关键词： 小先生制   同伴互学   指导   贡献  

摘要： 陶行知先生在1934年提出"小先生制",对普及教育和解决平民教育的师资问题起到了很大的推动作用。"小先生制"在观念、具体实施方法、评价激励机制等方面对当代"同伴互助学习"具有一定的指导意义,值得借鉴。现阶段,"同伴互助学习"在目标、内容、渠道、规模、效率、媒介等方面,对"小先生制"也可以有更多的贡献。

关键词： 频谱特征识别   深度学习   调制识别   射频指纹识别   生成对抗网络   联邦学习  

摘要： 随着5G的大规模商用以及物联网的快速发展,人类社会进入了“万物互联”的新阶段。用频设备的显著增加使得本就不足的频谱资源愈发短缺,频率的感知、理解和利用也日益复杂。通过无线通信的频谱特征识别准确理解电磁环境,进而高效利用频谱资源,成为保证无线通信质量和提升用户满意程度的重要一环。传统上,为了识别调制方式或辐射源指纹等典型频谱特征,业界开发了包括似然比检测和模式识别等方法,取得了一定的效果。但这些方法仍然存在识别精度低、应用范围窄、人工开销大等固有缺陷。鉴于深度学习技术被广泛用到图像识别与自然语言处理等领域,在此背景下,本学位论文期望设计针对频谱特征识别的深度学习方法,并将其用于自动调制识别和射频指纹识别等具体场景中;其次,针对小样本场景下的挑战,提出了基于生成对抗网络的数据增强方法;最后,基于联邦学习理念,开发了分布式频谱特征识别架构,并验证了典型深度学习模型。具体来说,本学位论文研究内容包括3个方面:1.针对当前用于频谱特征识别的传统算法与深度学习算法存在的人工参与多、识别精度低、泛化能力差的缺陷,提出了一种面向频谱特征识别的深度学习算法,即Multi-level attention CNN Bi-LSTM(MCBL)。MCBL有效融合了卷积神经网络、循环神经网络(Recurrent Neural Network,RNN)与注意力机制,从而更准确地提取频谱信号的空间、时间和显著性信息。为了验证MCBL网络的性能,分别在调制识别与射频指纹识别的公开数据集上展开了对比实验,与9种常见的深度学习算法对比,MCBL模型识别精度最高超过93%,并且在信噪比较低时仍能取得较好的识别效果,综合表现优于当前方法。2.针对小样本场景下,基于深度学习进行频谱特征识别时出现模型欠拟合或过拟合,进而识别精度严重降低的问题,提出了一种小样本场景下基于生成对抗网络的数据增强方法,即Temporal Data Generative Adversarial Network(TDGAN)。该网络通过获取频谱信号的时序特征,训练和生成高质量样本数据,然后将其用于深度网络训练,显著增强了深度学习模型的训练效果,提升了其健壮性。最后,将TDGAN网络应用到调制识别与射频指纹识别领域,将生成的数据添加到原始数据中进行试验。结果表明,TDGAN可以准确拟合给定小样本的特征,生成的数据样本与给定样本特征类似,将生成的数据用于深度网络训练后,可以将训练精度提升近50%,取得了良好的数据增强效果。3.针对计算与存储资源受限的分布式平台,提出了基于联邦学习的分布式频谱特征识别算法。能力受限的通信平台通常难以独立运行具有动辄上千万参数的深度学习网络,运行时间长甚至无法收敛。因此,针对嵌入式平台能力受限的特征,采用联邦学习思想,实现了轻量级分布式频谱特征识别深度神经网络架构,依托多个能力受限平台共同完成神经网络训练,获得相对准确的识别模型。然后,在提出的分布式架构中实现了轻量级深度神经网络,并在调制识别与射频指纹识别领域进行了应用。实验结果表明,单个资源受限的分布式平台训练精度很低,通过应用所提出的分布式训练架构,可以显著提升识别精度15%以上。

