关键词： 反绎学习   机器学习   逻辑推理   反绎推理   神经符号学习  

摘要： 近年来,许多研究工作致力于将数据驱动的机器学习和知识驱动的逻辑推理相结合,以提高机器学习的性能.其中,不少工作尝试利用反绎推理,将机器学习与逻辑推理融合到一个框架中.这些方法通过机器学习模型生成伪标记,然后利用反绎推理来修正不一致的伪标记,以更新机器学习模型并多次迭代.然而,反绎中可能会存在错误标记,这些标记会对模型训练产生负面影响且难以被发现.因此提出一种带拒绝推理的反绎学习方法,它同时考虑反绎标记的模型不确定性和推理不确定性,从数据层面和知识层面综合评估反绎结果的可靠性,并通过拒绝部分反绎推理结果来避免不可靠的反绎标记对模型训练的负面影响.实验表明,提出的方法可以减少错误反绎标记的比例、加速反绎学习的训练并带来更好的性能.

关键词： 复合材料   传感器   结构健康监测(SHM)   损伤   机器学习  

摘要： 纤维增强树脂基复合材料(Fiber reinforced plastics,FRPs)因其高模高强、可设计强、耐腐蚀等优异性能,已广泛应用于航空航天等高性能领域。结构健康监测(Structural health mornitoring,SHM)对于保障复合材料结构的安全运行至关重要。随着人工智能技术的进步,机器学习方法在复合材料结构健康监测领域也得到快速发展,以数据驱动方法代替传统模型对结构状态进行判断,使得基于各类传感器的结构健康监测技术具有更高的准确性、鲁棒性及高效性。基于此,本文首先阐述了在复合材料结构健康监测领域中常用的机器学习算法,其次总结了机器学习方法在复合材料损伤模式识别、损伤位置识别和损伤程度识别几个方面的研究进展,最后讨论了基于机器学习的复合材料结构健康监测的未来发展趋势。

关键词： 交通工程   智能交通   深度强化学习   信号控制   多角度时空学习   层递学习  

摘要： 信号控制是智能交通系统的重要组成部分,融合人工智能等新技术的信号优化逐渐成为研究热点,具体策略可分为集中式和分布式2类。分布式控制的轻量化状态空间可以有效避免深度强化学习中的维度灾难问题,近年来愈发受到研究者关注。现有的分布式协同控制策略多以图卷积网络或图注意力网络为基础挖掘路口的耦合关系,但对路口状态之间的时空关联性随时变交通流的动态变化特征考虑不足。为此,首先基于门控循环神经网络建立时变交通流特征的提取方法,确定多路口时空关联度;其次采用图注意力机制搭建区域时空特征的层递融合算法,以路口重要度为指标实现状态空间重构;再次,采用全连接理念面向自适应相位相序结构构造路口通行权切换决策模型。最后,基于实际路网仿真测试了模型控制效果。结果表明:相比于传统分布式强化学习算法,该模型在低、中、高3种流量下的车辆平均排队长度分别降低了13.74%、5.03%、6.30%以上,表明了新方法的潜在应用价值。

关键词： 高级持续性威协(APT)   攻击检测   防御机制   深度学习  

摘要： 本研究旨在从企业应用的角度探索高级持续性威胁(APT)对国家电网等关键基础设施的威胁,并引入深度学习技术以建立更为全面的检测与防御机制。在协同防御策略的构建中,特别关注邮件安全与电网企业的关联。通过加强邮件安全措施,提出一种有效的防范措施,降低电网企业受APT攻击的概率。最后,通过算例模拟数据的分析,验证基于深度学习的检测方法和协同防御策略的有效性。这一检测机制为电网企业提供强大的网络安全保护,减缓APT攻击对企业的威胁。

关键词： 感应电机   故障诊断   注意力机制   卷积神经网络   长短期记忆神经网络  

摘要： 振动信号能够有效地反映出电机运行的状态,因此被视为诊断感应电机故障的重要依据。然而,原始振动信号存在特征单一、时序过长的问题,已有研究通常基于专家经验提取特征,成本较高。近年来,故障数据的积累推动了基于深度学习方法在故障诊断中的运用。针对上述问题提出了一种基于多头注意力机制和一维卷积神经网络的特征工程方法(multi-attention with 1D convolutional neural network,MAC-LSTM)用于感应电机的故障诊断,该方法无须任何先验知识。多头注意力机制被用来拓展特征的维度,使得原始特征的表示更加丰富;卷积神经网络从时间维度上提取特征并降维,有效解决原始信号时序过长的问题;LSTM捕获信号的时序依赖性,用于感应电机的故障诊断。实验结果表明,MAC-LSTM在基于振动信号的感应电机故障诊断中取得了优异的性能,并且具有很高的泛化能力。

关键词： 主题式学习   高中地理   核心素养   地理课程   教育理念   坚实的基础   趣味性   新的活力  

摘要： 随着教育理念的不断更新,主题式学习在高中地理学习中逐渐成为一种备受推崇的方法。在培养学生核心素养的背景下,主题式学习为地理学习注入了新的活力,不仅有助于培养学生的核心素养,还可以使地理课程更具实践性和趣味性,为学生未来的学习打下坚实的基础。下面介绍一些高中地理主题式学习的方法。

