摘要： 课堂教学是学校教育教学工作的主阵地,也是提高教学质量的主渠道。近年来,广大热爱教研的一线教师紧跟课堂教学改革的步伐,在自己的城市、在自己的学校、在自己的身边与同行、同事们成立课堂改革小组,推动课堂教学改革不断向前发展。他们通过一系列的学习、培训、探索,已形成了具备各地特色的教学模式。其中,小组合作学习方式成为大家一致认为的推动课堂教学改革与创新的重要途径。一线教师在课堂上以"小组合作"学习方式为抓手,

关键词： 不等式组   一元一次方程   一元一次不等式  

摘要： 学习一章新内容,就是对自己已有知识体系的一次重新搭建。要搭建好"不等式"这章的知识体系,周老师有三点建议:一、注重新旧对比,强化思维异构我们曾经学习过一元一次方程、二元一次方程(组)等一次方程(组),学习一元一次不等式就是在学习了一次方程(组)的基础上展开的。一元一次不等式与一次方程(组)之间有着密不可分的关系。抓住相同点是研究新问题的基础,关注不同点才能有深度、更精准地研究新问题。我们不难发现一元一次不等式与一元一次方程的三个板块之间有相似之处:

关键词： 医学图像分割   医学图像分类   深度学习   注意力机制  

摘要： 医学图像是辅助医生临床诊断的重要依据。人工分析医学图像具有主观性,难以保证结果的一致性,因此,利用计算机技术自动分析医学图像具有重要的意义。分割与分类是医学图像分析的两个重要步骤。注意力机制能够使得模型聚焦感兴趣区域的重要信息。基于此,本论文将注意力机制引入到医学图像分割和分类任务中分别提出了基于难度感知的空间注意力约束图的双分支网络分割方法和两级注意力卷积神经网络分类方法。由于患者自身生理条件、拍摄环境的影响,医学图像具有一定的差异性,现有的深度学习方法大多使用同一种网络分割图像,难以保证分割精度和效率的同时提升。此外,常见的深度学习分割方法在获取像素类别的概率图时忽略了像素之间的关系,限制了分割精度的提升。针对这两个问题,本论文提出了基于难度感知的空间注意力约束图的双分支网络,它主要由难度分级模块和双分支结构的分割网络组成。难度分级模块,可以对图像进行自动分级,基于分级结果,可使得模型对图像进行自适应分割,从而提高了分割模型的效率。为了处理困难图像,在双分支网络结构中引入困难图像分割分支。在该分支中新引入了一种新的空间注意力约束图框架。首先引入空间注意力来获取对灰度变化鲁棒的区分性特征。然后利用图结构分割框架获取像素之间的关系,最后将空间注意力嵌入到图框架中,进一步提高了对困难图像的分割性能。在乳腺癌腋窝淋巴结超声图像上的实验证明,与本文的方法要优于经典的深度学习分割方法相比,尤其是在困难图像上取得更为显著的性能提升,另外,提出了方法实现了分割精度和效率的同时提升。在某些比较复杂的医学图像分类任务中,大部分方法往往基于感兴趣区域提取特征,然而该类方法往往会造成部分重要信息的丢失;另外,由于图像的复杂性,只使用单一的网络难以提取充分的区分性信息。针对以上问题,本论文提出了两级注意力卷积神经网络,网络结构主要包括多分支的局部注意力特征提取模块和全局注意力模块。局部注意力模块包括并行的区域卷积与通道特征重标定。其中区域卷积用于学习多个重要区域的特征;通道特征重标定用于学习每个重要区域特征的重要性。该模块能够同时学习感兴趣区域和背景区域的特征,并对重要的特征赋予较高的注意力。全局注意力模块能够利用多个分支从全局角度学习多样化的有效特征,并利用通道特征重标定为学到的特征分配权重,进一步提升了特征的区分性,进而提高了分类的准确率。通过在黄斑区脉络膜新生血管OCT图像上的实验证明了提出了方法要优于经典的深度学习分类方法。本文将注意力机制贯穿在医学图像分割、分类过程中,丰富了注意力机制的利用技术手段;本文的研究贯穿临床诊断、治疗的关键过程,辅助提升了临床诊疗的效果。

关键词： 高中化学   研究性学习方法   应用  

摘要： 在新课改的影响下,高中化学课堂上使用研究性教学模式已经逐渐成为培养学生们的实践能力以及创造性的主要方法。研究性学习简单来讲就是指学生们在教师的指导下凭借自身的兴趣爱好以及学习条件挑选各种各样的研究课题,以此来激发出高中生们的自主学习能力,进一步培养他们拥有学习积极性与创造精神。这样的教学方法可以不断提升学生课堂主体性价值的发挥,更多关注学生们的内心活动,促使他们掌握主动权,并站在学生的角度思考他们的逻辑思维方式以此来建构属于自身的学习方法,这样能够很好地完成教学目标。基于此,本篇文章首先讲述了我国当下高中化学的教学现状;其次讲述了在高中化学课堂上使用研究性学习法的作用;最后提出了研究性学习方法在高中化学教学中的有效应用策略,希望能够为我国高中化学教学贡献一份微薄之力。

