关键词： 低空物联网   联邦学习   设备选举策略   稳定性   训练效率  

摘要： 随着无人机(UAV,unmanned aerial vehicle)与物联网(IoT,Internet of things)技术的深度融合,低空物联网中传输了大量包含敏感信息的数据,存在严重的隐私泄露风险。联邦学习(FL,federated learning)允许多个参与者共同训练模型而无须共享敏感数据,为低空物联网安全应用提供了隐私保护的方案。但是,随着应用场景越来越丰富,节点异构性、网络动态性等特点导致低空物联网下的联邦学习非常不稳定。提出了一种结合Raft选举算法和权重计算的新型联邦学习方法(FedPRE-W,federated fearning based on proxy Raft election and weight calculation),提高了联邦学习的稳定性和效率。针对遮挡、网络动态变化以及节点能量耗尽等导致的代理设备中断问题,通过Raft选举算法选举新的代理设备,保障联邦学习的稳定性。结合节点异构性,通过计算节点权重,选举性能强的节点当选代理,提升了联邦学习的效率。最后,在公开数据集上对所提方法进行验证,结果显示,FedPRE-W算法在减少通信轮数、加速模型收敛以及提高系统稳定性等方面有显著优势。该方法为低空物联网进行安全、稳定、高效的联邦学习提供了一种可行的解决方案。

关键词： 课程游戏化   教研活动   创新实践   无锡市滨湖区   在自然中   幼儿园   价值取向   幼教  

摘要： 无锡市滨湖区于2019年成为江苏省首批课程游戏化项目区,截至目前,已拥有省级课程游戏化项目园10所,市级课程游戏化项目园14所。自2014年起,滨湖幼教始终紧密围绕江苏省课程游戏化项目建设的核心要求,基于区域幼儿园课程建设的现存问题,坚持全域推进、创新实践,不断探寻课程游戏化背景下的教研意义,并始终坚守教研服务、支持和保障课程游戏化项目实施的价值取向。

关键词： 项目式学习   意义   策略   初中生物学  

摘要： 生物学是一门研究生命的学科,在初中生物的教学过程中,教师可以指导学生采用项目式教学方法,让学生养成一种自我反思的习惯,从而改变传统的生物课堂的弊端.在教学活动上进行创新,对学生展开全方位的教育,把生物和其他学科进行整合,从而提升学生对生物知识的运用能力.教师可以运用项目式教学方式,让学生了解到生命现象在分子层面上的物质变化规律,感受生命来源和结构,从宏观和微观角度来观察其所处的世界,对身体功能和综合素质进行训练,加强学生生物观念.本文围绕初中生物教学,以项目式学习为切入点,在研究初中生物学科开展项目式学习的原则和现状基础上总结了实践策略,并分析了实践意义,仅供参考.

关键词： 深度学习   小学科学   实践路径  

摘要： 根据深度学习的内涵与特征,本文提出在课堂实践中教学目标确立要指向高阶思维、教学内容整合要指向意义连接、教学情境创设要指向真实生活的教学实践路径。

关键词： 强化学习   机器学习   人工智能  

摘要： 作为人工智能领域的常用技术之一,强化学习、监督学习和非监督学习并列为三种机器学习范式.强化学习是指智能体与环境直接进行交互,通过最大化累计奖励学习最佳策略的过程.本文梳理了强化学习领域的发展历程,并介绍了经典的强化学习和基于深度网络的强化学习算法和模型,包括基于值函数和策略梯度的方法、演员-评论家算法、深度Q网络及其优化模型,最后对强化学习当前面临的研究挑战和未来的发展前景进行了讨论.

