课堂深度学习的育人表征、实践价值与教学策略

深度学习以学生对知识的理解分析与迁移运用为价值取向,强调学生在真实问题情境中批判性学习,进而实现个体高阶思维和问题解决能力的发展。课堂深度学习具有促进学生高阶思维发展、注重个体行为的深层投入、聚焦学生情感的深度体验三个方面的表征。课堂深度学习有利于促进学生的有效发展、助推素养为本的课堂变革与支持学校育人的提质增效。因此,要树立导向深度学习的课堂理念,采用多元融合的教学方式,整合构建概念化与结构化的教学内容,以及创设与优化课堂教学情境。

Laplace NMR谱图重建——从经典正则化到深度学习

拉普拉斯核磁共振(Laplace NMR)可以提供待测样品的扩散系数或弛豫时间等物理参数信息,是用于研究分子化学结构、动力学和相互作用的强大工具.Laplace NMR的适用性很大程度上取决于拉普拉斯逆变换相关的信号处理算法的性能.在本文中,我们首先讨论了Laplace NMR谱图重建问题的不适定性,接着回顾了经典的基于正则化约束的重建算法,并介绍了目前前沿的深度学习算法在处理Laplace反演问题方面的应用,最后总结了这些算法的优缺点,并对Laplace NMR信号处理方法未来改进方向进行了展望.

基于深度强化学习的图书馆架序智能识别方法

为了解决现有图书馆架序识别方法存在的不足,设计基于深度强化学习的图书馆架序智能识别方法。利用深度强化学习架构,确定架序识别规则,计算图书馆架序参数,识别图书馆架序中书号字符数据,确定书号字符识别系数的取值范围,实现基于深度强化学习的图书馆架序智能识别。实验结果表明,应用文中提出的识别方法,可使图书资源排列架序与规定架序保持一致,识别准确度较高,有效解决了图书馆管理中的图书乱架问题,具有较好的应用性能。

基于深度张量投影网络的机械故障诊断方法研究

针对现有的、基于深度卷积神经网络的故障诊断方法利用池化层对高阶输入张量降维时容易破坏张量数据,造成数据信息丢失,以及网络结构相对复杂的不足,构造了一种深度张量投影网络。该网络利用张量投影层代替传统卷积神经网络中的池化层,在对输入的高阶张量数据进行降维时,不会对张量数据造成破坏,避免了特征信息的丢失,提高了模型对故障的识别准确率;并且张量投影层是一种维度可变的降维层,可以简化网络结构。在此基础上,结合高阶谱和深度张量投影网络各自的优点,提出了基于深度张量投影网络的机械故障诊断方法。在提出的方法中,利用高阶谱提取故障信号特征,将得到的高阶张量谱图输入到构建的深度张量投影网络模型中进行高阶张量降维和识别。提出的方法成功应用到齿轮箱故障诊断中。实验结果表明,所提方法能够更好地保留原始故障信息,有效识别不同类型的故障,准确率优于传统深度卷积神经网络故障诊断方法。

基于深度学习的快速长时视觉跟踪算法

在目标尺寸变化、遮挡和出视场等复杂长时视觉跟踪环境下,现有基于深度学习的视觉跟踪算法很难对目标进行实时准确的跟踪。针对该问题,提出一种快速的长时视觉跟踪算法,该算法由一个快速短时视觉跟踪算法和一个快速全局重检测模块组成。在基准算法SiamRPN中加入二阶通道与区域空间融合的注意力模块作为短时视觉跟踪算法,在保证快速性的同时,提高算法的短时视觉跟踪精确度和成功率;为使改进后的短时视觉跟踪算法具有快速的长时视觉跟踪能力,在算法中加入提出的基于模板匹配的全局重检测模块,该模块使用轻量级网络和快速的相似度判断方法,加快重检测速率。在OTB100、LaSOT、UAV20L、VOT2018-LT、VOT2020-LT等5个数据集上进行测试,实验结果表明,所提算法在长时视觉跟踪中具有优越的跟踪性能,平均速度达104帧/s。

