关键词： 机器学习方法   高光谱遥感图像   目标检测   目标像元分割   投影寻踪   动力演化算法  

摘要： 针对高光谱遥感图像目标检测的难题,提出基于机器学习的高光谱遥感图像目标检测方法。首先,通过动力演化算法找到满足偏度、峰度最大化的投影方向,将高维图像数据投影至低维子空间,从而提取图像的光谱信息。然后,通过线性判别法将提取的信息转换为直方图形式,再利用自动标记分水岭算法和KNN方法进行目标区域的初分割和分类,以去除非目标光谱像元。测试结果表明,对目标信息进行检测处理后,图像像元整体分类精度与平均分类精度数值区间为[0.97,0.98],信息熵数值仅有0.01,说明该方法具有较高精度,结果可信度较高。

关键词： 通信网   告警预测   电力   稀疏贝叶斯学习  

摘要： 针对通信网络中告警难以预测、无法及时处理的问题,对原始告警信息进行处理,筛选出传输链路中断、传输区域业务故障、设备板卡故障3种主要告警类型数据作为数据集,利用稀疏贝叶斯学习和支持向量机两种方法对故障进行预测分析对比。实验结果表明,相较于支持向量机方法,稀疏贝叶斯学习方法的预测性能更好,精确率更高。该学习方法具有优越的处理大规模数据和特征的能力,显示出良好的可扩展性,可以使通信网络策略和优化过程更加客观和科学,有效提升网络性能和稳定性。

关键词： 游戏   有意义的学习   倾听   计划能力   课程  

摘要： 在幼儿园教育中,观察和支持幼儿有意义的学习至关重要。幼儿在游戏中的学习表现为主动、积极且深层次的学习过程,因此,教师有必要以多种策略来支持幼儿的游戏学习。其中包括在游戏中观察和了解幼儿的游戏意图和兴趣点;培养幼儿的计划能力;扮演玩伴角色,关注幼儿真实的学习经历与成长;识别幼儿的游戏行为并给予回应,引导幼儿从游戏中走向课程,以支持幼儿进行有意义的学习。

关键词： 习作   语言   生活经验   描写方法  

摘要： 统编语文教材中的习作单元是全面落实语文素养的重要载体。《刷子李》作为习作单元中的精读课文,对学生来说具有“阅读价值”和“例文价值”。教学时,教师既要引导学生通过朗读课文,体会作者思想感情,还要点拨学生,提炼写作方法,真实有效地落实习作单元要素,培养学生的习作能力。

关键词： 软件缺陷预测   主动学习   可解释性   数据标注   数据选择策略   深度学习  

摘要： 针对软件缺陷预测中数据标注代价较高及深度学习模型缺乏可解释性的问题,提出一种面向可解释性的软件缺陷预测主动学习方法。首先,基于主动学习技术,通过样本选择策略从目标项目中筛选出不确定性高的样本进行专家标注,并将这些标注样本放入源项目中以训练预测器。其次,利用领域知识对选定样本进行扰动,构建局部数据集,并通过线性模型在该数据集上模拟数据选择策略的行为,以实现模型的可解释性。实验结果显示:该方法在数据标注方面的指标性能要优于传统的主动学习基准方法;同时,在可解释性方面,该方法的RMSE指标也均低于LIME、全局代理模型以及RuleFit,能较好地解释“黑盒”模型。该方法不仅可以有效提高软件缺陷数据的标注效率,还可以实现模型的可解释性。

关键词： 核电厂   高压加热   实时预测   数字孪生   样本迁移  

摘要： 针对核电厂高压加热测点数据实时预测在工程实际中存在故障数据缺失,观测数据量少等问题,提出基于数字孪生仿真数据的样本迁移学习方法。首先,利用数字孪生技术产生的特征丰富、样本充足的核工业相关仿真数据构建源域数据集,利用核工业设备运行过程中各监测点获取的实际观测数据构建目标域数据集;然后,通过交叉验证得到的分类模型,测得源域数据与目标域数据的相似度,将源域数据中与目标域数据相似的数据赋予高权重,使源域数据与目标域数据更匹配;最后,利用带权重的源域数据训练核工业数据实时预测模型。实验结果表明,样本迁移学习方法在小样本与特征缺失的情况下,具有良好的迁移学习效果,并且相较于传统迁移学习方法具有较高的实时预测精度。

