关键词： 演示学习   位姿优化   约束建模   柔顺控制策略  

摘要： 装配是生产制造的一个重要环节,由于装配过程中存在碰撞接触和位姿不确定性,一旦运动不准确,会导致轻则失败、重则损坏的后果,因此机器人装配作业严重依赖专家手动编程,耗时耗力。从人与人之间言传身教的学习过程中得到启发,借鉴人类能够快速掌握一项装配技能,并且可以灵活地面对装配过程中不可预知情况的特点,研究机器人如何像人一样快速、准确地进行柔顺装配具有重大意义。演示学习(Learning from Demonstration,LfD)是一种新的知识传递方式,可以使机器人系统具备从操作者的演示中提取并理解有效信息的能力,进而将信息转化为机器人的控制程序和相关参数。相比于单纯的预编程方式,演示学习提供了非常灵活的机器人编程手段。演示学习是解决柔顺装配技能学习的一个有效途径。然而目前现有的演示学习方法通常针对机器人和人来研究,这种演示途径会带来关键信息缺失、运动受限、物理接触风险、本体耦合严重等问题。除此之外,演示学习过分依赖于专业设备,将柔顺装配技能当作黑箱问题,缺乏数据彼此间的分析,依赖多模态信息,演示难度高,学习效率低,并且以轨迹表达机器人运动,难以有效表达复杂柔顺装配技能。因此,本文应用三维视觉直接获取工件的位姿数据进行演示学习,将演示过程与机器人系统,装配运动与人、机器人剥离,面向物体直接对核心装配技能进行学习。对于柔顺装配技能的学习,针对柔顺技能产生的原因,追根溯源,利用单模态数据还原多模态信息,结合接触特征,约束特征,运动特征解决柔顺装配技能的表达与学习问题。本文主要研究工作如下:.首先,针对演示数据获取,本文提出一种面向物体的位姿识别算法,并利用QT开发一款可以进行实时位姿识别软件;针对演示数据的不确定性带来的装配误差,本文提出一种面向接触状态时空一致性的基于粒子化方法的位姿优化算法,其主要流程为:基于Open CASCADE开发虚拟接触模拟器,对于接触状态进行辨识;针对单一传感器存在检测误差较大,测量精度低的缺点,提出基于卡尔曼滤波的位姿优化算法;基于粒子的思想来评估模型位姿,建立虚拟接触模拟器下的接触状态的概率模型,从而校正装配的姿态不确定性;根据接触状态时空一致性原则,利用滑动窗口和隐马尔可夫模型进行分割点确认,并基于速度进行最终位姿优化。其次,针对学习阶段,装配过程中零件往往伴随着物理接触,而接触产生约束,约束决定物体的外在运动,接触-约束-运动互为因果,装配技能被编码在不断变化的接触点集中,它们构成对连续运动的宏观描述。因此,本文将从接触点集入手,提出一种基于接触点集的柔顺控制策略生成方法,实现宏观演示运动的微观分析与解码。对于装配而言,往往涉及多个子任务,每个子任务看作是一项技能,因此本文提出基于接触点集对装配任务进行分割。算法通过建立接触时的边界模型,从而得到接触点集,对接触点集进行建模,实现静态接触状况的辨识,通过动态接触点集分析获得子任务序列,实现子任务分割。对分割后的子任务进行柔顺控制策略学习,旨在使机器人具备柔顺装配的能力。本文利用局部特征分析和虚功定理获得接触特征,并结合位置信息对于不同策略间的切换条件进行学习,对于约束运动建立速度约束方程并得到对应的选择矩阵实现力位解耦,对于无约束运动利用DMP进行学习,结合学习后的结果生成柔顺控制策略。最后,为了验证本文提出柔顺控制策略的正确性与有效性,基于V-REP构建虚拟仿真环境,并针对轴孔装配进行了初步验证,同时基于ABB IRB1200机器人进行了实物实验。实验结果均证明了本文提出的基于演示学习下的柔顺控制策略生成方法的准确性与有效性。

