基于简化内波方程的光学隐蔽深度模型建立与分析

非均匀海水条件下,光学隐蔽深度模型(OCD_LAYER)建立在海水按照垂直线上分割成光学特性近似的相似层的基础之上,为了研究海洋内波条件下OCD_LAYER模型的适用性,根据对比度和两层流体内孤立波KDV方程,通过构造内波垂向结构,计算出位移均方根最大层为内波简化两层界面,并依此建立内波简化模型条件下光学隐蔽深度模型(OCD_KDV)。计算并分析了水下航行体表面反射比、海水衰减系数、观察天顶角、空气消光系数变化对内波简化模型条件下光学隐蔽深度模型的影响。结果表明,在最高探测概率下,特征尺度为36m的水下航行体光学隐蔽深度在深远海海水中数值为36.79m;在近海海水中数值为22.08m;在沿岸海水中数值为11.04m。实验结果为水下航行体光学隐蔽性提供了重要理论参考。

可为与何为:知识深度模型助推数学大单元教学的功能诠释与实施策略

知识深度模型作为素养导向下义务教育阶段数学大单元教学的重要参照,可以促使教学目标的系统化、助推教学内容的统整化、凸显教学历程的进阶化及有助于实现“教—学—评”的一致化。基于知识深度模型实施数学大单元教学,需紧扣数学学科核心素养,系统设计数学大单元教学整体目标,统摄课时目标搭建进阶学习通路;聚焦深度学习,以大任务、问题或项目整体统合教学内容结构,以知识深度模型不同学习水平层次突出内容的有序性;基于课前、课中、课后三阶段促成进阶学习,优化数学大单元教学流程;对应三阶段开展持续性评价,实现“教—学—评”的一致性,从而有效促进学生数学核心素养的发展。

知识深度模型视角下初中数学项目化学习的设计探析——以“七彩滑道设计中的数学”为例

初中数学项目化学习倡导以成果为导向,以活动为载体,采用问题驱动的方式,探究数学知识,最终指向学生综合应用能力的培养与学科核心素养的发展.知识深度模型依据认知复杂程度,将学生的学习活动划分为回忆/复述、技能/概念、策略性思维、拓展性思维4个层级.文章通过解析知识深度模型与项目化学习之间的内在关系,在知识深度模型视角下建构项目活动设计流程,并围绕“解直角三角形”章节,以“七彩滑道设计中的数学”为例,开发初中数学项目化学习案例.

基于飞行员疲劳状态监测的脑认知深度模型设计

为了更好地分析与识别飞行员的疲劳状态,促进对飞行员飞行状态的及时监测与处理,构建了针对飞行员疲劳状态的彩色脑功率图和脑功率图深度网络模型,并设计了卷积神经网络参数优化方法,收集飞行员疲劳状态的相关数据。脑功率图深度网络模型具有较强的分类识别能力,与基于脑电信号的疲劳检测深度模型相对比,疲劳状态认知准确度提升了3%~5%,由此精准检测出飞行员的飞行状态,促使飞行员及时调节自身状态,缓解疲劳现象,顺利完成飞行任务。

视觉深度模型炼知技术

随着深度学习在计算机视觉领域的广泛应用,人们针对不同的计算机视觉任务训练积累了大量的深度模型,如何对这些视觉深度模型进行按需定制、灵活可配的深度重组,从而降低标注、训练、部署、运维成本,成为一个亟待解决的问题。针对视觉深度模型任务多样、类型繁多、结构各异、数量庞大等特点,视觉深度模型炼知技术以面向灵活可配的视觉深度模型重组研究为主线,按照由易而难,由特殊到一般的研究思路,对视觉深度模型重组相关的同构模型深度重组、异构模型深度重组、深度模型可重组度量,以及视觉深度模型重组图谱等关键技术展开研究。该技术将为低成本视觉深度模型定制、数据隐私与安全、深度学习平民化,以及基于深度模型的知识分享与交易等应用提供算法基础和实现支持,具有重要的理论价值和应用价值。

