关键词： 演示学习   轨迹模仿学习   任务策略学习   动态运动基元   运动基元库  

摘要： 为解决机器人演示学习过程中演示数据优化、动作与任务策略的存储调用问题,提出一种利用基元库思想的演示学习方法。动作学习采用专家拖动机械臂执行动作获取演示数据,利用高斯混合模型与高斯混合回归提升数据质量,由动态运动基元算法转换为基函数的权重值。策略学习将任务步骤创建为动作基元,向基元内添加得到的权重值并构建包含任务执行策略的基元名片,由基元组成基元库完成存储。执行任务时从基元库中有序调用基元,利用YOLOv5目标检测网络和AlexNet图像分类网络检测目标信息,匹配动作并泛化出具有原动作特征的新动作。该方法实现了从演示中学习动作与策略存储,根据实际目标组合合适动作完成任务。钢筋绑扎实验创建5个动作基元,通过专家演示学习10个动作,机器人利用动作基元库成功完成水平面与竖直面钢筋交叉点绑扎任务说明其有效性。

关键词： 知识关系   黄金分割   关联   学习  

摘要： 以“探索黄金分割比”为例,从学习机制、学习过程、学习目标三个方面探索如何在具体课程中加强知识关系建构教学.

关键词： COVID-19   LSTM   泊松回归模型   积分嵌套拉普拉斯近似(INLA)  

摘要： 2022年春季在上海爆发的新冠肺炎疫情对上海的社会、经济和居民的日常生活造成了严重影响.新冠肺炎的传播通常表现出复杂的非线性动力学,受环境、人口统计、医疗条件、核酸或抗原检测频率、流行病控制策略等影响.具有复杂网络结构和广泛训练的长短期记忆(LSTM)模型被广泛用于学习和预测流行病的传播.然而,这种模型既没有解释数据的不确定性,也没有考虑各种协变量和异质性的影响.因此,本文提出了一个两阶段LSTM嵌套广义泊松回归模型来分析2022年春季上海爆发的新冠肺炎疫情数据.在第一阶段,训练一个多层LSTM网络来学习特定地区的感染数据,然后使用训练好的LSTM来拟合和预测有症状的新冠肺炎感染人数.在第二阶段,在分层贝叶斯框架下通过广义泊松回归模型对预测的病例数进行建模,其中相对风险的对数用带有协变量和时空异质性的随机效应的线性函数来建模.在深度学习方法的帮助下,时空广义泊松回归模型可以预测和量化每日新增症状感染数量的不确定性.此外,得益于从协变量和时空异质性的借力,基于贝叶斯深度学习方法的预测比基于LSTM方法的预测性能更好.

关键词： 剩余使用寿命   涡扇发动机   深度学习   增量学习  

摘要： 机械剩余使用寿命预测模型依据设备状态监测数据样本进行寿命预测,当样本模式发生变化时,基于原模式样本训练好的模型在新模式样本上的预测表现往往较差。为使模型保留对原模式样本的处理能力,同时拓展出针对新模式样本的处理能力,提出了3种增量学习方法:第一种方法使用新模式样本与原模式样本的标签值构建损失函数;第二种方法在第一种方法基础上增加了模型参数初始化步骤;第三种方法在第一种方法的损失函数中增加了表示当前模型与原模型参数分布差异的正则化项。在涡扇发动机数据集上进行了不同学习方法的对比实验,结果表明所提方法实现了增量学习的目标,其中第三种方法在模型预测准确度和模型训练时长两方面取得了最优的综合表现。

关键词： 自动化行政裁量   不确定法律概念   价值判断   重力公式  

摘要： 近年来,在相关政策指引下,各领域的自动化行政裁量系统相继建成并投入使用,相关理论的研究也受到了学界广泛关注。其中,自动化行政裁量与不确定法律概念的关系廓清问题成为亟待解决的前沿基础议题。研究表明,依据科赫的“三分法”理论,针对经验性与倾向性概念,可交由自动化工具经深度学习后自主产出可供参考的结论。针对价值性概念,可进一步借助价值判断的方法得出结论。具体而言,以作为法律原则权衡法则的重力公式为蓝图,建构利用自动化工具从事价值判断的规范化运行规则和有效机制,从而发挥工具理性的先天优势,将比例原则的适用贯穿全程,借此提升价值判断与不确定法律概念具体化结论的“客观性”,避免行政机关陷入“怠惰裁量”与“恣意裁量”的泥淖。

