关键词： 高中物理   学习方法   创新   运用  

摘要： 物理是高中理科科目中较难学习的一门课程,学习过程较为枯燥、抽象。针对高中物理学习,学生要掌握一定的学习方法,并在学习过程中正确运用,才能显著提高学习效率,使整个学习过程变得轻松、有趣。本文对高中物理学习方法的创新进行分析,以供参考。

关键词： 情绪识别   特征选择   源域选择   迁移学习   情绪诱发网站平台  

摘要： 情绪识别是情绪脑机接口领域的关键问题,在交通安全、人机交互、医疗健康等领域都有广泛的作用。近年来,生理信号尤其是脑电信号能够有效反应人的情绪状态,并因其难以伪装、实时差异性强、准确性高的特点,基于脑电的情绪识别已经成为了情绪识别方面主要的研究方向。但是由于脑电信号的非平稳性,不同被试个体的脑电信号在数据分布上存在差异,以至于传统的情绪识别建模方法存在泛化性和复杂度上的局限。迁移学习因其可以较好解决数据分布差异的问题而被广泛应用,然而目前的研究大多没有对数据进行有效利用。为此,本文给出了一种用于情绪识别的脑电特征迁移学习方法,并设计开发了通用情绪诱发网站平台,本文的具体工作如下:首先,介绍了基于脑电的情绪识别的研究背景和国内外研究现状,进而说明了本文的研究目的及意义;介绍了脑电信号特点及情绪模型分类,分析了情绪识别和迁移学习的基本原理。其次,为了有效提取数据间的关联信息,改进最小冗余最大相关算法从特征相似性和相关性层面对源域和目标域特征进行有效选择;为了在多源域中选择适合进行迁移的源域,给出多源域自适应选择算法,运用聚类算法从域-域差异和样本-域差异层面对多源域进行自适应选择并赋予权重;进一步在情绪脑电SEED数据集上验证所提方法的有效性。再次,将改进的最小冗余最大相关算法和多源域自适应选择算法引入传统流形空间下的分布对齐算法,给出改进的流形空间下的分布对齐算法。在保留传统算法避免特征扭曲,定量估计边缘分布和条件分布重要性的优点的同时,改进最小冗余最大相关算法剔除各源域和目标域间无效特征,并通过多源域自适应选择算法得出适合迁移的源域,再将源域权重及对应识别结果送入决策级融合模型得到情绪识别结果,使其具备较好的多源域迁移能力,同时降低了计算复杂度,并有效减少负迁移现象,提高情绪识别的准确性和鲁棒性;在情绪脑电SEED数据集上进行了实验对比分析,验证了改进的流形空间下的分布对齐算法的有效性。最后,结合现有的情绪诱发方式设计开发了用于诱发被试产生情绪状态变化的情绪诱发网站平台,包括前后端界面和功能的设计与实现,有助于提高后续研究者实验的便捷性;并通过该平台采集数据,设计实验对比分析,验证了本文开发的情绪诱发网站平台的实用性,同时再次验证了本文所提改进的流形空间下的分布对齐算法的有效性。

