的线下数学衔接校本课程。最后结合学生问卷和实验组参与课程前后成绩在年级排名的进退进行校本课程有效性的探究,说明了该校本课程能比较有效的促进学生对高中数学的学习。

摘要： 随着素质教育的不断深入,英语作为一门综合性极强的学科,也是世界通用的语言,一直以来都是各阶段教育中的重点。但是受到传统应试教育的影响,许多初中英语教师在教学的理念和方式上都极为单一,这在一定程度上制约着学生的学习和发展。因此,相关教育工作者针对这一情况对目前初中英语教学现状展开研究,并提出了小组合作学习这一教学模式,在实际教学当中也凸显出了十分明显的效果。