关键词： 真实图像去雾   生成对抗网络   全局特征提取子网   多尺度特征融合子网  

摘要： 现有的大多数基于大气散射模型的去雾方法面对复杂和非均匀雾去除依然存在伪影、颜色失真、去雾不彻底等问题,针对以上问题提出一种新的基于生成对抗网络的图像去雾算法D-GAN(Dehazing-GAN)。该网络的生成器通过全局特征提取子网GFES(Global Feature Extraction Subnet)来提高网络特征利用率,并且使用多尺度特征融合子网MSFFS(Multi-Scale Feature Fusion Subnet)来增强网络对不同尺度细节的重建能力。实验表明,该文提出的生成对抗网络模型在非均匀去雾任务中具有良好的鲁棒性,相比FFA、SFNet、GCANet等方法在客观评价指标PSNR、SSIM上表现更优,并且在主观评价上表现更好。

关键词： 有源配电台区   太赫兹设备指纹   联邦学习(FL)   设备识别  

摘要： 为提升对有源台区内海量分布式电力设备的安全管理能力,提出一种面向有源台区的电力设备太赫兹指纹识别防篡改与分簇联邦学习协同方法。首先通过特殊的工艺制作电力设备太赫兹标签,提供物理防伪基础;进而提出一种双分支多模态卷积神经网络识别设备指纹是否存在异常篡改;最后设计了一种分簇联邦学习(FL)训练方法,避免因隐私问题导致的防篡改识别模型的数据难以共享共用,并实现有源台区内多设备太赫兹指纹数据的分布式联合建模与高效协同训练。实验结果表明,本文所提方法的指纹识别精确度达到90%以上,比传统直方图相似度算法识别精确度提升了212%。本文所提方法在提高设备指纹识别精确度、增加训练效率和数据可用不可见等方面均具有显著优势,为电力设备的安全监测及预防攻击提供了新的技术路径。

关键词： 网瘾预测   学业预测   BP神经网络   随机森林  

摘要： 针对高校学生网瘾和学业预警需求,设计包括学生成绩、设计人口学、个体行为、社会关系和网瘾等调查问卷作为研究数据,提出基于BP神经网络和随机森林两种机器学习方法的学生网瘾及学业预警研究,并分析重要影响因素,为精准干预提供依据。经仿真对比,选取BP神经网络和随机森林算法训练网瘾和学业预测模型,准确率分别达到92.286%和92.742%。为学校学生管理教师及学生提供预警机制,具有一定的学术和应用价值。

关键词： 跨学科学习   小学数学   核心素养  

摘要： 跨学科学习指运用多学科的知识和方法来探讨解决问题的途径。在小学数学教学中采取跨学科学习,对促进学生核心素养的提升、学习方式的转变以及学科知识化的转型等方面都有着重要的意义。小学数学借助跨学科学习的方式,对各学科知识进行重新构建和融合,能更好地回归数学学科育人的本质,落实学生核心素养的培养。

关键词： 咸潮评价体系   机器学习   特征因子   咸潮预测模型   东江三角洲  

摘要： 长期水文预测是水文学和水资源管理中的关键领域,通过对未来一段时间内的水文变量进行预测,对水资源规划、洪水预警、农业灌溉和城市供水等工作提供重要支撑。围绕咸潮影响下水资源配置中面临的关键问题和难点,探讨了基于机器学习的咸潮预测模型在东江三角洲的应用,重点研究了特征因子的选取和模型在不同条件下对年际尺度咸潮活动的中长期预测。主要通过建立咸潮影响等级评价体系,筛选出关键特征因子,并采用随机森林、梯度提升树和集成模型等学习技术进行咸潮预测。研究表明,非汛期降雨量、龙滩水库汛末蓄水量、三水站分流比以及新丰江水库汛末蓄水量是影响咸潮活动的关键因素。基于这些关键特征因子构建的机器学习集成模型提高了咸潮预测的准确性和稳定性。此外,结合实际设定多种场景开展咸潮活动的预测工作,可为东江三角洲地区的水资源管理以及咸潮预警提供科学支撑。

关键词： 活学活用   见招拆招   灵活变通   图形构造   几何题目   学习方法  

摘要： 作家金庸笔下曾写道:“无招胜有招”.是指学习要活学活用,学的时候不要拘泥于外在的形式,而是要学到精髓.学习不能过于死板,按照模型套路学习就不能学到精髓.学习需要具体问题具体分析,所谓见招拆招,灵活变通才行.几何题目,便是需要依据图形构造而见招拆招.

