基于双注意力机制的成绩预测

为更好利用虚拟学习环境中的数据,提升学习者成绩和教师教学效果,准确预测学习者的成绩、确定重要影响因素以及确定合适的反馈时间点这三项工作非常重要.本文基于问题域的形式化描述,在明确研究对象特征和假设条件后,提出了一种集成了双注意力机制、门控循环单元(gated recurrent unit,GRU)与一维卷积神经网络(convolutional neural networks,CNN)的网络模型,并在两个公开数据集上进行实验验证.结果显示该模型可以有效实现上述三个核心功能,且在寻找合适的反馈时间时比目前主流方法更为快捷,结果更具普遍性.

两种粒径Fe_(79.7)Ni_(2.5)Si_(7.9)B_(9.8)非晶粉末的高频吸波性能

采用水雾化法制备了Fe79.7Ni2.5Si7.9B9.8非晶粉末,并通过筛分获得粒径不同的非晶合金粉末。研究不同粒径的非晶粉末在1~10 GHz频率范围内的介电性能和磁导率,同时计算不同粒径的非晶粉末的复合材料所对应的反射损耗。研究表明,粉末粒度以及试样厚度对非晶粉末材料的高频吸波性能有明显影响。

考虑多时间尺度特征的城市轨道交通短时客流量预测模型

针对目前城市轨道交通短时客流量预测模型在构建特征时容易忽略客流变化周期依赖性的不足,提出一种考虑多时间尺度特征的混合深度学习模型(GRU-Transformer),该模型由添加注意力机制的GRU(Gate Recurrent Unit)神经网络(Attention-GRU)和改进的Transformer(Conv-Transformer)两模块并行构成。首先,对周周期、日周期及相邻时段这3种时间尺度下的客流数据分别进行建模,并合并各周期数据作为模型输入。其次,搭建Attention-GRU和Conv-Transformer模块分别挖掘数据连续性与周期性特征,融合特征后输出预测值。最后,采集上海市地铁2号线两站点AFC(Automatic Fare Collection)客流数据,预测5 min时间粒度下的进出站客流量。为分析各模型参数对预测结果的影响,开展模型精细化调参实验,基于所得最优参数组合验证和评估模型。结果表明,相较于5个基线模型(BPNN(Back Propagation Neural Network)、CNN(Convolutional Neural Network)、GRU、CNN-GRU及Transformer)和4个GRU-Transformer消融模型,本文提出的GRU-Transformer模型预测精度最高,具有较好的实用性。

牛刀杀鸡,岂合道哉

《论语》有言:“子之武城,闻弦歌之声。夫子莞尔而笑,曰:‘割鸡焉用牛刀。’”杀鸡焉用牛刀,看似朴素的俗语,实则蕴含着深奥的道理。宰割庞大强壮的牛需要极锋利的刀刃,因此牛刀的制作也必须历经一遍遍地打磨,但杀鸡只需要普通的小刀具即可轻松解决。用牛刀杀鸡,是对资源的浪费,有违道矣。

NiCo/Cu多层纳米线的制备、表征以及磁化反转机制研究

采用电化学沉积在多孔氧化铝模板中制备了NiCo/Cu多层结构纳米线,并使用扫描电子显微镜(SEM)和透射电子显微镜(TEM)表征了纳米线的形貌和微观结构。透射电子显微镜的结果表明,通过控制阶梯电位时间,制备的铁磁层厚度为100nm,非铁磁层厚度为10nm。结合选区电子衍射技术(SAED)与X射线衍射分析技术(XRD),确定多层纳米线的晶格结构是面心立方(FCC)。在分析多层纳米阵列的微观结构之后,使用振动样品磁强计(VSM)测量磁滞回线。结果表明,随着Co含量的增加,多层纳米线的矫顽力升高。当多层纳米线中Co含量为10%和30%时,易磁化轴垂直于纳米线,当Co含量为70%和90%时,易磁化轴平行于纳米线。最后,对纳米线磁化翻转机制进行微磁学模拟分析得出,当外加磁场垂直于纳米线时,磁化反转机制是形核机制;当外加磁场平行于纳米线时,磁化反转机制是卷曲机制。

基于服务主导逻辑的PMBOK指南(第7版)解读及思考

PMBOK是由项目管理协会开发的项目管理标准与指南,是项目管理实践活动的重要依据。2021年8月发布的PMBOK指南(第7版)与之前版本相比,无论是结构还是实际内容均发生了较大变化,反映出新时代环境转变下项目管理的新内涵和发展趋势。从商品主导逻辑和服务主导的逻辑视角对PMBOK新旧版本进行对比分析,并基于服务主导逻辑的核心思想,针对未来项目管理活动提出具体建议。