关键词： 强化学习   神经网络   多智能体   任务协同   车辆路由  

摘要： 针对城市灾害发生后的智能搜索救援问题,本文将原有搜救任务分成两个阶段进行问题抽象与形式化建模。为掌握救援区域内基本信息,救援第一个阶段是使用轻便无人装备对救援区域进行覆盖侦察。在初步掌握基本信息的基础上,第二个阶段派遣多无人救援平台进行协同救援。本文针对传统模型状态空间大、在线求解时实时性差等问题,基于神经组合优化方法与深度强化学习技术,对多无人平台协同完成城市搜救任务进行了研究。本文主要研究内容及创新点包括:(1)提出了一种城市救援的区域覆盖模型。本文对城市搜救过程中的覆盖搜索问题进行抽象建模,构建了多无人平台覆盖搜索模型。设计了一个更贴合任务需求的优化指标,将所有任务车辆中行驶路径最大的一条路由进行优化,最小化该车辆的路径代价。将道路实际通联属性进行了建模表示,构造了一个判别矩阵来度量道路的连通特性。提出了一种基于神经组合优化的求解策略。在问题求解时,设计了一组路由操作算子,并通过对初始可行解进行小范围的操作来迭代寻优,降低了求解的难度,提高了求解的效率。(2)提出了一种基于强化学习的宏观搜救策略。本文将救援动作区分为底层原子动作和宏观的动作。底层原子动作基于规则进行设计,宏观层面灭火建筑物选择的策略动作采用强化学习算法训练学习。本文基于底层的原子动作将建筑物选择作为动作空间,降低了强化学习的状态动作空间,提高了救援策略的学习速度,增强了多智能体协同工程实现的性能。(3)构建了一个多无人平台城市搜救的仿真救援验证环境。该环境融合了机器人世界杯仿真救援环境与Open AI Gym环境,使得在Python环境下成熟的强化学习算法可以应用到机器人世界杯仿真救援环境中。本文提出的融合环境为多智能体仿真救援任务提供了很好的环境,为多智能体协同策略算法提供了良好的实验平台。

关键词： 结构健康监测   数据异常检测   卷积神经网络   计算机视觉   迁移学习  

摘要： 结构健康监测系统得到的监测数据通常包含多种类型的异常(包括错误数据),这些异常通常是由传感器故障和数据传输故障等引起的,并不一定代表结构的真实状况。异常数据的存在严重干扰了结构健康诊断与评估。但是,由于结构健康监测系统数据量巨大,异常数据类型多,异常数据特征具有不确定性等特点,传统单目标、二分类方法以及基于阈值的异常数据检测方法均难适用。当前对异常数据的检测方法研究多集中于振动加速度数据,对于种类繁多、复杂的其它各种数据的异常检测研究相对较少,因此本文研究基于机器学习的结构健康监测多元数据的异常检测方法。主要研究内容包括:建立了结构健康监测多元数据异常检测的数据库。考虑到结构健康监测数据的特点,将结构健康监测数据异常检测问题转化为图像分类问题,通过将数据分段可视化,确定应变、支座位移、GPS、温度、倾角等监测数据的异常模式,构造了结构健康监测多元数据库,通过使用Deep Dream卷积神经网络可视化工具将卷积神经网络内部高维权重可视化,总结特征建立异常数据特征库。提出了基于卷积神经网络的结构健康监测多元数据异常检测方法。首先设计并训练了一个用于数据异常分类的卷积神经网络架构,研究在不同工况中卷积神经网络架构的最优参数与超参数。采用数据库中具有代表性特征的样本进行标记、训练、验证与测试,通过实际桥梁监测数据对训练好的卷积神经网络模型进行异常数据检测验证,并与人工检测结果进行对比分析,结果表明提出的方法在精度、效率等方面满足多元数据异常检测要求。提出了基于迁移学习的结构健康监测多元数据异常检测方法。针对单个结构训练数据不足的问题,在原有卷积神经网络模型的基础上,提出采用不同结构的少量数据进行有监督参数迁移学习的方法,设计了迁移学习方案和神经网络架构。采用实桥监测数据进行验证并与基于Alex-Net的迁移学习模型进行了对比分析,结果表明,在小规模数据的迁移学习下能有效地提升异常检测模型的泛化能力。