关键词： 可解释性   规则学习   神经网络  

摘要： 随着对可解释、透明且有效模型的需求不断增长，基于规则的分类模型因其直观理解和良好性能成为研究焦点，针对许多现有模型受限于结构优化困难或依赖特定启发式搜索策略等问题，提出了一种基于RL-Net改进的网络结构SRL-Net。该模型通过神经网络进行规则学习，在网络中引入注意力机制和剪枝层，旨在提升模型性能的同时提高学习规则的准确性和简洁性，减少不必要的规则，并利用修剪“掩码”实现对规则的二次提炼，用以获得精简的规则列表。SRL-Net在12个数据集上进行实验验证，结果表明SRL-Net在不同规模的数据集上都具有良好的性能，与其他八个模型相比，SRL-Net在8个数据集中取得最高准确率，在9个数据集上取得最高F1值，规则复杂度相较于RL-Net平均减少了约50%，实验表明SRL-Net是一种有效的可解释规则学习方法。

关键词： 油气田开发   产量预测   机器学习   神经网络  

摘要： 受开发过程中储层物性、流体性质和工艺措施的复杂多变性影响，油气生产数据的分析利用程度多取决于石油科技工作者的专业经验，通常需要较高的计算成本和时间成本，难以满足现代油气藏高效开发需求，因此亟待找到更加高效率的油气产量预测方法。近年来，以深度神经网络、随机森林算法和迁移学习为代表的机器学习方法凭借处理高维数据、捕捉时序数据长期依赖关系和提取开发数据特征等方面的独特优势，在油气产量预测中取得了显著应用效果。文中介绍了常用于油气产量预测的机器学习方法原理及其优缺点，阐述了机器学习方法在油气产量预测领域的应用现状，总结了应用过程中潜在的问题，同时对油气产量预测方法的发展进行了展望。未来，一方面应关注将物理约束融入机器学习模型，提高模型的可解释性，避免过于理想化的预测结果；另一方面要开发适合小样本情况下的算法和迁移学习技术，充分利用历史生产数据，为油气产量预测提供更好的数据分析技术支持。

关键词： 有意义的学习   学习情境   新课程改革   教学实践   学习任务群   创设   语文   解读  

摘要： 学习情境在新课程改革中备受重视。对2022年版课标提出的“真实而富有意义的学习情境”,该如何解读与创设?如何为语文学习任务群服务?笔者结合教学实践,提出了自己的看法。

关键词： Solar Walk   项目式学习   信息技术  

摘要： Solar Walk是一款教学辅助软件,核心功能是模拟地球在宇宙空间中的运动,能有效突破抽象复杂的地球运动知识教学难点。文章借助Solar Walk的教学辅助功能,选取“地球运动的地理意义”专题知识,设计以“智慧路灯”为主题的项目式学习,以期利用信息技术转变教学方式,促进学生素养生成。

关键词： 地下水位   克里金方法   深度学习方法   深汕特别合作区  

摘要： 掌握区域地下水位分布是地下水资源评价与环境保护的重要基础。由于区域尺度观测的地下水位数据有限,克里金插值与深度学习方法逐渐被用于区域地下水位预测,但两者的适用性及鲁棒性缺乏对比分析。针对这个问题,基于239口监测井水位,采用普通克里金方法、融合地表高程的协同克里金方法、深度学习方法估计深汕特别合作区地下水位空间分布,调查3种方法在区域地下水位预测中的应用潜力。为了研究训练集样本量对3种方法预测效果的影响,将239口监测井分为2组(76口和163口)用于3种模型的训练。结果显示,使用76眼井的训练数据拟合验证集样本时RMSE分别为6.09,4.04,7.11,考虑了地表高程信息的协同克里金法明显优于普通克里金法与深度学习法。而当训练样本量增加到163口水位数据时,普通克里金、协同克里金及深度学习法的预测精度都明显提升,3种方法拟合验证数据集的RMSE相差很小,分别为1.33,1.36,1.54。另外,使用较大数据样本量进行全区域的地下水位预测时不同方法得到的预测水位分布均有所提高,但空间分布特征依旧存在明显差异。结果表明,当观测数据稀疏时,融合高程信息的协同克里金方法的预测效果显著高于普通克里金方法和深度学习方法,而当观测数据量增加到达一定数量时,3种方法预测得到的RMSE较接近。