关键词： 肝细胞癌   早期诊断   基因表达的秩序关系   最小冗余最大相关   支持向量机  

摘要： 肝细胞癌(hepatocellular carcinoma,HCC)是一种常见的恶性肿瘤,其在全球癌症相关死亡人数中排名第三。目前,HCC的早期检测方法主要有血清标记物检测与影像学检查。其中,血清标记物的灵敏度不高,无法鉴别大约1/3以上的肝癌患者。影像学检查对于直径<2厘米且分化较好的早期肿瘤的诊断敏感性约50%左右。因此,对于影像学检查难以辨别的早期肝癌组织中发生的微小病理改变,通常采用肝穿刺活组织检查来鉴定,然而活检经常会出现未取到癌组织而发生漏检的情况。事实上,超过80%的肝癌是由肝硬化发展而来。虽然目前已有一些方法可以用于区分HCC和非HCC患者的肝硬化(非癌旁肝硬化),但其预测的准确率却远远不能令人满意。因此,迫切需要更加准确的诊断模型来辅助临床场景下的早期肝癌诊断,从而增加肝癌的治疗机会和生存率。本文在来自不同实验室的1091个HCC样本和242个非癌旁肝硬化样本的基因表达谱数据集中,利用样本内基因表达量的秩序关系(relative expression orderings,REOs)分别获得在95%以上的样本中保持高度稳定、但在两者间逆转的基因对,并将得到的逆转基因对作为用于HCC早期诊断的候选分子标志。然后使用最小冗余最大相关(minimum redundancy maximum relevance,m RMR)和增量特征选择去除不相关特征。最终,我们筛选得到了由11基因对(TRMT112和SF3B1,MFSD5和COLEC10,FDXR和APC2,LAMC1和CHST4,UBE4B和HGF,NCAPH2和APC2,HSPH1和MTHFD2,TMEM38B和AGO3,PLGRKT和COLEC10,HNF1A和APC2,ARPC2和SF3B1)构成的标志。应用支持向量机(support vector machine,SVM)算法进行分类,并进行5-折交叉验证,结果显示此分子标志在训练集中的准确性为100%。进一步地,我们研究了11基因对标志在几个独立数据集上的肝癌识别能力。对于活检取样数据,该分子标志正确分类100%的HCC样本(共99例)与100%的非癌旁肝硬化样本(共44例)。特别地,97例HCC癌旁正常组织和80例HCC癌旁肝硬化组织均被该分子标志分类为HCC。对于手术切除数据,此分子标志将89.63%的HCC样本(共926例)和100%的非癌旁肝硬化手术切除样本(共18例)正确分类。同时,该分子标志还将93.7%的HCC癌旁肝硬化样本(共254例)及100%的HCC癌旁正常组织样本(共644例)分类为HCC。结果表明,11对基因可以作为早期HCC的诊断标志。即使是对于取样位置不准确的微量活检样本(癌旁正常或癌旁肝硬化),该标志可以将HCC及其癌旁组织从非癌旁肝硬化组织中区分开来,并且在个体层面上对肝癌早期诊断有实际和有效的帮助。

关键词： LSTM-FCN模型   视觉感知任务   特征融合   生成对抗模仿学习   经验回放  

摘要： 在基于视觉感知任务的最优策略学习中,学习算法以一种通用的形式将视觉感知任务和决策控制任务相结合,通过端到端的方式将输入图像直接映射到对智能体的控制上,该方法已经被广泛应用于计算机视觉、机器人控制、自然语言处理等领域。然而,最优策略学习方法的关注点通常在专家示例和算法的设计上,忽略了视觉感知对学习策略的影响。用于处理视觉感知任务的深度神经网络过于简单会使得模型对特征的提取能力欠佳。另外,被用于学习最优策略的算法只关注到如何提升策略的性能,而忽视了影响策略做出决策的潜码,使得算法难以对策略中存在的特性做出合理的解释。最后,在学习策略的数据集中,常常存在样本的非平稳分布问题,这会导致所学策略受限。本文针对这些问题进行研究,提出了基于LSTM-FCN(Long Short Term Memory-Fully Convolutional Network)的学习模型,致力于研究一种端到端的用于处理视觉感知任务的最优策略学习方法。具体研究的内容如下:(1)针对现有模型对处理视觉感知任务中的特征提取能力欠佳问题,提出了DF-PLSTM-FCN(A Dual-Fusion-Based Parallel LSTM-FCN Model)网络模型,该模型使用双重特征融合和决策融合技术,提升了模型对图像识别的准确率,增强网络的泛化能力。(2)为发现所学策略中隐藏的潜码,提出了基于生成对抗模仿学习的最优策略学习方法LSTM-FCN-Policy(Long Short Term Memory-Fully Convolutional Network-Policy),不仅可以模拟专家示例,还利用DF-PLSTM-FCN网络学习了策略中隐含的潜变量,为策略中的特性做出合理的解释。(3)为缓解学习策略的过程中由于数据分布不均而导致的策略性能受限问题,提出了LSTM-FCN-P-Optimal(Long Short Term Memory-Fully Convolutional Network-Policy-Optimal)模型。该模型利用优化的优先序列经验回放机制对LSTM-FCN-Policy模型进行优化,进一步提升了模型的学习效率。

