关键词： 机器学习   多源数据   玉米   SPAD   无人机  

摘要： 为实现玉米精准施肥管理,准确识别其叶绿素含量具有重要意义。叶片叶绿素相对含量(soil and plant analyzer development,SPAD)值是叶绿素含量的重要指示参数,已有研究多采用单一数据源,结合单一机器学习方法来对其反演。为提高SPAD反演精度,本研究探讨耦合多源无人机遥感影像与多种机器学习方法来开展SPAD值反演的可行性,并将其与已有方法进行比较。基于不同有机肥、无机肥、秸秆还田以及种植密度处理的玉米田间试验,获取玉米四叶期和九叶期的无人机多光谱影像和RGB(red-green-blue)影像,并同步测量了叶片SPAD数据。基于多尺度分析的方法,将RGB影像与多光谱影像进行融合,生成既具有高空间分辨率又具有多光谱的融合影像。此外,基于集成学习思想,选择BP-人工神经网络法(back propagation-artificial neural network,BP-ANN)、支持向量机法(support vector machine,SVM)、广义加性模型法(generalized additive model,GAM)、随机森林法(random forest,RF)等不同类型机器学习模型,构建集成学习模型(ensemble learning method,ELM)。基于以上数据源和模型,设计不同数据源和不同机器学习模型的耦合情景。将数据集分为建模数据集和验证数据集,基于建模数据集构建每种情景下的SPAD反演模型,然后基于验证数据集进行模型验证,对比分析确定最优SPAD反演模型与数据源。相对于单源数据,多源数据通过融合多光谱影像的光谱信息和RGB影像的纹理信息,提高了SPAD反演的精度。此外,相对于单一机器学习方法,基于集成学习思想耦合多种机器学习方法可以提高SPAD的反演精度。在所有情景中,基于ELM方法和融合影像的SPAD模型精度最高,其建模R_(cal)^(2)为0.83、RMSEcal为1.93,验证R_(val)^(2)为0.80、RMSEval为2.07;其他情景下,各模型的建模R_(cal)^(2)在0.64~0.88之间,RMSEcal在1.63~2.84之间;验证R_(val)^(2)在0.60~0.78之间,RMSEval在2.18~3.01之间。本研究证明了在反演玉米SPAD时,最优策略是使用多源数据和集成学习模型,为进一步的精准氮肥管理提供了技术支撑。

关键词： 人工智能   STEAM   智能评估   幼儿教育  

摘要： STEAM教育作为备受重视的学科教育模式,在幼儿教育领域具有重要意义,对不同类型幼儿其STEAM课程的数字内容侧重点不同。因此,文章对STEAM课程内容的设置策略进行研究。首先,本研究通过日常观察和调查问卷的形式,对幼儿自身状况与家庭状况进行全方面的数据提取。然后运用德尔菲法对不同情况下幼儿在STEAM教育中应注重的方向进行整合。最后,通过机器学习中的随机森林算法自主学习幼儿状况数据与专家给出的课程设置意见,从而建立了幼儿状况与STEAM课程设置之间的耦合映射模型。实验表明,映射模型的预测精度为93.3%,且模型输出的各因素贡献度表明,幼儿家庭成员的受教育程度是影响幼儿STEAM课程设置的最重要因素。

关键词： 初中语文教材   阅读综合实践   语用   学习功能  

摘要： 修订版统编初中语文教材阅读单元增设的“阅读综合实践”板块,着眼于语文课程学习的目标导向和效果导向,通过整合教材单元学习重点,设置基于真实语用情境的体验性、探究性综合实践任务,加强阅读活动与写作活动的互助相关,拓展、深化语感体验的阈限,以语用素养带动思维、审美、文化素养的综合协调发展。阅读综合实践任务具有提升自主探索实践能力、凸显实践活动体验性、建构师生学习共同体、展示并检测学习结果的学习功能,具体教学可依据学习功能和学情需要自主选择、灵活调整。