关键词： 强化学习   上下文赌博机   马尔科夫决策过程   多智能体强化学习  

摘要： 强化学习是现代人工智能的重要方向之一,其丰富的应用场景使该研究方向具有重要的现实意义。强化学习通过与环境交互的方式为智能体学习行动策略。在与环境多次交互并进行学习的过程中,强化学习研究主要面临着以下两大挑战:(1)如何高效探索,即如何以尽量少的交互来获取尽量多的有效信息,从而求解最优策略;(2)如何估计延迟收益,即如何评估当前动作对后续交互过程的影响,将后续获得的延迟收益正确地分配给当前动作。与此同时,具体决策场景中的各种不确定因素,如未知的环境参数、其他玩家的影响等,使得这些挑战更加难以解决。本文提出了样本高效的强化学习算法,以求解不确定性条件下的最优策略。本文主要创新点如下:1.针对收益的不确定性下的高效探索问题,考虑上下文赌博机模型,提出了一种贝叶斯框架下的最优子集定位算法。该算法利用上下文信息的关联性,提升了探索效率,实现了样本高效性。2.针对如何高效探索环境转移概率具有未知参数和未知扰动的决策问题,具体考虑了鲁棒马尔科夫决策过程模型,并给出了对应的鲁棒策略求解算法。在环境扰动具有一定的光滑性时,在理论上给出了该算法可以以多项式阶数的样本求解近似最优的鲁棒策略的证明。3.针对如何高效探索多智能体任务的问题,考虑有限回合随机博弈模型,提出了一个样本高效的纳什均衡求解算法,在面对其他玩家带来的不确定性时保证了算法的稳定性。4.针对多智能体问题中受到其他玩家的不确定性影响的收益延迟问题,考虑信息完全的两人零和扩展型博弈模型,提出了一种利用强对手的策略进行学习的算法。该算法利用对手策略提高自身策略学习的样本高效性,并同时保证在对手策略的不确定性下的鲁棒性。

关键词： 体验式学习方法   小学数学教学   实践性  

摘要： 现如今,随着素质教育进程的不断推进,数学这门学科在教学中使用的方法以及教学策略也受到了极为广泛的关注。在这样的教育背景下,大部分教师以学生身心发展的特点为根本依据,提出了体验式的学习方法,并对这种方法进行了合理的应用,以此让学生更加充分地感受数学学科知识的学习乐趣,并能够熟练地掌握数学的思想方法,由此可见,这个方法对学生综合能力和数学素养的有效提升有着非常大的作用。

关键词： 社区感知   关系注意力   多阶结构   图压缩   属性网络表示学习  

摘要： 复杂网络正以社会网络、引文网络、生物网络等形式在大量实际应用中变得无处不在。复杂网络的分析在许多学科及各种应用中都起着至关重要的作用,如节点分类、链路预测、个性化推荐等。然而,大规模的网络分析仍是一个挑战。近年来,网络表示学习(Network Representation Learning,NRL)作为新的学习方法能够将网络节点嵌入到低维向量空间,被广泛应用到网络分析中。属性网络,即节点或边含有属性信息的网络。现有方法大多基于网络结构进行学习,未重视可为网络表示提供更丰富内容的属性信息。然而,由于结构和属性信息的异构性,很难为其建立联合表示。另外,网络结构存在着多阶复杂性,导致现有方法很难捕捉到完整的网络结构。针对这些问题,本文探索一种能同时保持多阶结构和属性信息的网络表示学习方法,具体工作内容如下:(1)为了有效融合网络结构和属性信息,提出了一种基于社区感知和关系注意力的属性网络表示学习方法(Community Aware and Relational Attention for Attributed Network Representation Learning,CARA),在保留结构信息的同时利用属性信息对节点之间的关系进行建模来增强网络表示。具体地,提出社区感知随机游走扩充邻域结构来增强结构表示,弥补网络稀疏性带来的网络嵌入不完整;关系注意力为节点之间的关系建模,为不同的邻域节点学习具有区分性的属性表示。(2)针对现有方法保留网络局部结构信息,无法捕捉远距离的高阶邻近性的问题,本文进一步提出基于图压缩的属性网络表示学习方法(Graph Compression for Attributed Network Representation Learning,GCANRL),增强网络表示学习方法。首先提出一种压缩策略,能够根据网络结构特性将原始属性网络压缩成一系列粒度由细到粗的层次图,让这些层次图能够揭示网络的多阶结构和属性信息;再利用层次图来进行层级网络表示学习,使最终的节点表示同时包含细粒度和粗粒度信息。本文首先提出一种对网络结构和属性进行联合表示的方法,有效实现了属性网络表示学习;再利用所提出的图压缩策略保持了网络多阶结构和属性信息,通过实验结果验证了GCANRL对CARA等NRL方法有进一步的提升,具有良好的理论和应用价值。