关键词： 大学生学业成就   移动学习   学习方法  

摘要： “十四五”时期,高等教育更加注重人的全面发展,特别是满足人才能力的培养以及不同群体的多元学习需求。大学生学业成就作为衡量高等教育质量的一项重要指标,不仅是对大学生学习成绩的综合评定,更是大学期间学习能力与核心素养的综合体现。随着移动互联网技术的飞速发展、移动学习资源的丰富以及移动设备的普及,移动学习作为数字化学习时代的一种新型学习方式,是大学生学习与成长的重要组成部分。终身学习理念的深入与个性化学习方式的涌现,推动了大学生移动学习的浪潮,同时也催生不同的移动学习观念。大学生在移动学习过程中的认知与理解随之显现出差异化特征。基于此,本研究以建构主义学习理论与联通主义学习理论作为基础,Biggs3P学习模型作为研究框架。通过大学生移动学习、学习方法以及学业成就的调查与分析,了解其现状及特征并探讨学习方法在移动学习和学业成就之间的中介机制。提出了移动学习观、深度学习方法和学业成就之间的假设以及中介效应模型。通过SPSS26.0对数据进行分析处理,包括移动学习、学习方法和大学生学业成就的描述性分析、差异性分析、相关分析、回归分析及其中介效应检验。通过对假设进行验证与分析,得出移动学习对大学生学业成就存在积极影响。根据数据结果和访谈结果得出以下研究结论:第一,移动学习与大学生学业成就存在正向性与差异性;第二,群体差异性带来新数字鸿沟风险;第三,移动学习有效促进大学生学业成就的提升。本研究从以下三方面提出建议对策。首先,在大学生层面:第一,以高阶移动学习观为目标,迈向深度学习;第二,以移动学习时间投入为轴心,完善学习方法;第三,以深度学习为支点,助力大学生学业成就。其次,在教师层面:第一,以生为本,转变教师移动教学观念;第二,改变传统角色,成为学生有效引导者;第三,关注学生群体差异性,避免新数字鸿沟风险。最后,在高校层面:第一,强化主体意识,提高大学生信息素养;第二,提供优质移动学习环境,助推高质量人才培养。

关键词： 雷达自动目标识别   高分辨距离像   在线学习   自适应压缩扩展   均衡逐级分段训练  

摘要： 雷达可以实现对目标的监测、跟踪以及类型的判断,在完善防空体系和战场敌情判断中发挥着重要作用。为满足信息化战争的需求,雷达自动目标识别技术(RATR)得以快速发展。高分辨距离像(HRRP)包含了目标丰富的结构信息,具有易获取和易处理的优势,是实现RATR的重要途径。近年来随着深度学习理论快速发展,神经网络模型已被广泛应用于HRRP目标识别,并取得显著成效。然而使用神经网络模型进行有效识别的前提是建立完备的雷达目标HRRP训练数据库,而实际工程应用中由于目标非合作等因素,往往难以提前建立完备的数据库。为此,要求神经网络模型能够在使用过程中持续利用新样本进行学习完善。现有方法在使用新样本更新模型参数时,容易产生灾难性遗忘问题,严重影响识别性能。针对该问题,本文将在线学习方法引入HRRP识别任务中,它能够使模型在学习新知识的同时仍然保留已经学到的旧知识。本文主要研究内容如下:(1)首先,从散射点模型出发介绍了HRRP的特点、敏感性问题以及预处理方法;然后,介绍了几种传统的HRRP识别方法,并在训练数据库完备的条件下利用传统方法进行HRRP识别实验;最后,介绍了几种经典的在线学习方法,对比分析了其识别性能。(2)针对非完备数据库内目标样本扩充的应用场景,提出了一种基于自适应压缩扩展(ACG)的雷达HRRP目标识别在线学习方法。该方法引入了模型再训练策略,为压缩后的模型再次训练参数,提高了模型对原有样本重要特征的提取能力。此时不同目标的特征区分度变高,模型识别能力随之增强。同时该方法引入了组稀疏正则化策略,剔除模型扩展时的冗余节点,克服了模型盲目增长的问题。仿真实验结果表明ACG能提取更具可分性的特征,在提高识别率的同时大幅减少了模型规模。(3)针对非完备数据库目标型号扩充的应用场景,提出了一种均衡逐级分段训练(BPST)的雷达HRRP目标识别在线学习方法。该方法引入了自动分帧采样策略,能够获取更具代表性的HRRP样本集,使模型提取的特征更接近样本在特征空间中的真实分布,帮助提升模型识别能力。同时该方法引入了递增参数冻结率策略,为型号总数多的识别任务分配更充足的模型空间,增强了模型的学习能力。仿真实验结果表明与同类在线学习方法相比,BPST方法能够更好地学习新知识并且保留旧知识,提高了识别率。