关键词： 风险价值   HTQF分位数函数   LSTM模型   相关度传播算法   可解释深度学习  

摘要： 金融时间序列的分布具有非对称、尖峰厚尾、时变性等特点,传统的模型难以贴合这些复杂特性,因而无法得到准确的Va R预测。以长短期记忆神经网络(LSTM)模型为代表的深度学习技术能够捕捉时间序列的长期依赖关系,在金融领域得到了广泛的应用,但现有研究的模型大多为不具备可解释性的“黑盒”,也较少涉及Va R的测度。为了解决上述问题,本文在结合厚尾分布函数(HTQF)及LSTM模型的Va R测度模型LSTM-HTQF的基础上,将国际经济风险因素、国内经济风险因素和股市内部风险因素三类指标纳入特征矩阵之中,构建了两个模型:其一为利用相关度传播算法(LRP),专注模型可解释性的LRP-LSTM-HTQF模型;其二为结合卷积神经网络(CNN)与长短期记忆神经网络(LSTM),兼具特征降维功能及时间序列建模优势,专注于提升Va R预测精度的CNN-LSTM-HTQF模型。本文选取反映A股总体运行情况的上证综指为研究对象。LRP-LSTM-HTQF模型的实证结果表明,国际风险因素中,S&P500收益率及汇率波动两项指标的重要性较高;在国内宏观风险因素中,经济政策不确定性的贡献较大;股市内部风险因素中,换手率、市盈率、成交量信息均对预测有重大影响。完成风险因素分析后,本文将重要的风险因素纳入CNN-LSTM-HTQF模型中的输入特征之中,样本外回溯测试结果显示,与LSTM-HTQF、GARCH、CAVia R等对比模型相比,CNN-LSTM-HTQF模型预测精度最高。

关键词： 自动驾驶   模仿学习   深度强化学习   深度确定性策略梯度算法   TORCS模拟器  

摘要： 交通工具智能化是社会发展和科技发展的必然趋势,智能驾驶车辆的研究和普及能够极大地缓解因传统机动车辆数量急剧上升带来的一系列社会问题,比如车辆尾气造成的污染、道路扩张带来的土地资源紧张以及交通事故等。在自动驾驶研究领域中,由于强化学习善于解决序贯决策问题,备受自动驾驶研究人员的青睐。本课题专注于深度强化学习算法优化,并依托于智能驾驶任务予以验证和对比分析。针对深度强化学习需要大量的探索试错导致学习效率低的问题,本文通过两种不同的思路将模仿学习（Imitation Learning,IL）和深度确定性策略梯度算法（Deep Deterministic Policy Gradient,DDPG）进行结合,提出了两种新的端到端学习方法用于智能驾驶系统的仿人驾驶策略学习。首先,提出一种基于模仿学习的深度确定性策略梯度算法框架（DDPG-IL）,算法将雷达等多种传感器数据作为输入,直接输出车辆的控制指令。该框架分为两部分:模仿学习部分,首先通过收集少量标签数据训练模仿学习网络,再利用训练完成的模仿学习网络生成演示数据;深度强化学习部分,利用模仿学习获取的数据对深度确定性策略梯度网络进行初始化,在线学习驾驶策略时,通过构建双经验缓存池来动态分配演示数据和探索数据的学习比例,进一步提升算法的学习效率。其次,提出基于视觉的深度模仿强化学习框架（Deep Imitation Reinforcement Learning,DIRL）,算法解决将第一人称视角的驾驶图像直接转换为车辆的驾驶指令。该框架将自动驾驶决策分为感知模型和控制模型两个部分。感知模型采用IL网络作为编码器,将输入的驾驶图像处理为低维的特征向量。控制模型采用DDPG算法构建,接收来自感知模型的特征向量输出车辆的控制指令。在训练过程中,通过收集少量标签数据训练IL网络,并利用训练有素的IL网络初始化DDPG的Actor网络,以提高探索效率。此外,通过定义仿人驾驶的驾驶回报函数,提高自动驾驶车辆在弯道上的安全性和稳定性。此外,通过使用模拟器（The Open Racing Car Simulator,TORCS）的仿真实验平台,对两种方案进行仿真实验和结果分析。实验中用来训练IL网络的标签数据来自于手动操作赛车进行驾驶数据收集。通过与传统算法以及其他改进算法进行实验对比,仿真结果表明,方案一提出的DDPG-IL算法学习驾驶策略的速率提升约20%,方案二提出的DIRL算法拥有平均30%的学习效率提升,并且在弯道处的行驶安全性提升明显。