关键词： 自动化机器学习   分类器建议   超参数优化   元学习  

摘要： 最近,自动化机器学习（AutoML）系统的引入是为了解决在构建高质量机器学习时出现的挑战,其主要目的是减少人为的重复劳动同时方便非机器学习专家。虽然目前有较多的方法可以解决AutoML问题,但本文主要解决“组合算法选择和超参数优化”（CASH）问题。元学习被定义为将各种学习算法应用于不同类型的数据,从收集的经验中学习的过程,,从而降低学习新任务所需的时间。因此,本文提出了一种新方法Smart CASH,该方法可以促进机器学习模型和数据本身的元数据交换,以实现基于元学习的算法的选择和配置。论文的主要研究工作如下:（1）Smart CASH,设计实现了一种基于随机森林的元模型,该模型是在先前评分的历史性能数据之上开发的。它试图通过修剪算法和超参数搜索空间来热启动CASH过程,以便仅基于其元特征在最短的时间内预测新的未见数据集的潜在最佳性能算法。（2）Smart CASH的性能根据最先进的基准进行了验证,其中记录了执行时间和准确性分数。实验结果表明对于新数据集Smart CASH具有与比较基准相似的预测性能,但平均减少92%的计算预算（时间、电力、金钱）。（3）由于AutoML的目标是创建可供非专家所使用的工具,因此本文还设计实现了一个基于Web的Smart CASH工具,并将其作为用户友好的实现和对Smart CASH的验证。总之,本文提出的方法可以有效地帮助消除机器学习工作流程中重复且耗时的算法选择和超参数配置任务,并有助于更好地分配可用的人力和硬件资源。

关键词： 光伏发电功率   独立性检验   随机森林   支持向量机   长短期记忆神经网络   遗传算法  

摘要： 随着现代化进程的加快,大规模开采使用化石能源不仅导致能源资源日益稀缺而且伴随大量污染物排放.可再生能源,尤其是有独特优势的太阳能开发受到各国政府的高度重视,但太阳能光伏系统的功率输出受气象因素的影响,存在随机波动性,妨碍电网的正常运行.因此,准确地预测光伏发电功率,可以帮助电力部门做出科学的用电调度和计划安排.基于相关研究,本文提出了一种基于遗传算法优化机器学习模型应用于预测光伏发电的方法,并通过真实案例,将数据划分为不同季节,建立不同季节下的预测模型,并比较了几种不同预测方法在不同季节条件下预测结果与真实值间的误差值,验证了本文所用GA-SVM模型能有效提高光伏发电功率预测的精确度,且在冬季的预测效果最佳.本文的主要研究内容及结果如下:(1)分析气象因素对光伏功率输出的影响.根据已获得的光伏电站历史数据,通过相关系数法和皮尔逊卡方检验等统计方法确定辐照度、温度、湿度是影响光伏功率的主要气象因素.(2)对原始数据存在的缺失和异常等问题进行预处理,并按月份划分为四个季节,分别建立随机森林模型(RF)、支持向量机(SVM)模型和长短期记忆(LSTM)神经网络模型预测测试集的发电功率,同时输出RMSE、MAPE和五折交叉验证的RMSE值,并比较三种模型的预测能力.(3)通过网格搜索法对随机森林模型进行调参,通过遗传算法(GA)优化支持向量机和长短期记忆神经网络参数,建立GA-SVM模型和GA-LSTM模型,最后综合评估四个季节五种模型的预测效果,得出结论:GA-SVM模型对光伏发电功率的预测效果最好以及冬季时模型对光伏发电功率的预测效果比其他季节更好.