关键词： 数值模拟   机器学习   大涡模拟   高精度数值模拟  

摘要： 翼型绕流是流体力学研究重点之一,流动相对简单但广泛应用于各种流体机械及飞行器设计中。且翼型绕流可以通过圆柱绕流的势流变换得到,因此本文以圆柱及NACA0018翼型作为研究对象,采用不同湍流模型计算了研究对象在定常与非定常状态下的流场。通过对比分析研究了数值模拟结果,选用二维模型下SST k-ω湍流模型对研究对象的计算结果作为机器学习样本,对机器学习方法的流场复现方法进行了研究,选用多层前馈神经网络模型实现机器学习方法,并根据复现出的流场计算翼型的气动特性,主要方法及结论如下:1、采用S-A、SST k-ω与LES湍流模型,对NACA0018翼型在不同攻角下的流场进行数值模拟,研究表明,S-A模型在0-4°攻角下计算误差可以小于5%,当攻角超过8°时,S-A、SST k-ω方法开始出现较大误差。使用非定常方法进行计算时,SST k-ω与LES湍流模型在攻角α<8°时均能准确预测升力系数,但当α>8°时由于发生了流动分离,SST k-ω湍流模型难以准确预测,另外LES湍流模型可以较为准确的计算出翼型的阻力系数。最后对比了圆柱绕流LES方法与实验的对比,通过对比实验流场与数值计算流场发现SST k-ω方法无法得到圆柱绕流背压面旋涡被主流拖拽破裂的过程。综合对比三种数值模拟在圆柱绕流与翼型绕流中的计算结果可以发现LES在宏观外特性与流场特性均具有较高精度。2、本文采用数值模拟方法获取数据集,数据集的好坏直接影响预测准确性。圆柱绕流因计算简单,且可以通过势流变换得到翼型绕流,因此本文首先采用数值模拟方法对雷诺数为Re=3900的圆柱绕流进行计算,对比圆柱绕流试验压力系数与数值模拟计算压力系数可以发现LES湍流模型与SST k-ω湍流模型计算结果相近,但计算时长相差近35倍。综合考虑计算时间和准确性,选用二维模型下SST k-ω湍流模型建立直径为0.05m的圆柱在Re=3500-5500下压力场速度场数值模拟结果作为学习模型的数据库,研究不同深度、训练步数、学习率和不同网络结构的预测准确性。结果表明,保证训练步数在500-750步之间,学习率为0.1保持不变时预测结果很差,在减小学习率到0.01时可以获得较好的结果,但学习率继续减小会导致神经网络难以收敛,需要增大训练步数方能收敛。另外神经网络在层数增多时会有较好的预测结果,但当前馈网络超过6层时,预测准确性并没有很大的提高,认为使用6层前馈网络即可达到圆柱绕流预测的目的。最后加入0.005的正则化与1%权重衰减可以有效防止过拟合,提高预测准确性。3、将圆柱绕流优秀的预测模型应用于翼型绕流预测。首先利用数值模拟方法获得NACA0018翼型在攻角α=2°、4°、6°、8°,雷诺数Re=0.1-1.6×10范围内共计140组计算结果作为机器学习的样本数据库,建立基于前馈神经网络的机器预测模型,以绕流雷诺数与攻角作为自变量输入神经网络,通过神经网络的计算预测翼型附近压力场速度场。结果表明,采用八层全连接神经网络即可获得准确的计算结果,并可以通过预测得到的表面压力系数反算升阻力系数,发现机器学习方法能获得很好的准确性。对比Xfoil、数值模拟与神经网络计算得到的表面压力系数,发现SST k-ω湍流模型未算出翼型分离点,导致神经网络无法计算出分离点压力变动,表明机器学习方法准确度取决于数据库样本。4、通过计算矢量场速度之间的相关系数可以发现X、Y方向的速度矢量大小相关系数为0.3,相关性较弱,因此采用相互独立的神经网络预测速度矢量场。相比压力场、速度场的预测,因缺少数据间的约束,需要将神经网络训练步长增加至600步以上。并考虑到流场中驻点及部分区域Y方向速度接近于0,将计算结果中绝对值小于10的数据归零处理,最终可以将矢量场预测的平均误差降低至7%以下。

关键词： 高中语文   方法初探   查字典  

摘要： 高一新同学,升入高中,面临更为繁重的学习任务和更为激烈的竞争。在这里探讨一下有关语文学习的问题,以帮助学生树立正确的语文学习观。一、存在两个误区1.不屑一顾有的学生认为语文很简单,语文有什么好学的,我们不是天天都在说话吗。殊不知,中华语言文字博大精深。"街上好热闹""街上好不热闹",一个肯定性的表述,一个否定性的表达,外国人看表意完全不同,可这两句的意思基本相同,只是程度上略有区