基于深度学习的水声通信信号调制类型识别

水声通信信号识别为水声通信侦察和对抗的重要前提,具有重要作用。然而,传统的水声通信信号识别方法通常是基于信号处理和模式识别技术,依赖领域专家的专业知识和经验进行特征选择和提取,具有较强的主观性,且可能无法利用更复杂的信号特征。本文基于深度学习提出一种水声通信信号识别的智能方法。首先利用仿真数据对卷积神经网络进行训练,然后分别使用仿真和湖上试验数据对算法网络进行测试。仿真结果表明,在SNR=5dB时,该方法对2ASK、4ASK、BPSK、QPSK、2FSK、4FSK和OFDM等7种水下通信信号的识别率均能达到90%以上,7种湖上试验的通信信号类型平均识别率达到97.9%。这表明该方法具有良好的宽容性。此外,本文还通过对基于高阶累积量和深度学习方法的比较,验证了本文提出方法具有显著的优越性。

科学与艺术整合过程中深度学习对幼儿创造力提升的影响

通过准实验研究,发现幼儿在实施了一学期的科学与艺术整合课程后,托兰斯创造力测验分数显著提高。幼儿在区域活动中深度学习方式的使用频率能显著预测幼儿的托兰斯创造力测验得分;而在科学与艺术整合课程中,集体活动中的深度学习方式使用频率也能显著预测幼儿托兰斯创造力的得分。重复测量方差分析发现,无论是在集体活动还是区域活动中,实验组幼儿在后测中使用深度学习的频率显著高于前测,也显著高于控制组。幼儿通过深度学习在新旧知识之间建立广泛联系,并运用非良构知识创造性地解决非良构问题,运用高阶思维激发了创造力。

本科护生专业课程深度学习的内涵、意义与教学设计思考

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。

基于变密度法深孔钻床主轴箱可靠性拓扑优化

以TBT-ML500深孔钻床主轴箱为研究对象,考虑随机因素的影响,通过基于变密度法的可靠性拓扑优化设计方法,进行了考虑可靠性和稳定性要求的结构轻量化设计。在传统拓扑优化的基础上增加概率约束,建立了应力和位移约束下的可靠性拓扑优化模型;以可靠性指标为约束条件,使用一阶可靠性法和Roenblatt逆变换将可靠性拓扑优化问题解耦为可靠性分析和确定性拓扑优化,最后进行变密度拓扑优化。算例分析结果表明:此方法在实现轻量化的同时更好地满足了实际应用中的安全要求,同时为深孔钻床其他基础件的可靠性拓扑优化提供了参考。

相关噪声下基于深度学习的LDPC码联合降噪译码算法设计

为了改善采用低密度奇偶校验(LDPC)码和高阶调制的无线通信系统在相关噪声下的译码性能,提出了一种联合优化降噪和译码的深度学习算法。降噪器中采用了残余收缩模块(RSBU),译码器采用了基于循环神经网络的神经网络最小和译码算法。在提出的联合降噪译码(JDD)算法中,利用复数神经网络在处理复信号方面比实数神经网络更有优势的特点,提出了一个复数RSCNN(CRSCNN),接收的复信号直接输入CRSCNN并利用新颖的联合优化降噪损失函数和译码损失函数的多任务学习策略来改善译码性能。仿真结果显示基于CRSCNN的JDD算法获得了比基于循环神经网络的神经网络最小和译码算法更好的译码性能。

深度学习在初中教学应用的策略探究——以“大气层”教学为例

基于深度学习的课堂教学有助于培养学生的思维能力,提高科学素养。本文从深度学习理论探讨出发,从目标设计、动机激发、促进评价等维度,提出促进深度学习的科学课堂教学策略,并以“大气层”教学为例进行阐述和实践。

基于二阶随机动力学的多虚拟电厂自趋优能量管理策略

分布式资源(distributed energy resources,DERs)的随机元素会引起多虚拟电厂(multi-virtual power plant,MVPP)系统内虚拟电厂(virtual power plant,VPP)策略频繁变化。对于某主体,如何感知其他主体策略突然变化时对自身收益的影响趋势,并快速调整自身策略,是亟需解决的难点。该文提出基于二阶随机动力学的多虚拟电厂自趋优能量管理策略,旨在提升VPP应对其他主体策略变化时的自治能力。首先,针对DERs异质运行特性,聚焦可调空间构建VPP聚合运行模型;然后,基于随机图描绘VPP策略变化的随机特性;其次,用二阶随机动力学方程(stochastic dynamic equation,SDE)探索VPP收益结构的自发演化信息,修正其他主体策略变化时自身综合收益;再次,将修正收益作为融合软动作-评价(integrated soft actor–critic,ISAC)强化学习算法的奖励搭建多智能体求解框架。最后,设计多算法对比实验,验证了该文策略的自趋优性能。