关键词： 核心素养   深度学习   小学生   学习方法  

摘要： 在全球教育技术理论不断改革前进的浪潮中,深度学习作为一种注重知识结构的自我构建、批判思维的形成、落实迁移运用的新学习方式,一方面满足了国内基础教育改革的呼声,另一方面又有助于实现培养学生核心素养目标的要求。要落实学生的深度学习,就要注重对学生核心素养的学习培养。但深度学习的学习方式在尝试实践与开展的过程中,其教学效果并未达到预期,并因此受到争议。这与相关学习理论的发展以及实践操练度等方面都有不可分割的关系。目前小学生英语深度学习还存在的问题如下:学生自身存在的主动性和思维活跃度不足、学习程度较多处于浅层区域、学生英语深度学习程度还不够深入等。本次研究首先通过知网等网络线上资源和图书馆等线下资源收集了与英语核心素养以及深度学习的相关文献资料,通过查阅分析前人的相关研究,来进一步分析小学高年级阶段的深度学习现状特点。本文介绍了英语核心素养的一些关键方面,从语言能力、学习能力、思维品质、文化品格来着手分析,并通过对泸州某小学的学生进行的量表式问卷调查以及对校内教师的访谈信息收集,考察了目前该校学生英语学习现状,分析了存在的问题及问题产生的原因,进而提出了如何在核心素养背景下提高小学生高年级英语深度学习效果的建议,希望为小学生英语深度学习提供一个新的有益的参考方向,以期促进学生综合素质的发展与培养,实现学生终生的可持续性发展。本次的研究结论主要有:(1)学生英语深度学习水平还不够。(2)学生英语学习多是由外部刺激驱动的,自发学习程度不高。(3)深度学习是核心素养达成的途径,核心素养是深度学习达成的目标。(4)通过核心素养的小学生英语深度学习的现状调查后分析发现,学生英语深度学习的实现是由内到外多方面因素共同作用下发生的,除了学生自身以外,学校、教师、家长等社会性都在影响着这一活动,因此本次研究提出的对核心素养下高年级小学生英语深度学习的对策包括以下几点:教师家长要积极吸收教育思想与方法;从学生自身出发,尊重个体差异性,立足实际开展学习;积极关注学生学习的动态与反应,适时调整学习进度。

关键词： 质量检测   深度学习   弱监督学习   缺陷分割  

摘要： 工业产品质量在线实时视觉检测是智能制造的一项重要工序。目前主流的检测基于人工提取特征,然而这种方法维护成本高和系统迭代慢。另外,面对复杂检测场景,往往难以有良好效果。深度学习作为一种新型人工智能技术,在视觉任务上获得优异性能。但是,深度学习模型性能严重依赖大量带标签的样本数据。在视觉检测任务中,缺陷样本是少量,而且缺陷区域的标记是困难的,耗时的。解决此问题方法主要有:标记框和像素级标记。相比前者,像素级标记更精细,但是成本也更高。为了减少标记成本,本文提出一种弱监督学习方法,仅使用图像级标签训练语义分割网络实现像素级的精细分割。具体工作如下:(1)首先介绍目前语义分割的主流技术方法和弱监督学习方法,阐明相关理论和技术框架。(2)提出弱监督学习的缺陷检测框架。缺陷检测框架由骨干网络、分割网络、分类网络组成。然后针对像素级标签获取成本问题,提出使用图像级标签的弱监督学习方法训练分割网络。针对分割网络难以直接训练难题,提出两阶段分割网络训练策略,使用弱监督学习方法训练粗分割网络,获取缺陷伪标签后,再训练分割网络。弱监督学习包括显著性区域挖掘和多尺度互补区域挖掘,可以根据先验知识训练网络,获得较完整地缺陷区域预测。(3)针对弱监督分割网络的分割结果精度较低问题,引入DenseCRF进行缺陷精细分割。由于基于DenseCRF损失的训练时间较长,而且对低对比度缺陷识别效果差,因此提出基于迭代DenseCRF伪标签的训练策略,并使用粗细伪标签混合监督的方式训练网络,能取得较好分割精度。(4)收集电机换向器的上、下端面数据集,建立实验数据集,并用本文提出方法验证。通过实验及结果,验证本文提出方法有效性,并且进行分析。同时,也观察本文方法的一些重要参数对实验结果的影响,并说明部分参数的作用。