关键词： 新冠疫情   大五人格特质   主观幸福感   在线文本分析   机器学习  

摘要： 微博平台作为Web2.0时代的主要在线社交媒介,现已成为用户展示自我和分享生活的重要渠道。在线社交媒体的兴起引起了包括心理学在内众多领域的关注,其中包含的大量在线文本已经成为个体心理特质与行为研究的重要数据来源,通过社交平台在线文本分析可以相对客观的获得用户的个性特点。当前世界正在经历一场史无前例的突发性公共卫生事件,2020年初爆发的新冠肺炎(COVID-19)疫情,由于其潜伏期长、传染性强,迅速在全世界蔓延。新冠疫情加速了个体社交媒体的使用频率,通过在线文本分析与建模能更加广泛和全面地揭示微博用户疫情期间的心理动态与生活状况特点。本研究选择微博在线社交平台,结合机器学习分类算法与自建词库对微博用户人格特质与新冠疫情下的主观幸福感进行分析。不仅能够丰富突发负性事件下个体主观幸福感的研究,也能够为今后运用线上“心理特征建模”方式开展研究提供实证基础与参考。 研究1首先整理出大五人格及主观幸福感各维度的种子词,结合Word2Vec技术和包含11977831条原创微博文本的语料库对人格特质和主观幸福感种子词进行扩充,形成初始版词库。随后利用多种机器学习分类算法对初始版人格特质词库和主观幸福感词库进行检验。最后分析词库中词汇的特征值,保留具有有效特征值的词汇。最终构建适合中文网络语境下的大五人格特质词库和主观幸福感词库。在研究2a中,首先调用主观幸福感词库与分类模型,对随机抓取到的5822名微博活跃用户新冠疫情期间发布的原创文本进行主观幸福感水平分类,同时通过潜变量增长模型考察新冠疫情期间微博用户的主观幸福感初始水平与发展速率特点。随后在研究2b中,结合人格特质词库和机器学习分类模型为微博用户标记人格特质水平标签。最后,利用贝叶斯独立样本T检验对人格特质水平高低分组用户新冠疫情期间的主观幸福感进行分析。 本研究得到的结果如下:(1)本研究构建的大五人格特质词库和主观幸福感词库具有较好的区分度,能够有效应用于中文网络语境下的用户心理特征分析。(2)本研究发现“疫情”3个阶段的主观幸福感微博发文数呈现上升趋势,同时主观幸福感的初始状态与发展速率之间存在显著正向预测关系,且不同性别用户主观幸福感在“疫情”期间的发展速率不存在显著差异。(3)本研究发现高神经质水平用户在“疫情”期间的负性情感文本表达上显著多于低水平用户,在生活满意度、正性情感以及主观幸福感的表达上显著低于低水平用户;高严谨性水平用户在正性情感和负性情感表达上显著低于低严谨性水平用户;高宜人性水平和高开放性水平用户在生活满意度和主观幸福感表达上显著高于低水平用户;高外向性水平用户在生活满意度、正性情感和主观幸福感表达上显著高于低水平用户。 本研究结论如下:通过自建词库方式可以相对客观与全面地分析个体心理特征;新冠疫情下微博用户主观幸福感初始状态与发展速率之间具有显著的正向预测关系;微博用户人格特质与新冠疫情下主观幸福感之间存在显著相关。

关键词： 高中物理教学   合作学习   方法运用   策略探究  

摘要： 物理学科作为我国教育工作当中的重要学科,直接影响到我国科技的整体发展水平,因此在我国的物理学科教学活动当中,一定要进一步落实对于物理学科教学质量的提升工作。其实在近几年的教育改革工作当中,高考的命题动向也发生了巨大的变化,因此在针对高中阶段物理教学活动的时候,必须要注重以更加具备创新性的教学手段来提升高中生的物理学习知识体验。同时还应该牢牢围绕现当代教育改革的重要思想,在物理学习的过程当中,尽可能的去发掘学生的创造能力和创新思维。合作学习方式在现当代的教育改革工作当中受到了多门学科教师的探究和青睐,并且在运用的过程当中,也对学生的创造力培养和自主学习能力的养成产生了巨大的积极作用。但与此同时,合作学习方法在高中阶段物理教学当中的运用,也存在各种各样亟待解决的现实性问题。因此本文立足于现当代的教育改革主要背景,分析高中的教学活动当中存在的现实性问题,探究如何进一步促进合作学习方法,在高中物理教学活动当中的有效运用。

关键词： 奇施妙法   快乐式教学   教学方法   学习方法  

摘要： 要想教好物理,首先要激发学生的兴趣和热情。只有在愉悦宽松的氛围中,才能调动学习的积极性,有了积极性,学生才能快速地进入正常的学习状态。另外,要选择恰当合适的教学方法和技巧,科学有效的方法和技巧是教好学生物理的前提和保障,学生只有在合理得当的方法下学习,才能高效掌握相关知识。