关键词： 小学数学   创新能力   学习方法  

摘要： "真正的教育必须能造就能思索、能建设的人。"陶行知大力倡导创造教育、积极培养学生的创造性思维和创新能力。本文从改变传统观念、营造学习氛围、注重情境创设、鼓励大胆质疑四个方面,阐述了如何在小学数学课堂教学中激发孩子的创新能力,让孩子学会用多种方式去解决问题。

关键词： 高二数学   学困生   数学概念   数学兴趣   学习方法  

摘要： 高中数学教学中,由于知识基础与认知能力的差异,班级中不可避免地会出现学困生,其数学基础知识掌握情况不佳,学习能力与学习持久性较差,缺乏适合自己的学习方式。探究高二数学学困生转化的路径,更好地转化学困生是非常重要的。结合实践探究法、问卷调查法等,教师可以通过加强数学概念教学、培养数学学习兴趣、指导数学学习方法等展开课堂教学,有效落实以上策略,能够提高学困生的数学成绩。

关键词： 高校   体育   互联网   信息化   混合式教学  

摘要： 在这样一个信息化时代人们的工作模式和工作方法都在随着时代的发展和变化不断地更新完善和升级,而在现阶段最为常见的就是信息化的处理手段以及相对应的工作模式。本文也就互联网环境下,高校体育教学混合式学习模式应当如何展开进行了简单的分析和探讨。

关键词： 有意义学习   初中数学   教学原则   教学策略   教学研究  

摘要： 随着新一轮课程改革的实施,课标提倡主动、合作、探究的学习方式,发现学习受到大力推崇,而接受学习备受冷落。奥苏贝尔的有意义学习理论为人们正确认识和应用接受学习提供了理论基础。通过研究,发现有意义接受学习理论在初中数学教学实践中的应用价值并得出相应的应用原则和策略,这些策略对于广大教育教学工作者的教学实践具有一定指导作用,也能有效促进学生的数学学习。论文主要通过学生教学实验、教师问卷等研究方法,对奥苏贝尔有意义学习理论在初中数学教学中的应用价值和应用现状进行了深入研究,发现“有意义接受”教学模式的教学效果存在有效性、差异性和深远性,但在实际应用中还存在以下问题:(1)教学导入形式单一;(2)教学过程中对学生已有知识经验、问题设置的层次性、知识呈现的顺序以及数学活动环节的设置考虑不够充分;(3)不重视题型多样性及课堂小结对学生数学学习的巩固作用。综合理论与实践经验,论文给出了教师主导与学生主体相结合、接受学习与发现学习相结合、知识结构与认知结构相统一、完善认知与情感建立相融合等奥苏贝尔有意义学习理论应用于初中数学教学的实施原则,并提出3条教学策略:(1)教学导入注重多样性,丰富“先行组织者”的呈现类型;(2)教学过程彰显有效性,要关注学生已有认知结构、考虑教材的编写逻辑、注重问题的启发性;(3)强化总结体现功能性,丰富例题的题型并采用开放性课堂总结。根据原则和策略设计出5个教学实践案例。