关键词： 数学理解   数学理解层级   学习方法   教学方法  

摘要： 从古至今,数学理解十分重要。一方面理解是《义务教育数学课程标准》结果目标之一,是我们所追求的。另一方面,促进数学理解,有利于学生素养的培养和能力的提升,对学生的“终生学习”有着十分重要的意义。为了完成上诉目标,我们需要了解这几个问题:（1）如何划分理解层级?（2）初中生数学理解层级的现状如何?（3）初中生数学理解层级现状的成因?（4）针对成因,如何促进初中生数学理解层级的提升?为了解决上诉的问题,笔者根据国内外研究现状、相关文献和导师的指导意见,界定了5个理解层级:心理接纳、工具性理解、结构化理解、迁移化理解和文化、价值观形成。以此为出发点,制定了《初中生数学理解层级现状调查问卷》和《初中生数学理解层级测试卷》,并开展调查。从参与测试的学生中,抽取了部分学生,讨论了测试时遇到的困难、他们的思路、以及平日的学习情况……力求更准确的找到成因,制定合适的培养建议。研究发现,从整体看学生的数学理解层级不高,两极差异大。从不同维度上看（1）忽视心理接纳的重要性（2）对数学理解认识存在偏差（3）缺乏系统的学习方式（4）历史遗留问题,是造成这个状况的成因。根据初中生数学理解层级现状以及成因,笔者给出了4类培养建议,分别是促进数学接纳、加强对数学理解的认知、优化学习方法和优化教学方法。每类方法都结合了具体实践,具有可行性和有效性。

关键词： 深度神经网络   元学习   稀疏样本图像识别   HRRP雷达目标识别  

摘要： 深度神经网络通过模拟人脑层次化处理信息的机制,随着软硬件资源及大规模数据库的发展,已经在图像识别、自然语言处理、生物信息工程等多个领域甚至它们之间的交叉学科引发了巨大的变革,并将持续产生深远的影响。基于深度神经网络的模型学习大多依赖于大规模高质量的标注样本,而满足该条件的数据标注成本(时间成本和资金成本)往往是高昂的,如雷达目标识别中非合作目标数据库的建立。在这类样本规模受限的任务场景下,传感器采集到的数据通常不能覆盖真实任务的数据分布,因此模型参数在任务数据中的过拟合问题变得尤为突出。如何在保障模型对复杂任务建模能力的同时,缓解由于样本数不足带来的过拟合问题,是本论文的一项研究内容。在雷达自动目标(Radar Automatic Target Recognition,RATR)识别中,一维高分辨距离像(High-resolution Range Profile,HRRP)由于其易获取、易存储和易处理的特性备受关注。以完备模板库假设为前提的方法已经可以将HRRP目标识别率在实测数据集上做到很高的水平;然而由于目标种类繁多、方位角变化复杂等原因,目标模板库非完备情况下的HRRP目标识别才是更符合实际应用场景的。如何将完备条件下的深度学习模型泛化到非完备场景下,是本论文的另一项研究内容。针对以上两点研究内容,论文主要从以下5个方面开展了相关的研究工作:1.针对零样本图像识别中图像和语义匹配的关键问题,本文提出了多尺度视觉自注意特征指导的语义属性选择模型(Multi-scale Visual Attention for Attribute Disambiguation,MVAAD),实现了图像和语义在语义空间上精细化的匹配,从而提高了模型的零样本识别能力。大部分零样本图像识别的方法分成三类:ⅰ)仅对视觉特征和语义向量的相容性矩阵建模。由于特征均固定,这造成了特征和相容性矩阵的欠匹配问题;ⅱ)对视觉特征、语义向量以及相容性矩阵同时建模并进行联合学习。这样一定程度的缓解了ⅰ)中欠匹配的问题,但由于没有考虑到图像及语义向量中存在的噪声(如图像背景和歧义语义等带来潜在危害),造成了图像和语义之间仍可能存在失配问题;ⅲ)在ⅱ)中联合学习的基础上,对图像或语义属性分别进行去噪。具体而言,对图像和语义分别通过视觉注意力及语义属性选择机制进行去噪。本章针对第三类方法,同时考虑了图像和语义属性的去噪,并将所有模块统一在端到端的框架下进行学习。2.针对小样本识别任务中样本数不足的关键问题,本文提出了小样本分布估计的数据语义增广的方法(Data Semantic Augmentation with Distribution Estimation,DSADE),为分类器的学习提供了潜在充足的训练样本,从而提高了模型的小样本识别能力。与其他基于数据扩充的方法不同,它们要求训练阶段的源数据集与测试阶段小样本新类别的目标域数据相似。相反本文所提方法在特征空间进行样本生成,避免了对源域数据与目标域数据相似性的要求。另一方面,我们通过数据语义增广的代价函数实现了数据扩充和分类器的联合学习,降低了模型对采样率的敏感性。3.观察到HRRP信号具有的物理结构特征,如噪声区、信号上升沿下降沿等,本文提出了区域分解的时序注意力模型(Region-factorized Recurrent Attentional Net-work,RFRAN),用于完备模板库假设条件下的 HRRP 目标识别。我们通过对 HRRP 的各个时间步根据聚类结果进行区域分解,并通过分解后的结果指导递归神经网络参数进行张量化的设计,提高了特征提取阶段对输入信号精细化建模的程度。同时注意到对模型参数做张量化会导致参数量成倍的增长,为了克服这个问题,我们进一步提出了聚类区域分解的参数共享方法。最后我们将注意力机制引入模型,通过自适应加权对不同时间步的特征实现了融合,避免了对各个时间步分类结果进行选择的问题。模型的可视化结果显示它能够关注到HRRP的噪声区、信号上升沿和下降沿等具有物理结构的区域。4.本文提出了域感知的元神经网络(DOmain-Aware Meta Network,DOAMN)用于解决目标方位非完备下的HRRP目标识别问题。对于来自库内方位角的样本,模型利用一维时序卷积神经网络做特征提取并分类;对于来自库外方位角的样本,模型则利用少量库外样本作为先验信息,对元神经网络的参数通过元学习算法进行更新,从而能够快速准确的得到库外样本的分类器参数,实现对库外方位角样本的分类。5.本文提出了多模态原型神经网络(Multi-modality Prototypical Networks,MMP-Ns)来解决HRRP类别非完备下的目标识别问题。它结合了HRRP在构造任务时的多模特性,将静态的特征提取器变成动态的