关键词： 自动调制识别   射频指纹识别   卷积神经网络   深度学习   压缩感知  

摘要： 电磁空间是信息产生、传输、感知和利用的主要渠道,也是信息化战争时代新型作战形式的重要依托。天基电磁态势感知系统,在大范围空间内获取雷达、通信、导航和数据链等电磁信号并进行态势分析与预测,有助于实现对陆、海、空和天各类辐射源的侦察、监视、跟踪与识别,从而掌控整个电磁空间态势。随着空间电磁设备的快速增长,电磁信号越来越密集,面对复杂多样的电磁目标,基于目标建模和人工特征的传统方法越来越难以应对。数据驱动的深度学习方法具有强大的特征表达能力,非常适合处理大数据问题。电磁信号识别是电磁态势感知核心组成部分,其目标是获取辐射源调制方式与个体身份,基于深度学习的电磁信号识别具有重要的研究价值与应用前景。空间中电磁信号类型多、差异大,若根据不同频段、不同辐射源类型和不同应用设计各自的识别系统,则工程应用成本高昂。本文将自动调制识别与射频指纹识别视为连续信号的模式识别问题,采用外部视角,将发射机整体外部行为作为研究对象,从发射机输出信号中学习获得识别模型,实现电磁信号识别。依此设计的电磁信号智能处理架构、IQ相关特征卷积网络结构,以及压缩信号智能处理框架,可处理自动调制识别与射频指纹识别2种应用。深度神经网络虽然擅于挖掘高冗余数据复杂特征,但也存在模型庞大、计算复杂度高的不足。由于功耗及空间辐射环境等限制,天基平台的存储空间与计算能力特别有限。为弥合天基平台性能与深度学习资源需求之间的差距,提出了一种轻量化智能处理架构。首先将数据流拆分成小数据段,然后直接采用卷积神经网络处理,最后通过序列联合判决算法进行信息融合。处理相同长度信号,轻量化智能处理架构的参数量与计算量仅为Alex Net的0.037%与40%,Google Net的0.170%与14.3%。轻量化智能处理架构的整体性能取决于单个分类器,为实现信息高效利用,提出了一种IQ相关特征卷积网络结构。在自动调制识别应用中,当信噪比≥0d B时,仅用50%的计算量可将识别准确率提高了9.88%,且比传统高阶统计量方法识别准确率高37.63%。在射频指纹识别应用中,仅用50%的计算量可将准确率提高了12.28%,且比传统功率谱密度方法准确率高33.16%。通信和雷达信号不断向高频段拓展,信号带宽迅速提高,采样压力越来越大。面对宽带信号识别问题,提出了一种结合压缩感知与深度学习的压缩信号智能处理框架。在自动调制识别和射频指纹识别中,即使将采样率分别降低16和64倍,也能达到Nyquist采样信号同等识别准确率,大大拓宽了信号的识别范围。最后,基于轻量化智能处理架构,采用低成本信号采集与处理平台,实现了一套识别准确率接近100%的亚Nyquist采样信号射频指纹识别实时处理系统。

关键词： 联邦学习   多任务学习   增量学习   非独立同分布数据   灾难性遗忘   聚类  

摘要： 如今移动设备与物联网设备收集了大量数据用于学习模型以改进用户体验,由于这些数据通常隐私敏感,或规模巨大,因而很难将这些数据全部发送到数据中心,随后联邦学习被提出来解决这一问题。联邦学习实现了跨设备场景下的协同学习,同时保持了客户端数据的本地存储从而保护隐私。但联邦学习也面临非独立同分布数据问题。为解决非独立同分布数据问题,各种方法被提出。但其中在模型准确度与收敛速度与的提升不足,或者违背了联邦学习的原本假设。此外,没有方法考虑在增量环境下的适用性。为此,本文研究了非独立同分布数据下的联邦学习方法。本文首先研究基于聚类算法的联邦多任务学习。在联邦多任务学习的基础上,该方法为小组而非个体客户端训练模型,从而消除了全体客户参与训练的限制。并且设计了客户端聚类策略确保本地数据分布相似的客户端被分到同一组,从而提高模型准确度。随后为各小组构造关系矩阵改善近端优化的效果,从而促进各小组间的互相学习。实验结果表明该方法相比其余方法在非独立同分布数据下达到了更高的准确度与更低的通信开销。本文进一步研究基于聚类算法的联邦增量学习。通过应用基于架构的增量学习,该方法解决了联邦学习在增量环境下的灾难性遗忘问题。并且借助层次聚类算法执行知识模型的扩展与构造,从而控制知识模型的数量。随后使用异步联邦优化方法改善收敛程度不同的知识模型间的近端优化的效果。实验结果表明该方法能同时克服非独立同分布数据与增量环境两大挑战。

