关键词： TiO2纳米管   细胞增殖   机器学习   细胞密度  

摘要： 生物医用材料的表界面过程十分复杂,材料表面的理化性质会对其生物相容性产生显著影响,包括材料的化学成分、形貌、润湿性、带电性等。我们对界面过程的理解仍十分有限,而日益增加的“相互矛盾”的研究结果给我们的理解增加了难度。针对二氧化钛(TiO2)纳米管的尺寸对细胞增殖的影响规律仍不清晰的问题,本论文从数据库中收集相关的文献并提取有用的实验数据,应用有监督机器学习算法建立模型,以辅助理解纳米管的结构性质对细胞增殖的影响规律。 本论文主要研究内容如下: (1)数据库建立:从文献库里筛选细胞在TiO2纳米管表面生长的相关文献,选定管径、退火、灭菌方式、培养时间以及细胞种植密度五种特征,收集相关数据并建立数据库。 (2)回归模型的建立与选择:针对细胞增殖趋势随纳米管管径变化的规律不明确的问题,建立了回归模型。梯度提升树(GBDT)模型的分析表明,特征重要性程度排序:细胞密度>纳米管管径>细胞孵育时间=灭菌方式>退火。细胞密度的重要性大于纳米管管径,这在一定程度上解释了文献中出现的“相互矛盾”的结果。 (3)实验验证相反增殖趋势:通过使用网格搜索策略遍历所有实验特征组合并做出相应的预测,我们发现在一系列管径递增的二氧化钛纳米管表面,同时调节细胞密度和灭菌方法,可以获得相反的细胞增殖趋势。进一步的细胞实验证实了该预测,这表明模型预测细胞增殖趋势具有一定的准确性。 (4)分类模型的建立与选择:针对细胞在二氧化钛纳米管和钛箔表面增殖快慢的对比,建立了分类模型。在几种机器学习算法中,决策树(DT)模型具有最高的F1值,准确率可以达到80%。模型给出的特征重要性数值表明除了管径因素之外,细胞种植密度也会显著影响细胞增殖行为,这与回归模型的结果一致。 (5)分类模型的评估:基于决策树模型的可视化反推出三种有望获得优于钛箔的细胞增殖结果的实验方案,我们用实验验证了方案的有效性。此外,我们设计了多组实验条件验证模型的准确性,模型的F1分数可以达到0.82,这证明了模型能够有效地预测细胞增殖结果。 本文的研究结果表明机器学习有助于更好地理解生物学研究中有争议的结果,这为探索生物材料的结构-特性关系开辟了一条新途径。