多导联心电图识别的稳定步长ResNet深度网络

针对经典的ResNet深度神经网络对一维多导联心电图图像进行识别、分类时,因原始图像的维度较高导致提取到的深度特征维度高,造成全连接层训练出现收敛速度慢和过拟合的问题,在ResNet的全连接层提出一种稳定步长动量训练算法,通过引入近似二阶梯度信息增强动量法的寻优能力和加速收敛速度;利用连续2次迭代的参数变化量和梯度信息自适应调整步长,构造边界函数对步长的大小进行限制,以防止步长过大或过小而影响收敛稳定性,使用动量项对参数的更新方向进行修正。在CPSC2018心电图数据集上的实验结果表明:所提算法训练的ResNet取得的F 1分数、准确率、精确度分别达到0.859、97.4%、87.9%,收敛速度和整体分类指标值优于其他相比较的方法。

基于双有序性约束的人脸年龄估计研究

目的人类年龄是人类识别和搜索任务中的重要特征,现有研究一般将人脸年龄估计视为传统的分类任务,忽略了年龄之间的有序特征,导致估计年龄与真实年龄之间的差距较大,因此,有必要寻找一种方法以缩小估计年龄与实际年龄的差距。方法提出一种基于双有序性约束卷积神经网络模型(DO-CNN)的人脸图像年龄估计方法。首先,DO-CNN使用基于广义Logistic分布的有序回归模型作为卷积神经网络的分类器,并验证比其他有序分类器在人脸估计任务上的优越性;接着,进一步提出有序竞争比损失函数,在传统竞争比损失函数上,通过引入风险项使损失函数注意到预测年龄与真实年龄的误差,进而指导模型缩小估计年龄与真实年龄的差距。结果在开源人脸图像年龄数据集FGNET和AgeDB上的对比实验显示:相比现有研究方法,DO-CNN分别提升约12%和3%的准确率,当允许的误差范围扩大后,该优势依然保持。此外,基于广义Logistic分布的有序回归分类器相比基于其他分布的有序回归分类器具有明显提升。结论实验结果表明:基于双有序性约束的卷积神经网络模型可以明显提升人脸年龄估计的准确率,并减少年龄估计的实际误差。

基于深度学习的混合式教学模式实践研究

以信息技术为支撑,实现线上学习和线下教学的有效地融合,提高计算机课程的教学效果,构建以深度学习为目标的混合式教学模式,通过“学习通”平台提高教师与学生的交流,便于教师课前进行有效教学设计,在教学过程中实现良好的师生互动,提高学生的学习兴趣和学习主动性,扩展课程的深度和广度,使课程达到高阶的深度学习。

深水水道沉积构型单元分级与结构样式

构型分级是深水油气高效开发重要的技术手段和指导方法。目前关于深水水道沉积体的构型分级方案缺乏较为统一的认识和标准,造成同一沉积单元的构型划分存在规模和成因等多解性问题,这制约了深水沉积理论的发展和油气勘探开发进程。在不同构型单元的沉积规模、叠置关系、时间跨度以及成因演化等基础上,采用正序分级原则,建立了相对系统的深水水道沉积体构型分级方案和结构样式。方案将水道沉积体划分为11级构型单元,1级单元为沉积颗粒段,包括孔隙非均质性、颗粒非均质性和填隙物非均质性;2级单元为纹层,多表现为平直状、波状、弯曲状、透镜状及不规则状;3级单元为岩层内均质段,如鲍马序列某一段;4级单元为岩层,如完整鲍马序列;5级单元为岩层组,包括“单一韵律叠置”和“砂体泥岩互层”两类;6级单元为次级水道单元,多呈透镜体型和楔形体型;7级为单一水道,可划分为层状充填、束状充填、侧积、切叠以及块状充填5种类型;8级单元为复合水道,由多期单一水道叠置,9级为复合水道系列,为多期复合水道叠置,8级单元和9级单元按其内部水道组合关系均可划分为离散型、拼接型和紧凑型三种类型;10级单元为水道体系,包括限制性、半限制性以及非限制性水道体系三种类型;11级单元为水道体系系列,可分为富砂型、富泥型和砂泥混杂型。其中1~9级为油气开发级次,10~11级为勘探级次。该研究不仅为地面与地下、现代与古代水道沉积的类比提供了理论依据,也为深水水道油气藏不同尺度储层非均质解析提供了地质依据。