关键词： 机器学习   连续学习   多模态   行为识别   特征蒸馏  

摘要： 近年来连续学习成为一个新的研究热点,但在多模态架构的连续学习任务中,数据不能被完全利用,导致了严重的灾难性遗忘和学习受阻问题。因此,提出了基于特征蒸馏的多模态连续学习方法。该方法重点考虑不同模态在任务表现方面的差异性,选择较多或较少地保留模态旧知识,以激发各模态从整体角度挖掘具有判别性特征的潜力。在多模态行为识别数据集UESTCMMEA-CL上的实验验证了所提方法的有效性。在进行到第8个任务时,所提方法的平均准确率在微调基础上提升了22.0%,在不遗忘学习(LwF)的基础上提升了20.1%。与经典的知识蒸馏方法相比,提出的差异性特征蒸馏方法显著提高了传感器模态的利用率,从而更显著地缓解了多模态网络的灾难性遗忘问题。

关键词： 语文学习情境   真实   意义   核心素养  

摘要： 语文学习是基于特定场景而开展的实践活动，凸显因境生情中情感、事实与道理三位一体的真实性，需要从生活、认知和语言三个维度理解情境的意义逻辑。化知识为素养的语文学习情境体现了“脱域”到“重嵌”的知识逻辑、“理解”到“活动”的学习逻辑和“知识讲授”到“支架设计”的教学逻辑。研究认为，创设真实而富有意义的语文学习情境，需要基于素养情境编制表现性目标，立足生活场景设计表现性任务，依托文本语境开展表现性评价，在语文知识的可视化理解、具象化感知和概念化运用中培养语言文字运用能力。

关键词： 道路工程   病害检测   机器学习   像素分割   评价方法  

摘要： 道路路面的质量状况直接影响其使用寿命和行车安全。路面病害具有机理复杂、形态多样的特点，且在空间尺度上呈现出大样本分布，给度量与标注带来较大挑战，传统检测方法难以满足多场景、多类型病害识别的实际应用需求。本文总结了机器学习方法在路面病害自动化检测中的重要研究成果，比较了不同路面病害自动识别方法的技术原理和适用性，并从图像数量、尺寸、光源、相机、标注方式等角度总结了现已公开和私有的路面病害数据集。然后，基于三维深度数据对路面病害展开多种特征分析，为挖掘路面病害多元特征与人工智能模型的相互作用提供算法基础。最后系统性介绍了通用的客观评测指标以保证路面病害智能算法评价的公正性。病害识别经历了传统的阈值分割、面元分类和目标检测并逐步发展到像素级图像分割的趋势，自动识别算法的准确性和通用性得到了大幅度提升。传统机器学习方法和深度学习方法之间仍然可以相互借鉴与融合，以覆盖更多的路面病害类型并促使模型能够学习到更多有效特征，从而提高病害检测精度及效率。现有不同识别算法应以运行时间、显存占比、运算量、识别率作为一致的性能评价指标，并考虑不同道路环境下不同维度的路面病害数据集。未来应研发适应复杂工况的检测与处理方法，提升信噪比与模型泛化能力，推动智能算法多场景落地应用。

关键词： 提示学习   知识蒸馏   正则化   视觉语言模型   高效微调  

摘要： 视觉语言预训练模型通过建立跨模态语义对齐机制，已成为开放词汇视觉理解任务的新范式。然而，其在少样本下游任务部署中面临双重挑战：有限标注数据导致模型难以充分捕获领域特定知识；基类过拟合现象显著削弱模型对新类的泛化能力。针对上述问题，本文提出基于知识蒸馏与正则化约束的多模态提示学习方法(KDRC)。设计双模态协同蒸馏框架，先利用少量标注数据微调融入多模态提示的CLIP教师模型，增强其领域知识表征能力。接着，借助教师模型生成的伪标签，通过KL散度对齐驱动原始参数冻结的学生模型学习可调节提示向量，实现从未标注领域数据的知识迁移，突破传统提示学习对标注数据的强依赖。在蒸馏过程中，通过特征空间约束保证学生模型与教师模型所提取特征的一致性，减少中间层特征信息丢失。同时，依据训练进程不同阶段的特点，对提示权重进行动态调整。以此缓解基类过拟合问题，保障模型在基类与新类间的泛化平衡。在Caltech101、Food101和StandfordCars等10个数据集上验证了该方法的优越性。