关键词： 钢琴教学法   教学模式   网络环境   教学方法  

摘要： 在社会稳定发展的推动下,网络对人们的日常生活及工作的影响越来越大,在各个领域都能够发挥自身的优势,其中针对教育教学领域来讲,合理的通过网络的运用有助于对传统教学模式进行改革与创新,并最大化发挥多种教学模式优势,为学生的学习及未来发展打下良好基础。基于此,本文主要围绕网络环境下钢琴教学法与模式及学习方法改革展开分析,并阐述了相关教学建议,仅供参考。

关键词： 开放域事件   表示学习   多任务学习   自监督学习   图神经网络  

摘要： 事件是世界的一种重要客观信息。随着信息化时代数据爆发式增长,如何在海量文本信息中自动挖掘并理解关键事件与知识等结构化信息对人工智能技术发展至关重要。开放域事件作为不限定事件类别的文本对象,相比于特定域事件来说,拥有结构形式更简单、信息特征更通用等特点。开放域事件的表示学习,对事件相似度评估、舆情归因和脚本事件预测等任务具有重要基础性作用。目前尚未有针对中文开放域事件的表示学习研究,相应地缺失中文开放域事件抽取算法以及表示学习性能评测集。对事件表示学习建模方面,除了事件本身结构与场景语义属性,事件外部的时序与关联特征均对提升事件表示的表征能力与在下游任务推理能力具有重要帮助。针对以上问题,本文从开放域事件抽取、捕捉事件内在语义属性与捕捉事件外部关联信息三个方面展开研究工作,提出了中文领域的开放域事件表示学习方法。本文首先提出一种基于语言特征规则的开放域事件抽取算法。算法实现了高效大规模的事件三元组抽取,避免了过程繁琐与成本高昂的人力标注流程,为后续算法研究提供必要数据基础。为更好捕捉事件本身的属性表征,本文提出一种预训练-微调流水线架构学习算法,在现有研究基础上引入事件上下文信息。使得事件表示单元同时具备捕捉事件间语义、事件内结构与事件外场景信息的能力,加强事件表示表征能力。在对事件表示表征能力评估中,引入上下文信息的事件表示学习算法在困难事件分辨任务的准确率与事件相似度等级任务的斯皮尔曼相关系数评测指标均取得优秀性能表现。相比主流基线模型大幅提升了事件嵌入向量的表征性能。为更好捕捉事件外部时序与关联信息,本文提出一种基于事件图的图神经网络事件表示学习算法。该算法首先基于时序事件链与事件共现关联构建全局语料开放域事件网络图,再通过下文事件预测自监督学习算法更新事件表示结构参数,加强事件表示在下游任务中推理能力。在对事件表示推理能力评估中,基于图神经网络的事件表示学习方法在候选事件填空任务中准确率相比最好基线模型提升5%。显著提升了事件表示在下游任务的推理性能。

