关键词： 气溶胶光学厚度   机器学习   塔基高光谱观测   大气校正  

摘要： 气溶胶光学厚度(AOD)是表征大气中气溶胶颗粒散射和吸收特性的关键参数。在塔基生态遥感观测中,获取准确的AOD以量化气溶胶的散射和吸收作用对光谱观测数据的定量化处理至关重要。本研究提出一种基于塔基高光谱观测数据和机器学习的AOD反演方法。首先,基于大气辐射传输模型分析太阳辐照度对AOD变化的敏感性及其光谱特征。然后,选取785和665 nm波段的辐照度(E_(785)和E_(665)),通过构建双通道比值指数(E_(785)/E_(665))可以敏感追踪AOD的变化。最后,系统评估了3种机器学习模型(随机森林、支持向量机和人工神经网络)的反演精度。结果表明:基于塔基高光谱观测数据的3种机器学习模型估算的AOD均表现出较高的精度,决定系数分别为0.950、0.936、0.947,均方根误差分别为0.025、0.028、0.027,平均绝对误差分别为0.017、0.020、0.019,其中,随机森林模型表现最佳。机器学习方法有潜力在不需要额外辅助数据的情况下从太阳辐照度光谱数据中准确估算AOD,能够为塔基平台大气校正方法提供可靠、同步的AOD估算数据。

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8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： 胃癌   特征基因   机器学习   可解释性分析  

摘要： 目的基于多种机器学习算法筛选与胃癌密切相关的特征基因,并利用可解释性分析提升模型透明度,探索其在胃癌早期诊断中的潜在应用价值。方法从基因表达综合(GEO)数据库中获取公开的数据集,采用最小绝对收缩和选择算子(LASSO)、支持向量机递归特征消除(SVM-RFE)及随机森林(RF)方法进行特征基因筛选,取交集后确定特征基因。随后构建多种分类模型,比较其预测性能,选取表现最优的梯度提升机(GBM)模型,并应用沙普利加性解释(SHAP)算法进行可解释性分析。结果最终筛选出抑制素βA(INHBA)和小梁网糖皮质激素诱导反应蛋白(MYOC)两个关键特征基因。GBM模型在各评价指标中均优于其他模型。SHAP分析结果进一步明确了各基因对模型预测的具体贡献。结论INHBA和MYOC可作为潜在的胃癌诊断标志物。GBM与SHAP联合应用,兼顾高效预测与可解释性,具有良好的临床转化潜力。

摘要： 《幼儿园保育教育质量评估指南》（以下简称《评估指南》）强调，“发现和支持幼儿有意义的学习”。户外建构游戏正是实现这一目标的理想途径。教师引导幼儿在户外建构游戏中进行有意义的学习，能支持幼儿在认知、情感、体能等多方面获得发展，促进幼儿全面成长。同时，教师也能通过观察幼儿在户外建构游戏中的表现，更深入地了解他们的需求与兴趣，通过个性化保教培养幼儿的自主学习能力和社会交往能力，为幼儿未来的学习与生活奠定坚实基础。

关键词： 航天器追逃   轨道博弈   机动决策   可达域   层次强化学习  

摘要： 针对复杂空间博弈场景中,脉冲推力驱动的航天器追逃博弈决策实时性受限和传统奖励函数较难适应远距离和高动态对抗学习环境的问题,本文对航天器博弈对抗的智能机动决策和燃料优化展开研究.首先建立轨道博弈动力学和机动约束模型;其次提出一种具有时间约束的航天器单脉冲可达域求解方法,并结合神经网络对轨道危险区进行量化拟合;进而基于分布式系统架构设计层次强化学习框架,采用PPO算法开展红蓝对抗学习训练;最后对所提机动策略进行验证.仿真结果表明,在二体动力学轨道博弈场景中,危险区策略可使平均燃料消耗降低33.81%,博弈策略较传统方法打靶率平均提升38.41%.

关键词： 连续学习   稀疏化   在线学习   参数掩码   计算效率  

摘要： 无边界在线连续学习是一种任务无关的自主高效机器学习方法，通过连续适应新数据和抑制遗忘来实现模型的动态更新。现有在线连续学习方法通常追求模型准确率而牺牲计算效率，这使得在高速数据流场景中，模型因训练速度滞后，难以对数据流的变化及时响应。针对以上问题，提出一种面向效率-性能协同优化的在线稀疏连续学习框架，通过构建双向稀疏自适应调控机制突破传统方法的瓶颈。首先，设计参数重要性度量的动态稀疏拓扑优化框架，融合参数敏感性分析，实现非结构化参数剪枝；其次，建立记忆-效率双目标优化模型，基于在线类别分布估计动态调节计算预算分配，实现计算资源的最优配置；最后，构建梯度解耦优化策略，采用梯度掩码方法实现新旧知识的双向优化，在加速模型更新的同时保持知识拓扑的完整性。在CIFAR-10、CIFAR-100和Mini-ImageNet基准测试中，所提方法展现出显著优势：在CIFAR-10数据集上，当内存容量为100时，相较于ER (Experience Replay)基线平均在线准确率（AOA）和测试准确率（TA）分别实现3.51%和5.00%的显著提升；在CIFAR-100环境中，AOA和TA指标分别获得2.59%与1.55%的改进；Mini-ImageNet测试中，关键指标提升幅度达3.52%和0.13%。可视化分析表明，所提框架在保持实时响应能力的同时，成功捕获了数据流中的潜在概念漂移模式。消融实验结果验证了各模块的协同增强效应，揭示了动态稀疏机制对连续学习本质矛盾的突破性解决路径。所提方法突破了传统方法在计算效率与模型性能间的权衡困境，为开放环境下的在线连续学习系统建立了新范式。