关键词： 跨模态检索   在线哈希学习   高维哈希学习   离散哈希学习   近邻搜索  

摘要： 目前越来越多的成像设备应用到我们的日常生活中,每分钟都会产生大量的图像。随着互联网的快速发展,不仅仅是图像数据库规模迎来了爆炸式增长,有关的文本、视频等数据库规模也呈现快速增长趋势。数据呈现的方式越来越多样化,数据的模态也随之不断增多,相关的跨模态检索成为研究人员面临的一个挑战性问题。当数据样本特征描述的维数很高(即维数灾难)或数据规模很大时,如何实现更高效的跨模态检索成为研究的难点也是热点。哈希方法由于其较低的时间复杂度和存储成本,近年来受到了研究者的广泛关注。然而,现有的跨模态哈希学习方法大多是基于批处理模式,无法很好的满足数据以流式动态到达的实际需求。当新数据被动态获取时,基于批处理的哈希方法需要重新更新整个哈希函数以确保检索精度,这就导致了较高的存储和计算成本。在这种情况下,在线哈希研究应运而生。在线哈希是通过对连续到达的数据实例在线更新哈希函数来解决在线检索任务。本文以多模态数据为主要研究对象,针对现有的在线哈希方法未考虑问题,进一步探索在线跨模态哈希学习方法,创造性地提出了两种新的在线哈希算法和一种高效的在线优化算法。本文的主要研究内容和贡献概括如下:1)针对在线情形下流式数据动态更新导致旧数据缺失而无法有效保持新旧数据间相关语义信息的问题,创造性的提出了一种在线无监督跨模态离散哈希(OUCDH)方法。该方法巧妙地借助锚点来捕捉新旧数据间地相似性结构,从而学习更高质量的哈希码。当获取到新的数据样本时,矩阵分解数据样本的特征去学习不同模态间的语义公共子空间,计算新数据样本和锚点间的相似性,得到图拉普拉斯矩阵,进而更好的进行哈希编码。同时为了减少量化误差,考虑使用旋转矩阵保证哈希编码质量并设计了一种在线优化算法。为了验证所提出的在线无监督跨模态离散哈希(OUCDH)方法的检索性能,在三个基准数据集上进行了大量实验。实验结果表明,与现有的在线跨模态哈希方法相比,该方法具有较高的检索精度,是高效的在线跨模态检索方法。2)面对高维数据,即使是哈希技术也避免不了需要承受较高的计算和存储压力,而现有的关于处理高维数据的在线哈希研究较少。为弥补高维在线哈希的研究空白,解决处理高维流式数据问题,本文提出了一种在线高维跨模态哈希(OHDCH)方法,旨在对高维数据进行降维处理,减轻计算和存储压力。结合双边投影降维的思路,首先对新到达的数据特征矩阵实现向量化,再重构得到的高维特征向量,完成高维特征矩阵到低维特征矩阵的降维转化,最后利用两个正交投影矩阵对低维特征矩阵进行双边投影学习哈希码。同时,还设计了一种交替迭代的在线优化算法,对哈希码进行更新优化,确保哈希编码质量。通过在三个大规模基准数据集上的大量实验,可以证实OHDCH相对于其他在线哈希方法具有更高的优越性。3)针对上述两种跨模态在线哈希方法,本文提出了一种基于牛顿法的高效优化改进算法。所提出的两种在线优化算法都是基于梯度下降的交替迭代更新算法,存在的共同问题是每轮迭代次数较多。当优化更新的迭代次数超出给定范围,则会降低在线更新效率,影响模型的性能。为解决这一问题,运用牛顿法对原有优化算法进行改进,形成更为高效的在线优化算法。由于牛顿法二次收敛的优越性,相较于一次收敛的梯度下降法能够更快进行收敛,减少迭代收敛的次数。考虑到牛顿法中求解Hessian矩阵逆矩阵的复杂度,采用对角近似来求解逆矩阵的近似值,简化求逆步骤,降低求解复杂度。应用该优化方法于所提出的OUCDH和OHDCH上,并分别在各自的标准数据集上进行实验对比,可以证实该优化算法的高效性。