关键词： 多层感知器   长短期记忆模型   VaR模型   股票市场风险  

摘要： 当今社会,科学技术日新月异,人工智能在各个领域如火如荼的发展着。在人脸识别、语音识别、自然语言处理等领域,机器学习和深度学习均有成功的应用。同时随着金融科技的不断创新,深度学习方法在股票市场的运用越来越广泛。本文基于深度学习方法,对股票市场风险的预测展开分析和讨论。股票市场风险形成原因多变,影响因素众多。本文从股票市场交易基本面数据、统计技术指标和扩展的区间数据三个维度,共选取15个变量进行构建模型,预测股票收益率。股票收益率的波动是股票市场风险的讯号,因此通过改进预测股票收益率的模型,以达到更好的窥探市场风险的现实意义。本文使用2008年10月1日到2020年9月30日沪深300指数的相关数据,使用python语言和Tensor Flow、Keras框架,分别采用移动平均模型、多层感知器(MLP)、长短期记忆模型(LSTM)三种方法预测股票收益率。在移动平均模型预测时,采用了用当天值作为预测值的一日滑动和N日滑动平均预测,再挑选最优N值进行构造预测模型。通过四个预测结果的对比得出,四个模型在复杂程度上逐步加大,在模型的预测效果上逐渐变好,四个方法得到的损失函数均方根误差分别是0.02197,0.01610、0.01451和0.01380,模型效果提升37.2%。LSTM模型效果最优,随后,基于LSTM模型继续进行超参数训练优化,优化超参数变量包括时间窗口长度N、神经元个数mlp units、dropout的概率dropout prob、优化器optimizer、训练的周期epochs、每次更新参数使用的小样本数量batch size以及激活函数activation,每个超参数都是在选定范围下最优的选择,然后构建优化模型。经过参数优化后,模型效果提升3.04%。根据相同的调优过程,继续预测收益率的标准差,得到收益率的条件概率分布,从而测量风险价值Va R,最后选取样本分位数作为预警线,建立优化风险预警模型。当风险价值Va R低于预警线时,便发出风险预警信号。本文发现,在预警线下时段,真实收益率连续很低,模型的风险预警取得良好的结果。股票市场风险的预测基于良好的预测模型,窥探到风险的讯号时,要做好积极的防御措施,对于个人,尽量做到减少损失,对于金融机构,稳定市场,对于经济社会,降低对民生影响。

关键词： 零次学习   协同过滤   矩阵补全   图神经网络  

摘要： 深度学习算法在很多有监督学习任务上达到了令人满意的结果,但其依赖于大量的标注样本,并且使用特定类别训练的分类器只能对这些类别进行分类。零次学习希望计算机能够像人一样,利用已有知识推理出新对象特征,具备识别新类别的能力。现有零次学习方法通过引入类别的独热编码、词向量或属性等外部知识,建立类别语义知识与图像视觉特征之间关联,辅助二者间映射函数的学习。然而大多数方法的语义知识表示过程各类别独立更新、互不影响,不能很好表现类间关联,且分类准确率仍有提升空间,如何为各类别学得准确且具判别性的特征表示是一个具挑战性的问题。本文发现在零次学习中存在冷启动以及矩阵稀疏的现象。由于模型在训练过程中未见过新类别样本,对新类别的分类任务相当于冷启动。且在样本标签矩阵中每行只有其真实所属类别位置不为空,是一个稀疏矩阵。受推荐任务启发,希望借鉴推荐领域中的协同过滤思想,将零次学习任务建模为矩阵填充问题。通过将标签矩阵非空位置中提供的丰富信息分解为每张图像和每个类别相应的隐特征表示,从而对所有未知类别样本进行分类预测。基于该研究思路,本文主要创新点如下:(1)本文提出一种新颖的协同过滤式零次学习方法,将零次分类任务建模为推荐任务中的矩阵填充问题。借鉴协同过滤算法,挖掘标签矩阵非空位置蕴含的信息,推理已知类别样本的视觉特征与语义特征的对应模式,迁移至对未知类别样本的分类任务。该思路具有创新性,目前尚未发现将协同过滤领域和零次学习领域相结合的相关工作。(2)为了使用较小代价为各类别学得准确的语义表示,本文以语义图的形式引入知识,建立类间语义关联,通过图神经网络实现节点间的信息传递,促进已知类别和未知类别间的知识交互,打破现有语义表示学习过程的独立性限制,促进类间知识迁移。此外,本文在损失函数中额外加入图结构约束正则项,以维持各类别在原始语义特征空间中的语义关联。(3)在三组经典零次学习数据集上,针对传统零次学习任务和广义零次学习任务,对本文所提方法进行验证。实验结果表明本文方法能够实现优异的零次分类性能,普遍提高各任务的分类准确率,在各任务下维持稳定且优异的效果。