基于数据驱动与物理模型的主动配电网双时间尺度协调优化

高比例间歇性分布式电源与电动汽车接入配电网时,容易导致功率与电压频繁、快速、剧烈波动。文中结合数据驱动与物理建模方法,提出了一种配电网双时间尺度有功无功协调优化策略。针对短时间尺度(分钟级或秒级)的功率波动,以静止无功补偿器、分布式电源无功功率为决策变量,以网损最小为目标函数,计及物理约束,针对平衡与不平衡配电网分别构建了二阶锥与二次规划模型。针对长时间尺度(小时级)的优化,以有载调压变压器分接头变比、可投切电容电抗器挡位、储能系统充放电功率为动作,以网损为代价,计及节点电压越限惩罚,构建了马尔可夫决策过程。为克服连续-离散动作空间维数灾,采用一种基于松弛-预报-校正的深度确定性策略梯度强化学习求解算法。通过IEEE 33节点与IEEE 123节点配电系统验证了所提方法的有效性。

用于多表连接优化的深度强化学习嵌入表示

针对数据库查询优化中多表连接优化问题,任务是找到一个合适的连接顺序使查询执行计划最优,为此提出一种查询语句的嵌入表示方法SmartEncoder。通过优化查询语句中多表连接的嵌入表示信息,得到更丰富的关于连接的信息,将多表连接顺序选择优化建模为深度强化学习问题,根据动作的概率分布选择连接,从过去的经验中学习,生成更好的查询执行计划。在Join Order Benchmark数据集上的实验结果表明,SmartEncoder能够有效提高查询的效率。

深度学习方法求解中子输运方程的微分变阶理论

中子输运方程是核反应堆物理分析计算的基本方程,针对深度学习技术求解输运方程因定积分项带来的困难,本文提出了微分变阶理论:将输运方程定积分项变换为对应的原函数,其他部分的角通量密度项表示为原函数高阶微分形式,从而将具有微积分形式的输运方程转换为纯粹的高阶微分方程;给出了变换后的原函数定解约束条件,以及对应的边界条件形式;构造了由原函数方程、边界条件、原函数定解、特征值约束共同形成的加权损失函数,利用深度学习使得神经网络逼近原函数;通过将原函数求导进行微分降阶,最终得到原输运方程角通量密度的数值解。针对多个平板、球几何例题进行了数值验证,获得了具有连续性特点的计算结果,证明了本文理论及相关方法的正确性,从而为中子输运方程的数值求解方法探索新的技术途径。

塔里木盆地富满油田凝析气藏成因

基于塔里木盆地FD1井及周围主干走滑断裂钻探成果,从沉积-层序、台内滩储集层和油气成因等方面分析,以揭示超深主干走滑断裂带间中—上奥陶统台内滩储集性能及成藏条件。取得以下地质研究成果和认识:主干走滑断裂带间鹰山组台内滩叠加低序次断裂带构成一种新的成藏组合类型,下寒武统玉尔吐斯组烃源岩生成的油气首先由主干走滑断裂带垂向输导运移至鹰山组2段,然后发生侧向运聚成藏;FD1井少量原油是玉尔吐斯组成熟阶段生成的,而大量的天然气主要为超深油藏原油裂解气,从而形成高气油比的干气(干燥系数为0.970)和混合型次生凝析气藏。这种“台内滩+低序次断裂带”成藏组合新类型预示富满地区有望形成含油气连片局面并将进一步横向拓展富满油田超深领域的油气勘探空间。