关键词： Ser Des   DNN   RNN   机器学习   FFE   DFE  

摘要： 随着信号的传输速率越来越高,传输路径越来越复杂,信道建模的难度也越来越大。当前的高速传输主要采用串行Ser Des的方式,相比于并行信号,Ser Des具有布线空间少、抗干扰能力强、传输速率快等优点。但高速Ser Des信号,对发送端和接收端的均衡能力要求高。均衡技术作为高速Ser Des串行通信系统的核心,可以有效的解决损耗对信号的影响从而降低误码率。因此本文针对高速串行信道的建模和均衡优化技术进行了深入的研究,提高高速信号的传输质量。近年来机器学习的热度不断升温,机器学习已经成为分析海量数据的重要手段。通过机器学习方法模拟信道和均衡优化也成为国内外的热点。本文通过分析机器学习方法并与信道与均衡技术结合,利用采集的大量模拟数据,提出采用深度神经网络DNN与循环神经网络RNN方法对信道建模,以及对信号的均衡技术进行改进。通过机器学习方法对信道和均衡的建模仿真,实现快速精准的对信号完整性进行评估和分析。其次,在信号传输过程中,串扰和衰减会限制传输距离和传输速率,也会给测试和信号采集带来困难。为了恢复理想信号,高速串行链路通常包含复杂的均衡摸块。目前均衡设计中面临的主要问题是抽头系数和抽头个数的确定,以及均衡算法的制定。针对这个技术难点,本文对高速串行链路的主要均衡技术前向反馈均衡器FFE和判决反馈均衡器DFE的均衡算法进行了深入研究,提出了将神经网络算法与FFE均衡算法结合,将神经网络算法与DFE均衡算法结合,通过这种新颖的方法来确定最合理的均衡抽头系数以及最优均衡抽头系数的个数。