关键词： 高中   语文   学习方法  

摘要： 关于中学语文教学,叶圣陶严厉地指出"少慢差费"的现象,从这句话中可以分析出教学所存在的问题,可是现在语文教学仍然面临巨大挑战:学生对语文缺乏学习兴趣,不愿去花费时间与精力;同时,学生和社会对语文学习普遍存在误解与偏见。本文笔者将着重探讨关于高中语文的学习方法,希望可以为学生提供一些有效的学习方法,对提高其语文素养有所助益。

关键词： 车牌识别   深度学习   卷积神经网络   Softmax  

摘要： 近些年,随着社会的发展和进步,各式各样的汽车已经进入寻常百姓家,人们也意识到汽车牌照的重要性。鉴于传统车牌识别方法存在的不稳定性和工序复杂较容易出现误差等缺点,和基于深度学习的车牌识别方法鲁棒性较强以及操作简单等优点,本文提出了基于颜色特征和边缘检测的车牌定位算法,并设计了一种基于改进的Alexnet网络的车牌识别系统。本文主要分为车牌检测和车牌识别两个主要工作,在第一部分,对车牌图像进行预处理,分析了目前使用较为广泛的几种车牌定位方法,并对这几种方法进行了对比,最终提出一种基于颜色分割和边缘检测两种定位方法结合的新的车牌定位方法,再加入支持向量机(SVM)二分类模型对初步识别出的车牌区域进行进一步筛选,以提高精确度。最后利用基于Open CV仿射变换的倾斜校正算法对识别出来的车牌部分进行校正,经过实验证明,本方法能够较好地完成车牌定位检测的任务。在车牌识别部分,本文在调研各种经典的卷积神经网络基础上,进行了主干网络的对比实验,针对车牌识别具体的技术需求,尤其是考虑到实时性对时间的要求,本文选择了对经典的Alexnet卷积神经网络进行改进,并引入多标签分类原理,运用softmax分类器进行识别,提出了一种基于深度学习方法的车牌识别系统。最后加入传统算法和本文车牌识别系统在复杂环境下的识别正确率对比和典型案例对比。结果显示,本文提出的基于深度学习的车牌识别可以较好地提高识别准确率。

关键词： 机器学习   解调   一维卷积神经网络   衰落信道   降噪自编码器  

摘要： 基于机器学习方法的数字信号调制解调,可以在不进行载波恢复、滤波处理的情况下,实现在同一个网络模型下对多种数字调制信号进行解调,有助于提高通信系统中信息传输的效率,缓解日益复杂通信环境下硬件电路设计的压力。另外基于机器学习方法的数字信号调制解调,可以在不进行信道估计的情况下,直接将符号序列从衰落信号中恢复处理,有利提高通信系统的频率利用效率。因此,基于机器学习方法的数字信号调制的解调成为近年来研究的热点之一。本文针对应用机器学习方法对多制式数字调制信号的解调需要较高的过采样倍数的问题,以及针对衰落信道下基于机器学习的数字调制信号解调方法对不同调制信号泛化能力较弱的问题,进行了研究。主要研究内容如下:1、首先对传统的解调方法与基于机器学习的解调方法进行了对比,分析了基于机器学习方法的优势。对人工神经网络(Artificial Neural Network,ANN)等适用于多制式数字调制信号的神经网络解调器进行了分析,以上方法存在对数字调制信号过采样倍数要求较高,网络参数众多,训练难度较大的问题;对深度置信网络(Deep Belief Network,DBN)等适用于衰落信道下数字调制信号的神经网络解调器进行了分析,以上方法存在对不同数字调制方式泛化能力较弱的问题。2、设计了一种适用于较低过采样条件下的多制式数字调制信号的多尺度一维卷积神经网络解调器。该解调器可以在与传统解调器相同的过采样条件下,对BPSK、4-QAM、8-QAM、16-QAM四种数字调制信号进行解调,并能保证与传统解调方法相同的误码性能。仿真结果表明,在高斯信道下,给出的数字调制信号解调器可以在保证解调误码性能的同时,减少了对采样倍数的要求,降低了神经网络结构的复杂性。3、设计了一种适用于衰落信道下的多制式数字调制信号解调的神经网络级联模型。模型由降噪自编码器和解调器两部分组成,利用降噪自编码器的编码、译码过程来尽量消除衰落信道对数字调制信号的影响,应用解调器对数字调制信号进行解调。在瑞利衰落信道进行仿真,实验结果表明该神经网络级联模型可以在没有信道估计的情况下,实现了对BPSK和BFSK调制信号的解调,说明该神经网络级联模型,在消除了对信道状态信息的过分依赖的同时,增强了对不同调制信号的泛化能力。