关键词： 后门攻击   反后门学习   数据提纯   遗忘学习前置   遗忘系数  

摘要： 反后门学习方法(anti-backdoor learning,ABL)在利用中毒数据集进行模型训练过程中能实时检测并抑制后门生成,最终得到良性模型。但反后门学习方法存在后门样本和良性样本无法有效隔离、后门消除效率不高的问题。为此,提出遗忘学习前置的反后门学习方法(anti-backdoor learning method based on preposed unlearning,ABLPU),在隔离阶段对训练样本增加提纯操作,达到有效隔离良性样本的目标,在消除阶段采用后门遗忘-模型再训练的范式,并引入遗忘系数,实现后门的高效消除。在CIFAR-10数据集上针对后门攻击方法BadNets,遗忘学习前置的反后门学习方法较反后门学习方法(基线方法)良性准确率提高1.21个百分点,攻击成功率下降1.38个百分点。

关键词： 学习的动力   炼制   意向   重要性   知识   重复   意义  

摘要： 我们一直强调意向在学习的动力机制中的重要性,它是一个必不可少的出发点,但即使有了意向,知识的更新也可能还是无法进行。只激发学生的意向,不足以让学生哪怕只是稍稍炼制一下知识。很遗憾,事实就是如此。学习者只有在为学习制造出一层意义时才能占有知识。我们要再次重复的是,这层意义以及知识从来不是个体一下子就能直接获得的,我们还要重复的是,它也不可能是别人给予的。

关键词： 深度学习方法   偏微分方程   算子类学习方法   函数类学习方法  

摘要： 数值求解偏微分方程是多学科计算领域共同关注的一项基础科学课题。近年来,神经网络的深度学习方法得到了大力的发展,这一方法也被引入求解偏微分方程这一领域,逐渐成为了科学计算领域的研究热点之一。为此,本文介绍了近些年求解偏微分方程的一些深度学习方法,将这些深度学习方法从数学角度分为函数学习类方法和算子类学习方法。本文将对这两类深度学习方法的研究现状进行梳理以及总结,同时还简要介绍了目前深度学习方法在求解偏微分方程中遇到的一些困难和挑战,并对可能的研究趋势和方向进行了预测。

关键词： 多标签分类   不均衡数据   标签划分   安全欠采样   数据剪枝   集成学习  

摘要： 多标签分类任务广泛存在于现实生活中,然而其经常存在不均衡数据问题,严重影响了分类性能.目前解决该问题的主流技术为重采样方法,主要分为过采样和欠采样,过采样通过生成与少数类标签相关的样本,欠采样则是通过删除与多数类标签相关的样本.然而,这些方法都专注于解决一种不均衡问题,即标签内不均衡或标签间不均衡,导致在解决一种不均衡的同时可能引入另一种不均衡.针对该问题,本文提出一种基于安全欠采样的不均衡多标签数据集成学习方法ESUS(Ensemble learning method based on Safe Under-Sampling).首先通过标签划分将多标签不均衡数据集划分成单标签数据集和标签对数据集,针对单标签数据集,提出一种安全欠采样方法解决标签内不均衡问题,并利用采样后的均衡数据集构建二分类模型.对于标签对数据集,进行数据剪枝后利用集成学习解决标签间不均衡问题,在保持分类性能的同时降低时空复杂度.最后将单标签数据集模型和标签对数据集模型集成为最终的分类模型.在六个多标签不均衡数据集上的实验结果表明:和七种对比方法相比,ESUS方法在四个评价指标上更稳定有效.