关键词： 深度神经网络   可解释学习   网络解析   工期预测   半导体生产  

摘要： 晶圆制造工期预测是晶圆制造系统运行优化的核心问题,是保障晶圆产品准时交付的关键。深度学习方法从海量数据中识别规律,在静态环境下的产品工期预测问题中取得了良好的效果。然而,在车间在制品水平等因素动态变化下,当前方法通过构建复杂系统的黑箱模型预测晶圆制造工期,缺乏可解释性,难以阐述模型随系统状态的变动规律。提出一种面向晶圆制造工期预测的可解释深度学习方法(Interpretable deep learning method,IDLM),具体包括构建脑启发的深度神经网络结构解析模型,从“神经元→神经环路→神经网络”三个层面为预测网络解析提供结构基础;设计工期预测网络的关键神经元识别算法,利用信息熵权规则滤取工期预测网络中的关键神经元;提出工期预测网络关键神经环路搜索算法,快速搜索相似神经元优化组合以得到关键预测环路。试验结果表明,IDLM可在保持工期预测精度的同时提取出预测神经网络的关键神经环路,为动态环境下工期预测网络的自适应优化提供基础。

关键词： 语言学习   主题意义探究   初中英语阅读教学   实践与改进  

摘要： 本文针对初中英语阅读教学中常见的问题,提出指向语言学习与主题意义探究的教学策略。以人教版八年级下册Unit9第二课时为例,探究在新课标理念的指引下,如何在阅读教学中有效培养学生的语言能力,促进学生的思维品质发展和文化意识建构,引导学生学会学习,并基于这些目标进行教学实践与改进。

关键词： 机器学习方法   水泥基材料   微观结构和性能   预测  

摘要： 机器学习方法(ML)在解决数据高度非线性和大时滞问题上得到了关注,为目标属性的预测及新材料的设计开辟了数据驱动的新模式。水泥基材料在组分、制备与其结构、性能的关系上存在时滞性和周期性长的问题。而机器学习方法在解决水泥基材料上述问题时具有积极作用和非常大的潜力。为此,本文介绍了机器学习方法的特征及其应用过程,综述了机器学习方法在预测水泥基材料微观结构、组分、力学性能和耐久性等方面的研究进展,分析比较了几种用于水泥基材料研究模型的特点和优势,并对所面临的问题和研究方向进行了展望分析,以期促进机器学习方法的应用。

关键词： 在线课程   课程思政   最佳学习区  

摘要： 当前,在线课程已得到了迅速的发展,“课程思政”应该在“量大面广”的在线课程中得以实施。然而,快速发展的在线课程也带来了“课程思政”被忽视、被弱化等“思政失效”的新挑战。如何将“课程思政”有效地融入在线课程“课程思政”教学中,提升在线课程“课程思政”教学有效性,成为一个值得深入研究的课题。文章探讨了“最佳学习区”理论在线上课程“课程思政”中的现实意义与实现路径。

关键词： 甲状腺结节   超声诊断教学   深度学习方法   诊断模型  

摘要： 文章选取2020级临床医学专业本科生共118人作为研究对象,将其随机分为实验组和对照组,研究了基于深度学习方法的诊断模型在甲状腺结节超声诊断教学中的应用效果,结果显示,实验组学生的诊断准确率更高、诊断速度更快、学习效果更好,两组间比较,差异均具有统计学意义。

关键词： 大直径泥水盾构   混合深度学习   隧道掌子面压力   BO-GCN-LSTM   SHAP  

摘要： 为提高盾构模型预测性能,以武汉长江隧道大直径泥水盾构隧道工程为背景和数据来源,基于图卷积网络(GCN)和长短期记忆神经网络(LSTM)构建掌子面压力预测模型,利用贝叶斯优化算法(BO)对预测模型的关键超参数进行寻优。采用SHAP方法对预测模型进行全局解释,计算每个输入参数对预测目标的Shapley值,提高模型的解释度和透明度。研究结果表明:1)所提出的BO-GCN-LSTM方法在各历史时间步长下均具有较高的精度,拟合优度(R 2)平均值为0.943,均方根误差(E RMSE)平均值为0.245,平均绝对误差(E MAE)平均值为0.173,平均绝对百分比误差(E MAPE)平均值为1.183%。2)在历史时间步长t-1—t-10中,时间步长t-3的R 2、E RMSE、E MAE、E MAPE分别为0.953、0.233、0.159、1.151%,运行速率为1.7次/s,表现出最佳整体预测性能。3)通过SHAP方法进行全局解释,可以确定对研究目标影响较大的参数为气垫舱压力、进出排浆压力和刀盘挤压力差,为大直径泥水盾构隧道掌子面压力管控提供有价值的决策依据。基于BO-GCN-LSTM深度学习模型可以有效预测隧道掌子面压力,有助于盾构驾驶员做出合理的参数调整。