关键词： 二氧化碳浓度   机器学习   黄土高原   环境因子  

摘要： 二氧化碳（CO2）是主要的温室气体之一，空气中二氧化碳浓度的变化受到多种因素的影响。现在能连续观测地面空气二氧化碳浓度的站点依旧较少，但是常规气象数据容易观测，在给定地点如何用常规气象数据模拟地面空气二氧化碳浓度依旧缺乏研究。基于陕西省淳化县的和家山小流域的实测气象数据和二氧化碳浓度数据，分别采用不同位置的地面空气二氧化碳浓度或环境因子的组合驱动MLP、LSTM、Bi-LSTM和RF模型，评价了机器学习方法在黄土高原沟壑区典型站点模拟日尺度地面空气二氧化碳浓度的潜力。研究结果表明，无论是以同类型观测数据作为输入还是以环境因子的组合作为输入，4种机器学习模型都可以较好的模拟地面空气二氧化碳浓度的整体变化过程，且都可以用于插补数据。以其他点位实测二氧化碳浓度作为输入时，MLP模拟2号点的浓度C2精度最高，在测试集的误差仅为3.8%；以环境因子作为输入时，RF模拟2号点的浓度C2精度最高，在测试集的误差为6.3%。但是以环境因子作为输入时无法模拟出二氧化碳浓度剧烈的日变化过程。为了进行数据插补，以同类型的观测数据作为输入用于插补数据的效果更好，它可以较好地模拟出地面空气二氧化碳浓度的日变化过程。

关键词： 废玻璃粉混凝土   抗压强度   机器学习   粒子群优化算法   可视化  

摘要： 废玻璃粉混凝土（WGPC）的应用和推广能够有效缓解混凝土材料短缺的压力以及环境污染的问题。抗压强度（CS）是评价废玻璃粉混凝土性能的重要指标，与传统的测试方法相比，机器学习技术基于准确性和稳定性的特点，能够有效预测混凝土的抗压强度，尤其是在探究混凝土长期力学性能方面优势显著。本研究利用多元线性回归（MLR）、反向传播神经网络（BPNN）、支持向量机回归（SVR）和随机森林回归（RFR）4种模型对废玻璃粉混凝土的抗压强度进行预测，并结合粒子群优化算法和交叉验证的方法调整模型的参数设置，以达到模型预测的最佳效果。结果表明，优化后的模型精度普遍比基础模型高，其中PSO-RFR模型在测试集上表现最佳，拟合优度R2=0.9231，MAE=2.1073，RMSE=3.6903，与试验结果对比，PSO-RFR模型和PSO-BPNN模型展现出良好的预测效果，且PSO-BPNN模型中训练集和测试集的拟合优度R2最为接近，体现了PSO-BPNN模型对未知数据的最佳泛化能力。本研究为混凝土抗压强度预测提供了有效方法，有助于推动混凝土材料领域的可持续发展，为混凝土材料的研发和应用提供理论支持。

关键词： 离散元模型   月壤采样   模拟月壤   集成学习模型  

摘要： 针对月壤中临界尺度月壤颗粒对钻探过程中的影响，提出了一种基于集成学习算法的临界尺度月壤颗粒参数辨识模型。使用离散元仿真软件（Discrete Element Method,DEM）进行建模分析，通过中央复合试验设计（Central Composite Design,CCD）构建多种工况，获得不同条件下月壤钻具的负载特性。以临界尺度月壤颗粒大小与偏置位置为核心变量，采集钻进过程中钻扭矩的信息，并提取关键特征值，在此基础上，首次引入集成学习算法用于临界尺度月壤颗粒参数辨识，构建了同时识别颗粒大小与偏置位置的双变量模型，试验结果表明：该模型在颗粒位置预测方面表现优异，其均方误差MSE达到0，预测精度极高；而在颗粒尺寸识别方面也具有良好性能，MSE为1.61。该模型有效解决了“颗粒尺寸与位置不可直接观测”情况下的参数辨识难题，研究结果可为无人钻探取样的辨识模型技术建立提供参考。