摘要： 加强党员干部思想政治工作是管根本、管方向、管长远的基础性工程。党史学习教育融入党员干部思想政治工作,既是时代呼唤,也是使命使然。1.党史学习教育融入党员干部思想政治工作,是适应国情、世情、党情历史性变革和新挑战的迫切要求。

关键词： 无监督学习   集成学习   深度学习   聚类   异常检测   自动编码器   高维数据集  

摘要： 信息时代,数据的影响力正在逐步扩大。从采集的数据中揭示潜在的模式和见解,挖掘有价值的信息来指导人们的生产和生活,具有重要的研究意义。硬件技术的进步,如:提高处理器速度和降低存储成本,为执行大规模、高维度的数据分析铺平道路。机器学习和人工智能技术的发展成为高维数据挖掘的重要支撑技术。高维数据蕴含着大量的冗余和噪声,同时,样本在高维空间中呈现稀疏性,难以直接度量它们之间的距离或相似性。这些因素使得在低维空间中有效的学习方法在处理高维数据时性能显著下降、甚至失效,给高维数据挖掘带来严峻的挑战。无监督学习方法是挖掘高维数据内在结构、探索数据本质联系或潜在规律的关键方法。本文主要针对无标签高维数据的聚类分析和异常检测任务进行研究,主要工作及成果如下:提出一种可扩展的局部加权子空间聚类集成方法,它能融合不同子空间的簇,得到精度更高的聚类解。给出了高维空间中核簇的定义,它是在每个子空间中都被划分到同一个簇的样本集合。核簇的尺寸介于簇和样本之间,以核簇为基本粒度单位执行集成能一定程度提高集成的效率。在对子空间聚类集成过程中,通过度量基子空间中核簇之间的距离、以及核簇与基子空间中簇的相似性来评估簇的稳定性,进而加权子空间聚类解。提出四种核簇基础的加权集成方法来融合各个基子空间的簇,得到共识聚类解。在多个图像数据集和基因表示数据集上开展实验,验证所提方法的有效性。与其它先进的聚类集成方法相比,所提子空间聚类集成方法的聚类精度更高,集成效率更优。(第3章)提出了一种深度嵌入自动编码器聚类模型。首先在单隐藏层自动编码器的编码器单元和解码器单元分别嵌入一个自动编码器,构成一个对称的深度自动编码器网络架构,它比原型自动编码器有更强的特征表示能力,能有效提取样本聚类友好的特征表示。在模型预训练阶段,通过最小化编码器的重构损失函数来学习隐藏层编码。为了获得更平滑、更连续的中间层流形,本文对目标函数添加隐藏层编码约束,并利用权重参数来控制重构精度和平滑约束之间的折衷,显著提高了模型隐层编码的特征表示能力。在模型微调阶段,对隐藏层编码执行聚类把样本划分到簇,并将每个簇的簇心作为微调时样本的标签,有监督的训练编码器。采用自步学习方法来选择编码器的微调样本,防止簇边界的样本参加训练,使模型具有更好的收敛性。在多个人脸图像数据集、手写字体数据集和物品数据集上对所提方法进行评估、分析和比较,证明该算法的有效性。(第4章)提出一种两阶段无监督异常检测模型,它是以深度嵌入自动编码器为基础,能对图像样本进行端到端异常检测的深度模型。以嵌入自动编码器为基础,设计了一种面向图像异常检测任务的特征提取方法,使提取特征具有良好的鲁棒性。在模型预训练阶段,通过模型的重构损失来学习一个网络映射函数,使隐藏层的输出是对输入的精简而有效的表示,能更好适用于后面检测异常样本的任务。在模型微调阶段,根据深度嵌入自动编码器的聚类损失,提出了有效的代理监督方法,将所有输入样本对应的隐藏层编码的向量均值作为代理标签,在编码器微调时为其提供监督信息。采用自步学习方法迭代地对可靠性样本进行微调。设计了一种异常评分策略对输入样本进行异常评估。在多个真实的图像数据集上,与先进的无监督异常检测方法进行比较,证明所提方法在无监督图像异常检测任务中的优越性能。(第5章)