关键词： 三维伊辛模型   深度学习   卷积神经网络   一级相变   二级相变  

摘要： 量子色动力学(QCD)作为描述强相互作用的规范理论,预言了在能量足够高且能量密度足够大时,强子中的夸克和胶子会解除禁闭,形成夸克胶子等离子体(QGP)这一新的物质形态。各种理论模型也预测了在低温高重子化学势区域,强子物质相与QGP相之间的转变属于一级相变,一级相变线的终结点称为QCD临界点,该点处发生的相变为二级相变。目前实验上想通过重离子加速器完成相对论重离子碰撞实验,在极短时间内产生高温高密的物质环境,使强子态物质发生相变,产生解禁闭的夸克胶子等离子体。大量的实验结果已证明在碰撞过程中产生了夸克胶子等离子体,但由于QGP存在时间较短且在实验中不易测量,并且我们对高温高密核物质的相结构了解不多,因此研究核物质相结构有着重要的科学意义。探索QCD相图结构和寻找QCD临界点是高能物理领域的重要目标之一,然而在理论和实验上都有很大的挑战。在相对论重离子对撞机(RHIC)上进行的第二次能量扫描实验(BESⅡ),以及在大型强子对撞机(LHC)上进行的一系列相对论重离子碰撞实验,致力于通过寻找临界观察量来探测QCD临界点位置,然而对于选择什么样的观察量,以及非临界效应等因素的影响,使得目前在实验上无法给出明确的定论。理论上格点QCD模拟目前无法在有限化学势下进行,因此对临界点的存在及位置的第一原理预测仍将缺失。因此我们可以尝试从唯象角度入手,选择与QCD期望存在的临界点属于同一普适类的三维伊辛模型为研究对象,通过相图间的映射以及参数的确定,用于探寻QCD相图及QGP物质的性质。对于物质的相分类和相变识别问题,传统的物理方法是通过对称性的考虑来确定序参量,并用序参量来标记物质的相。但目前QCD相变中没有明确的序参量,为解决这一难题,我们可以调用现代数据分析方法,比如深度学习方法,在没有先验知识前提下直接从伊辛模型的多体位型中提取相位和相变信息,达到相变识别的目的。目前有研究表明全连接神经网络和二维卷积神经网络(CNN)都可以成功用于研究二维伊辛模型的相变,证明了深度学习方法研究相变问题的可行性。本文我们通过使用机器学习技术中的深度学习方法来研究三维伊辛模型中的一级相分类和二级相分类问题。我们通过Metropolis算法产生一系列三维立方伊辛模型的位形图,作为神经网络的输入,选用有监督的学习方法,并采用one-hot编码,三维卷积神经网络可通过输入的位形图及其相应标签做训练得到一个最优的模型,所需的权重参数由神经网络在训练过程中不断更新得到,这样就拥有了对未知测试集进行识别分类的能力。为了比较现有的深度学习算法的准确性和效率,我们在三维伊辛模型相变中分别采用了全连接神经网络和卷积神经网络两种不同的网络。计算结果发现,卷积神经网络和全连接神经网络都能很好地识别三维伊辛模型中的不同相,但卷积神经网络的准确性更高,效果更好。并且通过对不同尺度的伊辛模型做分类,发现随着系统尺度的增大,准确度也随之升高。最后我们用卷积神经网络预测了三维伊辛模型的能量随温度变化的关系,得到的结果与蒙特卡洛模拟方法得到的结果吻合很好。深度学习方法可以在不需要提前知道序参量的前提下,很好地处理三维伊辛模型相变分类问题,并达到较高的预测准确率,证明深度学习方法是一种识别相分类的有效工具。在深度学习模型中通过搭建不同的网络框架,选择合适的输入输出,并通过大量的迭代训练,可以很好识别出系统中不同的相。接下来通过对神经网络权值如何获取模型的相变信息进行研究,我们希望在未来工作中可以用深度学习方法找到未知相变中的特征量,并对实验上的研究起到参考作用。

关键词： 排序学习   随机森林   自制数据集   双集成模型   电影和公司排名预测  

摘要： 排序学习作为一种基于机器学习与信息检索的交叉技术,已经广泛地应用于Web搜索、文档检索、推荐系统、问答系统等多个领域。排序学习会根据不同的排序学习数据集(即构造相异特征)和排序学习方法训练出不同的排序模型,以对新输入目标列表进行排名预测。随机森林作为一种基于bagging的集成技术,已被证实在中小规模数据集上具有极其优秀的预测性能。基于此,本文通过研究基于随机森林的排序学习方法并应用在自制电影及公司数据集上,旨在进一步提高电影及公司排名预测的整体精度。论文的主要工作有:(1)提出基于随机森林的Bootstrap自适应双集成排序学习方法(Random Forest-based Bootstrap Self-adaptive Double-ensemble,RF-based BSD)。适当缩小Bootstrap比例和采用基于双集成的方法能有效提高模型性能,于是设计一种Bootstrap自适应函数同时将随机森林的基模型由树模型替换为集成模型。首先,BSD将根据输入的排序学习格式数据集的查询数、查询-实例对数和特征数自动确定随机森林的子采样比例。然后采用单集成思想(基于boosting的集成算法)来训练随机森林的基排序器。最后采用bagging思想输出最终的双集成模型。(2)制作电影数据集与公司数据集。首先通过python爬虫获取网站数据,构建相关特征。其中构建的电影特征包含时序、影院、发行商、类型、系列和其他共六大类特征(包括共21小类特征),公司特征包含排名、收益、价值和其他共四大类特征(包括共10小类特征)。然后对原始资源数据实行数据缺失处理、数据归一化、数据排名处理、数据标签划分以及数据格式处理,得到排序学习格式的数据集。(3)构建多种排序学习模型实现电影及公司的排名预测,进行实验对比验证所提出方法的有效性。首先采用原始的随机森林框架,训练出单集成模型。以基于boosting的三种单集成模型作为基排序器,采用基于随机森林的Bootstrap自适应双集成排序学习方法训练出三种不同的双集成模型。然后用这四种模型分别在自制电影及公司数据集上开展对比实验。实验结果显示,所提出方法能有效得出随机森林的最佳子采样比例。通过对比平均均值精度和归一化折扣累计增益两个评估指标,本文所提出方法训练出的双集成模型的性能均高于原始方法训练出的单集成模型。同时,所提出方法的排名预测结果与网站上排名列表基本相符,其表现最佳模型的平均均值精度基本处于98%以上。