关键词： 视唱练耳   音乐启蒙   儿童教育  

摘要： 音乐启蒙作为儿童在学习音乐道路上的第一道大门,不仅是对音乐演奏技术进行训练,更是从旋律、节奏、和声等各方面对音乐艺术有更深层次的认知,从而使儿童的心理、智力等全方面得到发展与提升。要达到这样全方位提升的目的,势必需要对多个音乐要素进行训练,而视唱练耳以听觉训练为切入点,进行多个音乐能力的教学,让儿童融汇贯通音乐知识,充分地将视唱练耳与专业的学习始终贯穿融入于音乐学习的全过程,为儿童的音乐启蒙阶段打下了良好、系统的基础。本文以音乐启蒙的儿童为对象,通过对比两大知名教学法、音乐启蒙中所使用的钢琴教材、参照的考级标准以及结合自身教学实际案例这几个角度来分析,在音乐启蒙过程中视唱练耳训练的重要作用以及意义。本文分为四个章节。第一章介绍在音乐启蒙中听觉训练的重要性以及听觉训练对儿童多元智力的关键作用;第二章分析蕴含在国外两大音乐教学法中的视唱练耳元素,借此佐证视唱练耳在音乐启蒙中的重要作用;第三章分析视唱练耳与音乐学习在结合的过程中,着重突出的两个重要性体现:对内心听觉的提高、对音乐演绎能力的提升;第四章剖析钢琴教材、考级标准以及自身的教学实例中所体现的视唱练耳在音乐启蒙中的意义所在。

关键词： 页岩气井   产量递减   机器学习   产量预测软件  

摘要： 页岩气田储层低孔低渗,气体赋存状态多样,采用水平井多段压裂技术开采,在气藏、工程等多因素影响下页岩气井生产动态特征与常规气井存在差异,常规的产量递减研究方法对其适用性低、误差大。随着数字油田与生产自动化的蓬勃发展,机器学习方法实现了油气田数字化建设、智能生产、运行、管理等;由于油气田开发的数据具有多源、多维、关系复杂、模式隐蔽的特点,通过机器学习可得到数据的变化规律,建立可预测的数据模型,从而提高油气藏动态分析效率及预测精度。本文采用机器学习方法研究页岩气产量递减,提高页岩气田产量预测精度。本文以CN页岩气田为研究对象,首先采用相关性方法分析影响页岩气井自然递减阶段产气量的气藏因素、工程因素,以产气量作为标签值,结合特征重要性确定的重要因素作为机器学习特征值,并采用K-Means聚类算法按投产初期产量进行气井产能分类;其次用非线性回归算法(随机森林、支持向量机、长短时记忆网络)对不同类井分别建立多个产量递减模型;然后以均方误差、45°等值线拟合精度为模型评估指标,优选不同类井产量递减模型;最后将优选模型和常规递减模型进行对比,并在建立模型基础上编制产量预测软件,将其在单井中进行产量预测应用。结果表明:(1)在众多气藏因素、工程因素中,地层压力、孔隙度、吸附气量和用液强度、加砂强度为影响产量递减的重要因素,以此作为机器学习输入特征;(2)页岩气井按产能可分为低产井(<15.99×10m/d)、中产井(15.99×10m/d～27.25×10m/d)、高产井(>27.25×10m/d)三类,且同类产能井自然递减阶段的递减规律相似:低产井初期产能低,产量递减速度慢;中产井产量递减较快;高产井初期天然能量充足,产量递减相对低产井、中产井更快;(3)对不同类页岩气井进行模型优选表明:低产井适用随机森林模型,中、高产井适用长短时记忆网络模型,且相较于页岩气常规递减模型,建立的机器学习产量递减模型能准确识别产量递减趋势,提高预测产量精度。本文研究拓展了页岩气井的产量递减研究方法。