关键词： 非财务信息   债券违约   机器学习  

摘要： 随着债券“违约潮”的来临,近几年信用债违约现象越来越严重,违约债券数量呈现指数型增长。自2014年首次出现违约以来,截至到2019年,违约债券数量已经达到2014年的50倍,由此可见信用债违约风险不容忽视。学术界广泛使用的债券违约风险预测模型多使用财务数据,对于非财务数据的使用较少。财务数据在使用过程中经常出现披露不及时、财务数据造假等现象,在应用中存在一定局限性。事实上,非财务数据中包含大量有关企业经营管理的信息,这部分信息没有被利用,但在预测债券违约风险时能起到重要作用。非财务信息包括很多种类,公告是非财务信息的重要来源之一,是发债主体向外界传递信息最直接的通道。公告中包含人事变动、会议决策、重大事项、处罚等对公司经营管理产生巨大影响的信息,这些信息能够体现公司的经营管理情况,反应管理层对公司的信心,是财务数据无法反应出来的。因此,本文利用非财务信息中的公告对信用债违约风险进行预测。本文的第一部分是综述部分。首先论述了债券违约风险相关研究背景和研究意义。然后是文献综述部分,从违约风险模型和情感分析技术两个方面总结国内外已有文献,为建模提供理论基础和研究方向,并在此基础上提出本文的创新点。本文的第二部分对违约债券的数量、分布、行业及其公告类型角度进行描述性统计分析,将公告全方位、多维度进行分类,为后续建模提供数据支持。第三部分是模型的构建部分。首先将能够进行情感分析的公告进行情感分析,对于不能进行情感分析的公告,直接统计数量输入模型建模。其次,本文根据样本数据特点和逻辑特点选择两个机器学习模型:决策树模型和支持向量机模型。为了选择最优模型,对两个备选模型分别进行训练和评价,选出准确率更高的模型。最后,将调参后的模型代入测试集测试,经比较最终选择支持向量机模型进行实证。第四部分是本文的实证分析部分。本文选取了 2014年至2019年全部违约信用债券进行预处理后的数据作为原始违约数据。为了解决违约债券数量和未违约债券数量的不平衡的问题,本文按照1:5的比例随机选取未违约债券共同作为原始数据。对原始数据进行处理后输入模型,得到最终模型的准确率可达到95.06%,AUC值达到0.92,表明相较于传统违约风险预测模型,本文的模型预测能力更强,适用性更强。第五部分是本文的总结。首先是本文的结论。基于本文共得出以下四个结论:1.优化后的支持向量机模型能够很好地预测信用债违约风险。2.本文模型对未违约债券的预测准确率高于违约债券。3.引起违约债券预测误差的主要原因是违约主体公告信息披露的过少或不及时。4.非财务数据在债券违约风险预测中有较好的应用。其次是文章的不足和展望。最后基于投资者、监管者和评级机构的角度提出的建议。本文有以下两个创新点:第一、本文利用非财务信息对信用债违约风险预测,建模采用的数据是对公告进行文本分析得到的,对比传统用财务数据预测风险,具有创新性。第二、现有关于公告情感分析的研究都是用公告数据和其他财务数据共同作为自变量,这样会使公告变量的权重降低,削弱公告对违约风险的预测能力。本文将公告拆分成多个定类变量和定比变量,只探究公告对违约风险预测能力,不加入任何财务数据,相较于现有研究,具有一定的创新性。

关键词： 原油期货价格预测   CEEMDAN   机器学习模型   游程判定法  

摘要： 原油期货作为最重要的能源衍生品,与政治、金融市场的稳定以及人民的生活息息相关。随着改革开放进程的推进,我国越来越重视能源安全的问题。我国原油期货市场自建立以来,不断发展,逐渐并入国际轨道,国际原油期货价格的波动对我国原油市场乃至整个国民经济都有着极大的影响。然而,原油期货价格受众多因素的影响,呈现出高噪音、非平稳以及非线性特征,这使得对原油期货价格的预测难度极大。随着计算机技术的发展,基于机器学习类方法的价格预测逐渐变得流行起来,其在对非线性、非平稳的数据预测上有着显著的优势,成为时间序列预测最主要的方法。近年来,能够充分挖掘序列更深层次信息的时序分解技术逐渐应用到了金融领域。本文采用性能优良的自适应噪声完备集合经验模态分解CEEMDAN技术结合机器学习的方法对原油期货价格进行预测,对我国能源政策的制定以及厂商和投资者的决策有着重要现实意义。本文以1988年-2020年的布伦特原油期货日度收盘价为样本数据,采用分解集成的方法对布伦特原油期货价格进行预测,共分为五部分。导论之后,第一章从原油的定价体系以及原油期货市场的发展进行阐述,并对历史上原油市场的波动原因进行分析,发现原油期货价格受供需、地缘政治等多种因素的影响,存在着较强的非线性、非平稳特征。第二章介绍本文预测中使用的分解集成模型,在对序列进行分解之后,选取了SVM、随机森林、XGboost、BP神经网络以及LSTM网络等模型对序列进行预测。第三章为本文的实证研究部分,在采用CEEMDAN对原油期货价格序列进行分解之后,使用游程判定的方法将本征模态函数重构高频部分以及低频部分,接着采用机器学习类方法对各部分进行预测,将各部分预测结果加总集成作为最终预测结果。最后是本文的结论与展望。本文的实验结果表明,在布伦特原油期货价格的预测上,分解集成方法下模型的预测性能要远高于单一模型,特别是在预测原油期货价格波动方向方面。其中,CEEMDAN-LSTM模型在所有模型中的价格预测误差最低,预测价格波动方向的准确性最高。分解集成方法下,制约着模型预测性能的是对高频部分的预测,各模型在低频以及残余项的预测上,预测误差相差不大,而本文在重构高频部分时先对噪音进行了处理,大大降低了高频部分的预测误差。此外,SVR模型虽然在模型预测误差上表现一般,但是其在预测价格波动方向具有着较好的效果。