关键词： 全面从严治党   党的十八大以来   纪律意识   纪律建设   党纪   敬畏之心   自我革命   突出位置  

摘要： 在增强纪律意识、养成敬畏之心上,着眼于“常”“长”党的十八大以来,把纪律建设摆在更加突出位置是贯穿全面从严治党的一条红线。在二十届中央纪委三次全会上,习近平总书记总结了全面从严治党的新进展、新成效,深刻阐述党的自我革命的重要思想。中央决定自2024年4月至7月在全党开展党纪学习教育,正逢其时、意义重大。

关键词： 铀矿测井   岩性识别   深度学习   量化分析  

摘要： 采用机器学习方法进行自动岩性识别是当下的研究热点,神经网络作为具有代表性的机器学习方法,具有非线性建模能力强、结构灵活以及泛化性强等优点,目前已初步应用于岩性识别问题中。当下神经网络方法在测井岩性解释上的限制因素主要在于数据类别不均衡问题难以解决以及现有模型的可解释性较差。文章讨论了深度神经网络模型在纳岭沟地区铀矿测井解释的岩性分类问题上的应用,通过采用不同结构的模型缓解了类别不均衡对分类结果的影响,并着重分析了模型的层次结构和训练过程,更全面地解释了模型的内在机制和决策逻辑。结果显示,长短时记忆网络能在保持较高训练效率的同时获得高于80%的识别精度,8层全连接网络能达到90%以上的精度,但是需要的计算资源较大,训练时间较久。以上模型可应用于不同环境和需求。文章为深度学习方法在岩性识别问题上的应用提供了有益的见解和经验,具有一定参考价值。

关键词： 材料数据库   机器学习   深度神经网络   逆向设计   数据驱动   材料计算   集成模型   光电性质  

摘要： 高通量计算与材料数据库推动了数据驱动的机器学习方法的发展.机器学习已经成为材料计算研究的重要方法,在分析材料数据、加速材料计算、预测材料性质、推进新材料发现、筛选和设计等方面展现出极大的潜力.众多与材料计算相交叉的机器学习方法、模型以及框架不断涌现.本文综述了近年来光电半导体材料计算设计领域内机器学习方法的最新进展与应用.介绍了机器学习的流程与类型,基于不同材料表示方法的浅层模型、集成模型和深度神经网络,以及相关材料数据库和相关工具.我们还讨论了这些模型在预测材料稳定性与光电性质、材料逆向设计、构建材料构效关系等方面的应用.最后,本文对目前机器学习方法存在的机遇与挑战,即数据数量与质量、材料的表示、材料逆向设计做了进一步总结与讨论.

关键词： 多智能体   强化学习   部分观测   策略迁移   集中式训练与分散式执行  

摘要： 针对多智能体强化学习算法在部分可观测条件下难以形成有效协同策略的问题,基于集中式训练与分散式执行范式(CTDE)提出一种策略迁移强化学习方法。该方法在全局观测下训练可以探索到良好协同策略的教师模块,在部分可观测条件下,学生模块依据最大化累计回报的期望为目标函数在线训练的同时,利用策略蒸馏技术从教师模块进行策略迁移,并自适应调整教师策略对学生策略的影响比重。在多个地图场景中对所提出的方法进行仿真验证,实验结果表明部分可观测条件下学生模块的胜率高于所对比的基线算法的胜率。研究成果可以应用于多智能体合作任务,提升智能体在分散式执行时的协同性能。

关键词： 护理   深度学习   高阶思维   核心素养   课程   教学设计  

摘要： 深度学习是相对于机械的浅层学习而言的,更强调学习的深入思考、信息整合、主动建构、问题解决、情境迁移。护理学教指委专家在多校护理专业认证考察过程的“听课看课”环节发现,护理专业课程教学普遍存在浅尝辄止、浮于表面、学生学习缺乏深入思考和探究这一现象。基于此,文章在明确深度学习内涵的基础上,分析了深度学习在金课建设、护理教师专业发展、护生核心素养提升方面的意义,并以深度学习路线、建构主义学习观为指导,构建了适合护理课程特点的深度学习教学设计框架和主要内容。