关键词： 深度强化学习   多智能体系统   多智能体协作   协作建模   对比学习  

摘要： 在多智能体协作领域,强化学习算法通过共享智能体的局部信息来实现智能体间的协作.但共享协作机制极易引发过度协作问题,导致智能体忽视自身局部观测信息,丧失策略多样性,最终陷入低效协作的困境.为了解决该问题,本文提出基于双视角建模的多智能体协作强化学习方法(Bi-View Modeling Collaborative Multi-Agent Reinforcement Learning,简称BVM-CMARL).该方法从局部和全局两个视角对智能体进行建模,分别用于产生多样性的策略和激励协作.在局部视角最大化局部变分与自身轨迹的互信息,激励智能体的策略多样性;同时在全局视角最大化全局变分与其他智能体动作的互信息,提高智能体协作水平.最后将局部变分训练出的局部Q值与全局变分训练出的全局Q值合并,避免低效协作.将BVM-CMARL算法应用于星际争霸多智能体挑战赛(StarCraft Multi-Agent Challenge,SMAC)中的等级觅食(Level-Based Foraging,LBF)和走廊(Hallway)等环境,与QMIX、QPLEX、RODE、EOI和MAVEN等5种目前优秀的强化学习算法相比,BVM-CMARL算法具有更好的稳定性和性能表现,在SMAC上的平均胜率为82.81%,比次优算法RODE高13.42%.通过设计模型变体,在消融实验中证明了双视角建模对BVM-CMARL的必要性.

关键词： 电阻抗层析成像   卷积注意力机制   SE-ViT连接   多头交叉注意力模块   U型卷积网络   无损测量  

摘要： 电阻抗层析成像(EIT)具有显著的可视化和非侵入性等特点,在工业和生物医学工程领域展现了其广阔的应用潜力。由于其逆问题存在高度非线性和病态性特点,导致了数值成像方法在空间分辨率上的局限性,尤其是在多相介质分布情况下,现有EIT技术在成像过程中出现边界失真和电导率误差,从而影响最终的成像精度。本文提出了一种基于卷积注意力机制的U型深度成像方法——MAT-UNet,将卷积块注意力模块(CBAM)与U-Net结构相结合,在特征提取与融合过程中嵌入卷积块注意力模块,以增强模型的注意力定向和特征表征能力,同时跳跃连接引入了压缩-激励(SE)注意力机制与视觉Transformer(ViT)来优化全局特征的学习,使用多头交叉注意力模块(MHCA)实现编码器与解码器的多尺度信息融合。MAT-UNet通过大量的仿真数据训练获得最优模型参数,并在多样化复杂形状和肺部仿真模型进行了实验验证。定量评估指标表明,该方法在重建图像中的均方根误差(RMSE)结果为2.3156,结构相似性指数(SSIM)结果为0.9437,可视化结果与真实分布和边界具有很好的一致性。实验结果表明,本文提出的MAT-UNet模型展现出良好的鲁棒性和泛化能力,相较于传统的单一卷积结构,集成Transformer结构提供了更精准的EIT图像重建效果,在无损测量与检测应用中存在很大的潜力和价值。

关键词： 行政行为   新概念   综合行政行为   单一行政行为  

摘要： 我国行政法中“行政行为”概念因受德国行政法“行政处分”影响,长期被限定为单一行政行为,如行政命令、行政许可、行政给付、行政处罚、行政强制措施、行政强制执行、行政裁决、行政征收、行政征用等等。这几十种行政行为不仅与行政诉讼的案由和裁判相衔接,部分还与行政立法相对应。这种“一对一”的理论和制度模式虽为学习和实施行政法带来了便利,但其忽视了综合行政行为的存在。综合行政行为是指一个或多个行政机关围绕同一个行政目的,针对特定公民、法人或者其他组织,先后紧跟作出的数个或数十个行政行为,这些行政行为之间相互紧密关联、不可分离。其往往出现在征收补偿、强制性行政接管、金融监管限制措施和政策性关停企业等过程中。综合行政行为是单一行政行为的一种例外和补充。从理论上确立“综合行政行为”新概念,并建构有关配套制度,有助于促进行政行为理论的完善和成熟,加强行政复议和行政诉讼对相对人权益的保护,减轻相对人的诉累,节省权利救济成本,特别是司法资源,提高实质化解行政争议的效率。

关键词： 故事教学法   小学英语教学   学习兴趣   学习方法  

摘要： 故事教学法是通过故事教学来完成教学和实现教学目标的一种教学方法。在英语学习中,学生会有难以接受、没有学习兴趣和有效的学习方法等问题,实际应用困难。但由于低年级学生的思维还处于具体思维向抽象思维发展的阶段,他们往往好奇心强,喜欢听故事。文章探究小学英语教学与中国故事融合的策略,在小学英语教学中渗透中国故事,引导学生在情景中掌握知识,解决其好奇心不强、兴趣不浓、求知欲低及英语语感素养不高等问题,以此提高学生的英语学习效率。