关键词： 智能决策   多飞行器智能协同控制   分层决策   强化学习  

摘要： 针对飞行器智能协同控制中规模大、环境复杂及资源受限导致的建模与协同难题，以提高决策算法效率为目标，构建了多智能体分层决策架构，提出了智能协同控制方法。首先，将飞行器作为智能体构建协同控制模型；其次，采用部分可观测马尔可夫决策过程模型解决观测信息不全问题；然后，针对博弈环境多变和学习成本问题，提出基于集中训练分布执行的分层双时延策略梯度强化学习方法，融合有模型（Model-based）与无模型（Model-free）机制高效利用现有博弈环境的演化模型。最后，在分层决策框架下，进行典型多飞行器博弈及千次多场景的仿真验证。结果表明，新方法有效解决多飞行器协同控制问题，相较于多智能体强化学习算法MAPPO和QMIX，训练时间减小51.03%以上，算法效率（累积回报）提升37.51%以上，规避机动成功率提高了17.63%以上。

关键词： 图神经网络   图提示学习   异构图   同质性   元路径  

摘要： 图神经网络在多个不同领域展现出巨大潜力，然而传统的图神经网络方法通常依赖大量标注数据进行训练，而在实际应用中，标注大量数据往往代价高昂且费时费力。近年来，提示学习作为一种新兴的预训练模型范式，在Few-shot、Zero-shot等低资源场景中表现出色。图提示学习是一种新颖的图预训练和提示框架，能够通过少量标注数据实现图数据的多任务处理，有效弥合预训练任务与下游任务之间的差距。然而，现有图提示学习方法在处理异构图时，忽视了图数据复杂的内在结构，特别是未能充分挖掘异构图中蕴含的同质性特征。为了解决该问题，本文提出了一种同质性增强的异构图提示学习方法，旨在提升图神经网络在异构图中的表现。具体而言，设计了基于元路径的同质子图提取方法，并结合同质性软聚类技术，有效捕捉节点间的节点相似性关系，从而优化图提示效果。实验结果表明，所提出的方法在多个基准数据集上优于现有技术，表现出更强的性能和效果。

关键词： AF2   提示词工程   多构象采样   动力系统控制   同源序列扰动  

摘要： AlphaFold2作为首个达到实验精度的深度学习蛋白质结构预测模型,已成为结构生物学领域的核心工具.与此同时,由此衍生的深度学习方法在蛋白质构象系综的高效采样及蛋白序列设计、配体扩散生成等一系列从蛋白质结构出发的下游结构生物学方向中也取得了长足进步.在多构象采样方面,传统分子动力学和蒙特卡罗方法因计算成本和采样效率限制,难以在较大体系中广泛应用,现有生成式深度学习方法能快速得到蛋白质多构象结构,但难以加入适当约束以控制构象采样的范围.此外,蛋白质初始结构的鲁棒性对基于蛋白质结构的下游模型表现和分子动力学模拟的效率至关重要,但传统的蛋白质结构修复工具在修复蛋白结构缺失区域方面效果有限.针对这些挑战,本研究提出FoldCopilot套件,基于AlphaFold2将目标序列和多序列比对结果作为Evoformer模块的提示词输入,结合同源序列扰动机制,无需重新训练即可生成多样化的局部构象.此外, FoldCopilot利用模板与结构初始化帧,通过结构预测模块的迭代过程实现了对模型生成结构的演化与控制.实验结果表明,该方法在蛋白质结构修复和局部多构象生成等任务中表现出色,为蛋白质-分子相互作用预测和结构建模提供了新的思路,并为后续的分子动力学模拟和生物学研究提供了强有力的支持.

关键词： 结构可靠性   主动学习   多保真Kriging模型   保真度选择策略  

摘要： 多保真模型在工程实践中已广泛应用，但在结构可靠性分析领域，由于缺乏高效的主动学习策略来确定多保真建模过程中样本点的更新位置与空间位置，限制了其在可靠性分析中的应用。为此，提出了一种基于多保真Kriging模型与主动学习的结构可靠性分析方法，该方法通过三阶段选择确定每次迭代过程中样本点的更新位置与空间位置。第一阶段通过集成多种学习函数确定最优样本点集合；第二阶段通过所提出的BES方法（Beneficial Effect Strategy）确定样本点的更新位置；第三阶段运用Bootstrap自举抽样法从最优样本点集合中确定样本点的空间位置。通过两个数值算例与一个工程实际算例证明了该方法的有效性与高效性。与目前先进的多保真结构可靠性方法相比，当模型的保真度较低时，能有效的避免计算失败，说明了该方法的先进性与较好的适用性。