关键词： 模仿学习   核化运动基元   道格拉斯-普克算法   轨迹分割   人-机器人交互   避障  

摘要： 为了使机器人在执行复杂任务时能够及时避开障碍,提出了一种基于DP-KMP的机器人避障交互式学习方法。首先构建了该方法的整体框架,采用分割泛化策略,实现对示教轨迹的快速分段学习和对分段轨迹的避障规划;针对学习阶段,提出了基于DP算法的轨迹分割策略以提高分割效率,并使用高斯混合模型策略提取各子轨迹的参考数据库;针对轨迹规划阶段,使用KMP模型完成轨迹复现与泛化,并引入基于人机交互反馈的参考数据库更新策略,提升了人机交互避障的成功率;针对该更新策略可能失效导致避障轨迹规划失败的问题,提出了两个相应的适用条件用于检验分割生成的子轨迹。最后,通过仿真验证了所述适用条件的有效性;真实实验结果表明,使用所提出的方法分割两个实验的示教轨迹分别仅用时0.084和0.107 s, KUKA协作机器人在执行不同搬运任务的过程中通过与用户的多次交互成功避开了所有静止和突然变化的障碍。

关键词： 膝骨关节炎   深度学习   图像识别   智能分割   测量分析  

摘要： 背景:MRI对诊断早期膝骨关节炎有重要意义。利用深度学习方法进行膝骨关节炎的MRI图像识别和智能分割,是目前人工智能在影像诊断方面的研究热点。目的:通过对膝骨关节炎病例MRI图像的深度学习,能够全自动分割膝关节的股骨、胫骨、髌骨、软骨、半月板、韧带、肌肉及关节积液,并测量膝关节积液体积和肌肉含量。方法:筛选出100个正常膝关节和100个膝骨关节炎患者数据,按照8︰1︰1的比例随机分为训练集(traindataset,n=160)、调优集(validation dataset,n=20)和测试集(test dataset,n=20)。采用Coarse-to-Fine序贯训练的方法训练3D-UNET网络深度学习模型,先训练一个膝关节矢状面MRI粗略分割模型,将得到的粗略分割结果作为掩膜(mask),再训练精细分割模型。输入膝关节矢状面T1WI、T2WI图像和各结构的标注文件,运用DeepLab v3,分割骨、软骨、韧带、半月板、肌肉、积液,最后显示三维重建,显示自动测量结果(肌肉的含量、积液的体积),完成深度学习的应用程序。再筛选出26例正常人和38例膝骨关节炎患者的膝关节MRI数据进行测试验证。结果与结论:①26例正常人中女13例,男13例,平均年龄(34.88±11.75)岁,膝关节中肌肉含量平均值(1051322.94±2007249.00)mL,均值中位数为631165.21 mL;积液的体积平均值(291.85±559.59)mL,均值中位数0 mL。②38例膝骨关节炎患者中女30例,男8例,平均年龄(68.53±9.87)岁;肌肉含量平均值(782409.18±331392.56)mL,均值中位数689105.66 mL;积液的体积平均值(1625.23±5014.03)mL,均值中位数178.72 mL。③正常人的肌肉含量与膝骨关节炎患者的相差不大,差异无显著性意义;而膝骨关节炎患者积液的体积高于正常人,差异有显著性意义(P<0.05)。④提示通过深度学习对膝骨关节炎MRI图像进行智能分割,可摒弃以往手工分割的缺陷;对膝骨关节炎的评估需要更加精细化,将图像分割处理得更加精细,以提高结果的精度。

关键词： 小学阶段   学习养成教育   学习兴趣   学习意志   学习方法  

摘要： “学习养成教育”是小学阶段学校教育重要而迫切的任务。“学习养成教育”主要是指通过适宜的教育时机,运用适当的教育方式,促使学生逐步“养成”纯正的学习兴趣、积极的学习态度、顽强的学习意志、科学的学习方法、良好的学习习惯。它是一种自我教育、过程性教育、感悟性教育、知行合一的教育、“慢教育”、系统性教育。

关键词： 兴安落叶松   树龄预测   距离相关系数   随机森林  

摘要： 林木树龄是制约天然林生长、更新和演替的重要因素,但天然林中单木树龄分异明显且实测困难。为了探讨不同特征选择方法和机器学习算法的组合对单木树龄模型预测精度的影响,以大兴安岭地区兴安落叶松天然林为研究对象,以44块固定样地的280株单木树龄实测数据为基础,采用皮尔森(Pearson)相关系数(PEA)和距离相关系数(DCC)特征选择方法,对单木、林分、竞争、地形和气候因素的38个因子进行筛选,并采用随机森林(RF)、支持向量回归(SVR)和k-近邻(k-NN)算法建立兴安落叶松天然林单木树龄预测模型,分析制约单木树龄预测模型精度的关键因素。结果表明:(1)当决策树为1500、节点数量为4时,DCC-RF模型预测精度最高(确定系数(R^(2))为0.5550,均方根误差(R_(MSE))为10.1669 a,平均绝对误差(M_(AE))为8.4039 a);(2)相较于DCC-SVR和PEA-k-NN模型,DCC-RF模型的R^(2)分别提高了0.0030和0.1521,均方根误差分别降低了0.2568和2.0742 a,平均绝对误差分别降低了0.0148和1.3750 a;(3)影响树龄预测最重要的指标是胸径(重要值为43.85%),其次为树高(重要值为19.14%)和生长积温(重要值为13.41%)等。表明应用距离相关系数和随机森林算法,构建兴安落叶松天然林的单木树龄预测模型具有较好的适应性。