基于深度模型迁移的细粒度图像分类方法

针对细粒度图像分类方法中存在模型复杂度较高、难以利用较深模型等问题,提出深度模型迁移(DMT)分类方法。首先,在粗粒度图像数据集上进行深度模型预训练;然后,使用细粒度图像数据集对预训练模型logits层进行不确切监督学习,使其特征分布向新数据集特征分布方向迁移;最后,将迁移模型导出,在对应的测试集上进行测试。实验结果表明,在STANFORD DOGS、CUB-200-2011、OXFORD FLOWER-102细粒度图像数据集上,DMT分类方法的分类准确率分别达到72.23%、73.33%和96.27%,验证了深度模型迁移方法在细粒度图像分类领域的有效性。

融合结构推理的深度模型输电线路金具及其缺陷检测

准确的实现金具及其缺陷的自动化巡检是保证输电线路正常运行的一项重要任务。为了缓解现有各种金具及其缺陷检测方法缺乏上下文信息,导致误检、重检的问题,提出一种基于上下文结构推理的输电线路金具及其缺陷检测方法,在检测模型输出检测结果后加入结构知识,以提高模型的准确率。首先将图片输入到目标检测模型中;之后把检测模型输出的结果送入结构推理模块:将检测结果映射到序列X中,形成一个向量,包括检测框类别、bbox坐标和检测置信度,然后将向量送入双向门控循环单元和自注意力中进行处理,利用输电线路金具及其缺陷的结构知识,提高正确正样本的置信度、降低错误正样本的置信度,最后通过回归器得出最终的输出结果,来达到提高平均精确度的目的。实验结果表明:在加入结构推理模块之后,基线模型的P值均有提高,其中P_(50)相较于基线模型最高提升了6%,为提高输电线路金具及其缺陷检测精度提供了新的思路。

面向核心素养发展的课堂深度学习设计与实践——基于知识深度模型的视角

文章基于知识深度模型,对促进课堂深度学习进行了设计:围绕核心素养目标,设计思维层次不同的学习问题,创设探究、体验、表达与交流的学习活动,实施一致性教学测评,并以"递归算法的实现"内容为例进行了教学实践。研究结果表明,基于知识深度模型的课堂教学实践是实现课堂从浅层学习走向深度教学的一种研究路径。该模型能促进学生的综合认知理解、知识迁移应用,有利于问题解决能力、反思能力、创新创造能力的培养,是促进学生深度学习、培养学生深度学习能力的一个行之有效的教学与评价工具。

一种深度模型行人检测方法

提出一种新的深度模型,通过多个阶段的后向传播来联合训练多阶段分类器实现行人检测。该模型可将分类器的得分图输出存储在局部区域中,并将其作为上下文信息来支持下一阶段的决策。通过设计具体的训练策略,深度模型可对硬性样本进行挖掘来分阶段训练网络,进而模拟串联分类器。此外,每个分类器可在不同的难度水平上处理样本,并通过无监督预训练和专门安排的各阶段有监督训练来对优化问题正规化,提高了行人检测的可靠性。理论分析表明该训练策略有助于避免过拟合。基于3个数据集(Caltech,ETH和TUD-Brussels)的实验结果也验证了该方法优于当前其他最新算法。

基于超声图像迁移学习深度模型定量评价胎儿肺发育成熟度的研究

目的探讨基于四腔心切面的超声图像迁移学习深度模型定量评价胎儿肺发育成熟度的可行性。方法选取在我院行常规产前超声检查的单胎孕妇316例,使用超声成像系统采集胎龄24周至出生前的胎儿心脏四腔心切面图像。假设胎儿肺发育成熟度与胎龄成正比,采用两阶段的迁移学习方法建立一种深度模型。第一阶段,该模型对超声图像中胎儿肺区域的识别进行学习;第二阶段,预训练的深度模型经过训练可以从超声图像上胎儿肺区域准确估算胎龄。结果 316例孕妇中,前166例用于迁移学习第一阶段的模型训练,后150例用于独立测试。建立的深度模型在胎龄估算上的测试结果与真实值相比的不精确度为(1.43±0.21)周,其与胎龄真实值的相关系数为0.773(95%可信区间0.6893~0.8314,P<0.05)。经过迁移学习后,深度模型对胎龄>30~36周和胎龄>36周者估算结果与传统方法估算结果的不精确度比较差异均有统计学意义(均P<0.05)。结论本研究初步验证了超声图像中胎儿肺纹理信息可以反映其肺发育成熟度。胎儿肺发育成熟度可由深度模型的输出表示,该输出则由估计的胎龄表示。