关键词： 土地生态适宜性评价   人工智能   机器学习  

摘要： 自美国景观规划师麦克哈格提出土地生态适宜性的概念以来,"千层饼"式多因素地图叠置土地生态适宜性评价方法及其演化,被广泛运用于有关土地开发活动的诸多领域,为与自然和谐的土地利用规划提供了有效的支持,但这些方法依然存在"因素选取及其权重赋值相对主观臆断"的局限。为消解这两大局限,以山地传统聚落选址适宜性评价为例,尝试运用将人类认知世界的逻辑实证主义和证伪主义两大思维融合为一体的人工智能机器学习方法,通过建立土地生态适宜性评价的客观过程,获得更科学合理的土地生态适宜性评价结果。

关键词： 复购   特征工程   XGB   LGB   模型融合  

摘要： 随着互联网的快速发展与普及,网购者规模迅速扩大,电子商务迅猛发展,这也导致各大电商竞争愈演愈烈。近几年电商会进行大促活动,如双十一,六一八等发放优惠券以吸引新的消费者,但是此类活动效果有限,没有带来长期回报,因为很多消费者只是一次性消费者。为了取得更高的回报,商家们需要研究出哪类消费者才是值得为之付出的重复购买者。因此,研究消费者的复购行为有很强的应用价值。本文根据天猫2017年“双十一”用户行为记录数据对网站的复购行为进行了探究。数据包括11.11当天一些商户的新客户在活动日及之前6个月内的信息,首先本文从业务角度通过分析影响重复购买的因素设计特征工程提取特征,并使用了三种模型进行建模以及对应的模型融合,其算法在实验中性能表现不错。本文的工作主要包含以下几个方面:(1)数据处理。通过数据简介、数据探索、数据预处理,更好地了解数据集的字段含义及其与标签是否复购的关系。(2)设计特征工程。通过分析影响重复购买行为的因素,提取出用户特征、商家特征、用户与商家的交互特征这三个角度的特征;在升维之后进行了特征选择。(3)研究单一模型与融合模型在特征工程上的运用。分别使用XGB、LGB、catboost进行建模,最后几个模型结合在一起,组合模型能互补各个模型的优势获得更好的预测结果。

关键词： 染色质开放性   机器学习   多组学数据   神经网络   单细胞  

摘要： 随着深度测序技术的迅速发展,基因组、转录组、表观遗传组等多组学测序数据迅速积累,为发现生物体的细胞类型构成、理解细胞内基因调控机制,进而解析重大遗传疾病发生发展的生物学机制提供了丰富的数据资源。然而,全方位解读这些生物大数据,目前还面临利用生物大数据推理复杂生物知识不够精确、对生物大数据多源异质协同分析不够细致等局限。近年来,以深度学习为代表的人工智能技术在多个领域已取得突破性进展,为解决上述关键问题提供了强有力的手段。本论文以染色质开放性数据的信息解读为主线,通过融合多种组学数据的方式,研究预测染色质开放性的机器学习方法、探索单细胞染色质开放性数据分析的理论与方法。主要研究内容及创新成果包括:1.针对染色质开放性预测问题,提出了一种整合基因组序列与进化保守性的随机森林方法kmer Forest,实现了在给定细胞系下基因组的染色质开放性预测。进一步提出了整合基因组短片段词频的混合卷积神经网络模型Deopen,实现了染色质开放性信号的二值分类与连续值回归。大规模交叉验证显示上述方法的预测性能优于已有方法,且预测结果对遗传学数据的分析具有促进作用。2.针对跨细胞系染色质开放性预测问题,提出了一种融合基因组注释及转录组数据的密集连接卷积网络模型Deep CAGE。通过利用已有生物学先验知识,有效提升了模型的预测性能,并进一步建立了基于染色质开放性解析复杂表型相关非编码区遗传因素的分析方法,应用于复杂表型研究中。3.针对基于单细胞染色质开放性数据的细胞类型发现问题,提出了一种循环生成对抗网络模型sc DEC,首先从概率密度估计的角度论证了该模型的理论基础,并在细胞聚类等一系列任务中展现了模型的优异性能,还实现了单细胞染色质开放性与单细胞基因表达数据的协同分析。该模型在对细胞聚类的同时能对单细胞染色质开放性进行降维表示,从而促进了后续细胞轨迹推断、细胞调控机制解析的研究。本论文从“数据融合,信息迁移”的观点,系统性地研究了细胞群与单细胞染色质开放性数据分析中的关键问题,对生物数据解读中的概率密度估计等共性基础问题进行了创新性探索,研究成果不仅能对大规模染色质开放性数据高效分析,还能加强对细胞调控机制的深入理解,从而促进对遗传学数据的有效解读。