关键词： 高一学生   化学学习方法   调查  

摘要： 教会学生学习、培养学生的学习能力已成为关注的焦点问题。让学生掌握学习方法,能独立自主的处理问题,能够调控自己的学习行为,一直以来是学校教育力求到达的目标之一。高中化学知识种类繁多,内容相对困难,要想成功完成化学学习活动,提高学习效率,就必须有正确的学习方法。因此,有必要对高一学生的化学学习方法进行研究,发现其中的不足,从而有针对性地提出一些优化建议,进而为重庆高中化学教师有效地开展化学教学实践活动和学法指导提供参考,为高中生改善化学学习方法提供建议。本研究采用文献法探讨了国内外有关化学学习方法研究的现状,从中找到本研究的理论基础和亟待解决的问题。然后,选取重庆市2所重点高中、2所普通高中的429名高一学生为研究对象,通过自编问卷,从基本学习方法和不同知识类别的学习方法2方面对重庆市高一学生化学学习方法的整体现状进行了调查研究,并从学校层次、家庭背景、学生性别、学习成绩4方面进行了对比分析;为了研究教师引导对学生化学学习方法的选择和学习习惯的影响,我们还对测试学校的4名高一化学教师(2名资深教师、2名青年教师)进行了访谈调查。调查研究结果发现,(1)重庆市高一学生大多数能意识到化学学习方法的重要性,但学习主动性不强,存在着预习时间短、照抄教师笔记、边看书边做作业等不良的学习习惯;(2)不同知识类别的学习方法存在多样性和个体差异。化学事实性知识多用归纳整理法,化学理论性知识多用直接记忆、类比记忆和科学抽象3种方法;化学用语技能多用三重表征,但在定量描述方面(如利用微粒个数关系或物质质量关系进行解释)需要改进,且学生对化学知识的作用的认识需要加强。基于研究结果,通过问卷调查及访谈,归纳出“学生的个人品质”、“教师的教学方法引导”、“化学学科的特殊性及其他学科的影响”、“家长的观念及家庭环境”、“同学间的影响及学习环境”等影响着高中生化学学习方法的选择。最后,基于上述研究,结合自身高中化学教学实践,提出了学生、教师和学校三方各自为促进和提升高中生化学学习应采取的具体方法和建议。

关键词： 小学低学段   汉语拼音   教学策略  

摘要： 拼音学习有助于识字教学的开展,也有助于小学生阅读和习作能力的培养。拼音学习对于学生整个语文学科的学习有着重要的意义,有助于识字教学的开展,有助于学生学好普通话,也有助于学生阅读和习作能力的培养。学会汉语拼音是小学第一学段识字与写字的主要目标。调查研究发现,低学段学生在学习拼音时在读和写两个方面都常常会面临一些困境。针对这些困境,提出一些应对策略。首先明确新课标汉语拼音教学目标;其次教师要创设情境,激发学生学习兴趣;再次,突破难点,巩固学习效果;最后,指导书写,辅助拼音学习。

关键词： 小样本学习   深度学习   度量学习   对比学习  

摘要： 深度学习技术近年来得到了飞速的发展,被广泛的应用到生活的方方面面。然而,当可供模型训练样本很少时甚至只有几个时,模型的性能往往表现很差,不能满足人们的需要。为了解决这种困境,人们提出了小样本学习方法。小样本方法大都可以分成两阶段的训练过程,即在基类数据集进行预训练的过程,和在新类数据集上评估小样本分类任务的过程。本文将这两个阶段的学习特点综合在一起展开研究,分别提出了改进措施,其主要贡献如下:(1)基于对比学习的特征提取网络。以往的小样本学习方法在基类数据集上训练的网络存在提取到的特征不够紧凑,在新类数据集上泛化能力不强等问题。针对此问题,本文在标准交叉熵损失的基础上引入了一种基于对比学习的多相似度损失,通过在特征空间中将同类图片的不同变换相互拉近,不同类图片的不同变换相互推远,模型能够学习到一个更加紧凑的特征空间,并且增强在新类数据集上的泛化能力。(2)基于Kmeans聚类的标签重分配算法。由于小样本任务的支撑集样本很少,如果支撑集采样到异常样本会严重影响分类的性能,相反,查询集的样本数相对较多能够形成比较好的团簇结构。针对此问题,本文提出了三种不同的簇信息的利用策略,能够减轻支撑集异常样本的干扰,辅助查询集样本的标签预测。(3)我们在常见的小样本基准数据集上进行了丰富的实验,实验结果表明将以上两种方法结合在一起,本文方法能获得更紧凑的特征空间,并且在多个数据集上的5-way-1-shot分类任务中能够取得与当前最优的方法相当的分类性能。