基于改进的堆叠降噪自动编码器深度模型的转子-转轴系统故障诊断方法

旋转机械转子-转轴系统故障诊断方法中大多采用传统浅层模型,对于数量较大的样本其处理能力有限。为解决此问题,提出一种利用改进的堆叠降噪自动编码器(SDAE)深度模型的故障诊断方法,并对转子-转轴系统的典型故障进行诊断。利用某机械故障综合模拟实验台,结合基于LabVIEW开发的信号采集系统模拟并采集转子-转轴系统的10类单一故障和7类复合故障振动信号。在训练SDAE模型时引入Dropout机制对模型进行改进,并结合Softmax分类器进行网络训练与诊断。与传统BP网络、自动编码器(AE)、无Dropout机制的SDAE和卷积神经网络(CNN)进行对比,结果表明:改进的SDAE方法对于转子-转轴系统故障的正确识别率最高,特别是对复合故障的诊断效果比其他模型更理想,充分验证了改进的SDAE深度模型的优越性。

深度模型水印

深度神经网络模型凝结了设计者的智慧,需要消耗大量数据和计算资源,是人工智能技术的重要产出物,已被广泛应用于生产和生活当中。然而,作为一种数字产品,如何保护深度神经网络模型免于被非法复制、分发或滥用(即知识产权保护)是人工智能产业化进程中必须面临和解决的难题。文章主要介绍基于数字水印的深度模型产权保护技术,通过总结深度模型水印的发展现状,对深度模型水印的研究趋势进行展望。

基于问题分类和深度模型的答案选择算法

为解决问答系统中问答句之间语义信息交互较少的问题,增强模型对问题分类信息的应用,提出一种将问题分类和预训练模型BERT相结合的答案选择模型。通过问题分类获取问句的期望答案类型,根据问句的期望答案类型遮蔽候选答案句中无关的单词,利用BERT模型更深层次的融合问题句和答案句中句法和语义特征,计算问答对的语义相似度。实验结果表明,采用融合问题分类信息的答案选择模型,在TrecQA Clean和WikiQA数据集上的MAP和MRR指标都有明显提升。

基于变分模态分解与集成深度模型的锂电池剩余寿命预测方法

锂电池剩余寿命(RUL)预测对于锂电池安全使用至关重要。由于锂电池使用过程中存在容量再生现象和随机干扰等因素,导致单一尺度信号下单一模型的预测精度及泛化性能较差。针对上述问题,提出一种新的基于变分模态分解(VMD)与集成深度模型的锂电池剩余寿命预测方法。首先,采用变分模态分解将锂电池容量数据进行多尺度分解,得到信号的全局退化趋势和局部随机波动分量;然后,分别采用多层感知机(MLP)和长短期记忆神经网络(LSTM)对全局退化趋势和各波动分量进行建模;最后,将各个分量子模型的预测结果进行集成,获得最终的锂电池剩余寿命预测结果。实验结果表明,该方法具有较高的预测精度与稳定性。

基于土壤数据广度与深度模型的作物推荐算法

针对现有数值型作物推荐算法忽略了文本域数据对于作物推荐的指导性意义,无法挖掘数值域数据与文本域数据之间的内在关联,导致推荐模型预测精度较低的问题,提出了一种基于土壤数据广度与深度模型的作物推荐算法。对残缺、重复、不平衡的土壤数据进行数据预处理,采用数值归一化和向量嵌入的方法融合数值域数据与文本域数据,然后使用广度与深度模型联合训练的方法挖掘其内在关联,改进多分类激活函数实现多分类。实验结果表明:该方法的预测精度优于现有数值型作物推荐算法。