关键词： 高中数学   学习方法  

摘要： 新课改后,教育理念发生了变化,注重对学生核心素养的培养。在高中数学的教学中,不仅要培养学生的学科知识,还要培养学生的数学思维模式、学生的自主学习能力和运用知识的能力。教师在教学过程中,要培养学生自主学习的兴趣,培养学生自主学习的习惯,教授学生学习数学知识的方法,让学生养成数学的解题思维模式,提高学生自主学习的能力,强化学生运用数学知识的能力。

关键词： 深度学习   多任务学习   景深估计   语义分割  

摘要： 伴随着关于人工智能研究的快速发展,作为人工智能发展水平重要标志之一的自动驾驶技术成为近年来的热门研究方向。在自动驾驶领域的研究过程中,自动驾驶系统通常划分为三个模块:感知、规划和控制,本文主要探讨感知模块中的视觉问题。基于视觉的感知模块主要解决的是视觉场景理解问题,即通过计算机视觉等技术手段,对车辆周围外部环境进行精准高效的解析。具体而言,本文将聚焦自动驾驶场景理解中的两个关键子任务:景深估计和语义分割。近年来,随着深度学习技术在众多领域日渐发挥出超预期的作用,基于卷积神经网络的场景理解方法逐渐展现出比传统方法更胜一筹的性能。然而,不同于当前广泛研究的单任务深度模型,本文基于多任务学习着重探讨面向景深估计和语义分割的联合深度模型,主要包括以下研究要点:1.针对当前多任务模型无法深层次筛选任务共享特征的问题,本文提出一种端到端的联合学习景深估计和语义分割的多任务模型。通过采用编-解码结构的特征共享模块,挖掘任务共享特征,进一步提出新颖的特征筛选模块对共享特征进行深层次的特征提取,最后引入注意力机制。实验结果表明:本文提出的模型精确性高、鲁棒性强,且模型轻量化。2.针对当前场景感知多任务深度模型存在精度高但参数多、效率低的问题,本文面向景深估计和语义分割进一步探讨线性多步残差模块与轻量化技术相结合的联合深度模型。具体地,通过在已有文献的Dense多任务模型中引入线性多步残差模块且深入比较标准卷积、深度可分离卷积、以及分组卷积、深度卷积以及通道混洗操作的组合等不同轻量化模块。实验结果表明:结合深度可分离卷积,本文能够在不影响景深估计和语义分割性能的前提下,将原始Dense模型的参数量和计算量分别降低90%,模型更加轻量化。3.多任务学习的损失函数在训练过程中是动态变化,任务之间的相对难易程度也是动态改变,多任务模型的损失应自适应地调整任务之间的权重维持任务平衡性。为此本文介绍了三类多任务损失函数权重调整方案,并结合本文提出的多任务模型进行对比实验。实验结果表明:在不同多任务模型、不同场景下,基于不确定性的多任务损失函数权重调整方案效果最好。

关键词： 多视图判别分析   迹比准则   判别性公共空间   多模态学习   加权调和  

摘要： 多视图分析能够较好地利用不同视图之间信息的兼容性和互补性,比单视图分析具有更好的决策性能,目前广泛应用于计算机视觉、目标检测、行为识别等领域。然而传统的多视图分析大多只研究成对视图间的关系,忽略了所有视图间关系,导致得到的公共空间判别性不强。尽管一些非成对多视图方法得到了判别性公共空间,却使用广义特征值分解方法对其近似求解,使得最终结果偏离全局最优解。因此,人们希望既能得到判别性公共空间,还能得到全局最优解的多视图分析模型。本文重点研究了两种多视图学习方法:TRCMv DA模型解决多视图判别分析中的迹比(Trace Ratio,以下简称为TR)问题;HMMv DA解决一些多视图分析对所有的类间距离赋予相同权重,较小类间距离在公共空间上重叠的问题。主要工作如下:(1)提出基于迹比准则的多视图公共空间判别分析(TRCMv DA),该有监督模型同时研究了视图内和视图间的关系,得到判别性公共空间。针对多视图判别分析中的TR问题,我们提出一个可以放宽半正定矩阵约束条件的策略,使模型可以通过Newton-Raphson迭代方法求解。最后,该模型与7个多视图主流算法在5个常用公开数据集上进行对比实验,结果说明该模型解决了TR问题,且识别精度提升3%以上。(2)提出基于加权调和均值的多视图判别分析(HMMv DA),解决一些多视图算法对所有的类间距离赋予相同权重,造成较小类间距离在公共空间上发生重叠的问题。该有监督模型优先考虑成对类间距离,使所有类在公共空间上尽可能的区分开,得到更具判别性的公共空间。并且利用基于调和均值的类间散射矩阵增加了模型的鲁棒性,引入正则化参数平衡类内距离和类间距离对目标函数的影响,最后通过拉格朗日乘子法和KKT条件对模型进行迭代求解。实验证明,HMMv DA模型的识别精度略高于TRCMv DA,说明了本模型相比于后者可得到更具判别性的公共空间。本文提出的两个多视图监督学习模型,它们同时研究了视图内与视图间的关系,能够得到判别性较强的公共特征空间,并能求得全局最优解。最后,我们还成功地将两个模型应用于人脸识别和多模态人体动作识别并取得了良好的效果,证明模型具有较好的普适性。