关键词： 有意义学习理论   课堂导入   高中数学   教学设计  

摘要： 数学学科核心素养重点关注学生的学、关注学生的经验,强调将数学课堂教学重心从知识的传授转移到学习经验的传递与强化上,而奥苏贝尔有意义学习理论注重新旧经验的联系,符合我国高中数学新课标理念,与数学课堂教学目标相通,均是以助力学生获得数学学习活动经验的有意义学习为目标。作为课堂教学的第一环节,课堂导入在帮助学生生成有意义学习条件、引领学生有意义学习方面具有不可替代的重要作用。因此,基于有意义学习理论对高中数学新课导入教学进行研究具有深远意义。正是基于以上背景,本文在有意义学习理论的指导下对高中数学新课导入教学进行了理论和实践两个层面的研究。首先,对目前高中数学课堂导入的现状进行了调查和成因分析:其次,从奥苏贝尔有意义学习理论出发,根据有意义学习发生的条件,提取归纳出高中数学新课导入教学设计的三个要素:唤醒学生已有的恰当经验、引导学生新旧经验发生相互作用和激发学生学习能动性,之后对教师在课堂导入环节如何达成这些要素的策略进行了探究;再次,从实践层面通过对目前高中数学优质导入课例进行特征分析,验证了本文提出的导入三要素的客观合理性及适用性,得出了高中数学新课导入通过达成这三种要素,能够帮助学生生成有意义学习的条件;最后,运用本文提出的导入要素及达成策略进行了导入案例设计,并对其进行了教学实践检验和有效性评价,另外还为新教材下高中数学新课导入教学提出了一些注意事项。实践表明,基于有意义学习理论的高中数学新课导入教学设计能够有效激发学生的学习能动性,促进学生有意义数学学习的实现。希望本研究能够进一步推动课堂导入的普及和优化,使有意义学习理论为新课改下导入教学的应用研究提供理论支撑。

关键词： 小学信息技术   教学设计   意义学习   脑科学  

摘要： 近年来,伴随脑科学、神经科学、学习科学等新兴学科的发展,关于学生的情感、动机、兴趣等非认知因素在智力发展中的作用日益突显,适于脑的意义学习逐渐受到各方关注。2019年,《中国教育现代化2035》提出教育应当遵循教育规律,早在2000年,教育部《中小学信息技术课程指导纲要(试行)》就提出要关注学生心智发展水平、已有知识经验和情感需求。而文献梳理发现,现阶段小学信息技术课程仍存在过分关注智力发展,忽略学生情感、动机、兴趣等非认知因素的问题。意义学习提倡遵循脑的基本规律,认为学习是新旧知识间的实质性联结,需要学习者知、情、意的有机协调,从而实现知识的意义建构,这为设计学生个性化教学提供了新思路,因此,为更好地将适于脑的意义学习融合于小学信息技术教学中,本研究开展了以下工作:首先,确立研究任务。通过梳理研究背景和意义,归纳“适于脑的教学”、“意义学习”等方面的国内外研究现状,分析进一步研究的工作,在此基础上,明确本研究的目标、内容、方法以及思路,为后续研究的展开做好铺垫。其次,通过概念界定和理论基础分析构建本研究基础。通过对“意义”、“适于脑的教学”、“意义学习”等关键词的界定,明确了本研究关于适于脑的意义学习概念;基于麦克林的“三脑学说”、建构主义学习理论、梅耶的SOI学习理论分析得出,适于脑的意义学习不仅要关注智力因素,更需要关注情感、学习动机等非智力因素。再次,构建意义学习设计的关键点。首先,从麦克林的“三脑学说”出发,从脑干、边缘脑和新皮层对应的学习意向、学习情感、学习认知等三个维度对小学信息技术的意义学习现状进行调查,结合师生访谈的数据分析后得出当前小学信息技术意义学习存在的问题;在此基础上,结合梅耶的SOI意义学习模式,本研究提出了适于脑的意义学习设计策略、设计原则以及实施原则。最后,实施三轮的教学迭代。在以上研究的基础上,选择安徽省H小学开展三轮适于脑的意义学习教学实践,并进行课堂作业完成度分析、测试成绩的独立样本t检验和均值方差分析、学生自评和互评情况分析。一直以来,教育关注学习的智力表现,忽视了学习的本质意义追求。随着人们教育观念的更新,教育开始逐渐关注知、情、意。本研究通过在小学信息技术课程中开展适于脑的意义学习实践,缓解了目前小学信息技术课程面临的学习焦虑、学习主动性差、学习动机弱等教学问题,为后续开展适于脑的意义学习提供了一定的参考价值。