基于认知深度模型的STEM课程设计路径研究

进行高质量的STEM课程设计,是确保STEM教学实践有效性的关键。文章基于认知深度模型,针对STEM课程案例进行分析,挖掘不同年级STEM课程在设计思路、目标定位、主题内容、活动设计、成果输出等要素设计中所处的认知深度层级。文章指出,低年级(1、2年级)STEM课程设计强调学生通过感官体验以习得基本知识和技能,处于认知深度模型中的“回忆/重现”“技能/概念”层级;中年级(3、4年级)STEM课程设计强调引导学生的发现、探究、问题解决、方案设计,处于认知深度模型中的“策略性思维”层级;高年级(5年级及以上)STEM课程设计强调基于复杂问题的解决、产品原型及创新产品设计,处于认知深度模型中“拓展性思维”层级。面向不同年级STEM课程设计的路径分析将为一线教师提供了支撑和指引,即低年级STEM课程设计重在基于感官体验和动手实践形成初步认知、中年级STEM课程设计重在基于科学实验和协作探究寻求问题解决方案、高年级STEM课程设计重在基于科学探究和工程思维进行创新创造。

基于知识深度模型的学术型整本书阅读——以《乡土中国》为例

整本书阅读是新课标里的重要概念与教学内容,学术专著又是整本书阅读的重点、难点,在整本书阅读边界尚不清晰、阅读模式化且学理性不足、缺乏必要模型与理论支撑等情况下,尤其需要一定的理论指导。基于这样的想法,本文以《乡土中国》为例,借鉴知识深度模型这一理论,试图从一个特定视角为学术型整本书阅读提供一些可行的教学与评价思路,厘清问题,以期解决一线教学难题。

放射性碳年龄-深度模型及其在西沙北岛的应用

^14C定年是同位素定年体系的重要组成部分,也是研究晚第四纪气候环境演变的重要手段。文章选取我国西沙群岛北岛BD1沉积剖面为研究对象,测定了不同深度鸟骨样品的14C年龄;通过基于经典年龄-深度模型以及贝叶斯(Bayesian)统计学方法,构建了该沉积剖面的7种年龄-深度模型,并对这7种常用的^14C年龄-深度模型进行了对比,分析了不同年代学模型的优缺点。通过对比发现,基于Bayesian方法的Bacon程序得到的年龄-深度模型曲线单调、平滑,较为适合用于构建西沙群岛北岛BD1沉积剖面的年代学模型。

基于宽度和深度模型以及残差网络的综合能源负荷短期预测

针对用户级综合能源系统负荷波动大,能源耦合复杂的特点,提出一种基于深度和宽度模型(Wide&Deep)和残差网络(ResNet)框架并且采用完整集成经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)和主成分分析(Principal Components Analysis,PCA)的综合能源系统联合负荷预测方法。所提模型由宽度和深度两部分组成:深度部分参考ResNet拟合残差映射的思想将多个长短期神经网络(Long Short-Term Memory,LSTM)子层堆叠构建深度预测网络,深度部分数据在输入前采用CEEMDAN进行分解,并利用主成分分析对分解结果进行主要影响因素提取和排序,并通过对数据的梯级输入实现对不同信息密度数据的梯级利用;宽度部分则采用简单模型并对传统Wide&Deep-LSTM模型的Wide部分输入进行改进,有效降低了模型的训练难度。通过实际算例分析可知所提模型具有良好的预测精度和收敛速度。与常规模型相比,所提模型具有一定优越性。

3D-HEVC深度模型模式楔形优化算法

3D视频编码采用了HEVC帧内预测和深度模型模式(DMM)技术来提高深度图像编码性能,但其中楔形分块模式给深度图的压缩带来了难以承受的复杂性。基于绝对变换误差(SATD)的方式获得图像纹理特征,提出了一种快速确定帧内预测楔形分块的优化算法,从而大大减化了计算复杂度,但在解码器端视图合成后BD-rate有较小的增加。