关键词： 路面监测与分析   最新的研究进展   埋入式传感器   图像处理技术   机器学习方法  

摘要： 在现代交通系统中,道路作为车辆和行人使用频率最高的民用基础设施之一,其服役状况和使用寿命直接影响通行体验和效率。因此,在路面发生不可逆损伤之前进行路面健康监测和及时养护,对于保障公共交通服务质量以及通行安全至关重要。通过路面结构动力响应监测和路面状况评估可有效表征路面损伤状况。埋入式传感器、图像处理和机器学习是目前常用的三种路面结构动力响应监测技术和分析方法。本文综述了近年来上述三种技术在路面工程中的应用现状,并阐述了这些技术在未来路面工程监测与分析中的发展方向。

关键词： 异构网络   图表示技术   跨图关联学习   元路径  

摘要： 随着信息技术的逐渐成熟以及智能终端的广泛普及,信息数据的表现形式日渐多样化,例如像数字、图像、文本、音频、语音等多模态的异构数据逐渐成为信息的主要载体,而连接这些多模态数据的最主要的表现形式是异构图。因此,如何基于这种异构图进行数据挖掘、分析网络中各种实体之间的联系,成为了当前跨媒体和数据挖掘领域重要的研究方向。本文基于异构图数据,提出一种新的跨图关联学习模型CGRLGE(Cross-graph Relational Learning based on Graph Embedding)。该模型基于图表示技术,采用基于元路径(Meta-path)的随机游走方式对图中节点进行采样,然后对异构图中各类节点以及节点之间存在的多种关联关系进行建模学习,模型通过求解特定目标函数的最优解,最终学习得到节点在嵌入空间中的向量表示,实现节点特征从结构复杂的异构图空间到低维度嵌入空间的映射。在映射后的嵌入空间中,基于学习到节点表示向量,在多个真实数据集上进行了节点分类(Node Classification)和网络恢复(Network Recovery)实验。实验结果表明,CGRLGE模型能够充分挖掘异构图中各类型节点之间的关联关系,所学习到的节点表示向量能够充分捕获节点特征以及节点之间的关联性,在节点归类以及链接恢复等实际任务分析中,相比同领域内其他的算法模型,CGRLGE模型能够取得更为出色的性能表现,在多个维度的评估标准下均能获得更加突出的实验结果。

关键词： 信息化   高中地理   自主学习   策略  

摘要： 随着科学技术的发展,大数据、信息化等科学技术手段给人类的生产和生活方式带来巨大影响,教育领域也不例外。因为信息化技术的出现和应用,教学手段和教学方式得到很大革新,方便了教师的教学实践,提高了学生的学习效率。通过互联网技术,已经具备一定认知能力和学习能力的高中生可以自主进行学习,丰富了获取知识的渠道,培养了自主探究的能力。围绕如何促进高中生运用信息化技术进行地理自主学习这一论题进行浅析。

关键词： 小学数学   合作学习   形式   实践  

摘要： 在小学教育中,数学是一门重要学科,同时也是一门难度系数比较高的学科。小学生往往还没有形成自主认知能力,他们的学习过程离不开同学之间的合作。小组合作学习法符合新课改的改革趋势,有利于增强学生的自主学习能力。因此,教师需要探究小组合作学习法的具体应用策略。