关键词： 数据流   主动学习   概念漂移   多重采样策略   深度神经网络  

摘要： 数据流的实时性、无限性及动态变化特性导致数据分布具有时变性，这种随时间持续变化的现象被称为概念漂移。为检测并适应概念漂移，传统方法通常假设所有样本标签已知，但真实场景下高昂的数据标记成本使得监督学习方法代价过大，因此，主动学习方法常用于解决标签稀缺的分类任务。然而在流式环境下，概念漂移及单一标注策略等因素通常会使主动学习方法面临采样偏差的问题。针对以上问题，提出一种基于概念漂移检测的多重主动学习方法(MALCD)。该方法设计了一种带有动态权重跳连接的在线深度神经网络模型，利用网络模型结合弱监督漂移检测方法检测概念漂移，并融入多重采样策略，在不同样本域采用差异化策略处理。这种将多重主动学习与概念漂移检测技术相结合的方法能够精准筛选不确定性高且数据类别多样的数据，高效规避冗余。在8个真实及人工数据集上的实验结果表明，MALCD的平均实时准确率相较于在线集成自适应分类方法 AC＿OE及弱监督漂移检测方法 WSCDD有明显提高，提升幅度约为1到4个百分点，说明该方法在漂移发生后能够快速学习新概念分布，提高模型的整体泛化性能。

关键词： 多准则决策   情境依赖行为   效用函数   偏好学习  

摘要： 在多准则决策分析中，为降低决策者的认知负担，可能会要求决策者提供关于参考方案的偏好信息，以学习决策者对方案评价的效用函数，这一问题称作偏好学习问题。本文针对多准则决策问题，提出了一种考虑决策者情境依赖决策行为的偏好学习方法。该方法首先通过构建优化模型检验决策者提供的偏好信息的一致性，进而判断重构决策者提供的偏好信息所需要的效用函数数量。在此基础上，本文遵循偏好学习的简约性原则构建优化模型，识别出一组互补的效用函数来重构决策者的偏好信息，并采用分类与回归树算法识别不同准则情境下决策者选择效用函数的规则。最后，本文以科研机构评估问题为例，通过算例分析、对比分析和仿真分析，验证了所提偏好学习方法的可行性和有效性。

关键词： 平衡学习   多模态学习   梯度调制   自适应学习   梯度均衡化   学习速率   音视频模态   协同决策  

摘要： 针对音视频多模态学习中因异质学习速率导致单一模态主导模型学习过程，抑制其他模态学习，进而削弱多模态协同决策效果的问题，提出一种基于自适应梯度调制的多模态平衡学习方法(adaptive gradient modulation based compensation and regularization， AGM-CR)。首先，根据模态间的学习梯度差异引入调制系数来自适应调整各模态的学习速率；然后，通过梯度均衡化策略，将单个模态的梯度损失作为正则项融入总损失来约束模态间梯度差异，进一步平衡各模态的学习过程；最后，实验结果表明在CREMA-D和RAVDESS数据集上，AGM-CR将分类准确率分别提高了2.5百分点和3.3百分点，并在多次迭代中减小模型的梯度波动，表现出更高的训练稳定性和收敛速度。与现有的平衡方法相比，AGM-CR可即插即用，更具灵活性和通用性。

关键词： 舰船图像识别   深度学习   舰船数据集   大规模预训练模型   提示学习   交叉注意力机制  

摘要： [目的]针对舰船图像识别任务中存在的强干扰、数据稀缺及深度学习方法语义特征建模不足等问题，提出一种基于视觉属性的提示词学习机制（Visual Attribute Prompt Tuning, VAPT）。[方法]通过构建大规模预训练视觉属性词表，引入多分支交叉注意力机制（Multi-head Cross-Attention, MCA）实现属性匹配和选择过程，用于与深度视觉模型对齐，提升模型对舰船关键特征的识别能力。[结果]在经人工精细标注与清洗的自建舰船图像数据集上的验证结果表明，与基线模型（Vision Transformer,ViT）相比，所提方法的Top-1准确率提升了3.79%；在公开舰船数据集FGSCR-42上，相较于当前最优的B-CNN和RA-CNN方法，所提方法的Top-1准确率分别提升2.20%和0.10%。[结论]研究结果为复杂海洋环境下的目标识别任务提供了新的特征解耦与知识迁移技术路径，对智能海上监测系统具有重要意义。