两相自适应训练策略与高效可靠度分析方法研究

概率密度演化方法对于复杂工程结构的系统可靠度分析有良好的适用性,但对于高维随机系统依然存在效率不高的问题.近年来通过少量训练样本训练目标代理模型,来替代目标随机系统提升可靠度分析效率的做法受到众多研究者的青睐.为提升构建自适应代理模型的精度和效率,文章提出了一种两相自适应训练策略,通过对概率空间分层次剖分,逐层次获得训练样本集.在两相训练策略的基础上分两步训练Kriging模型,不仅提升了Kriging模型对概率空间内失效边界的近似精度,更进一步降低了训练过程对计算机物理内存的消耗需求.随后通过结合概率密度演化理论,提出了一种基于等价极值理论的高效可靠度分析方法.为验证建议方法的有效性,分析了不同类型功能函数为目标的代理模型构建效率,并进行了一幢钢筋混凝土框架结构的抗震可靠度分析.结果表明:两相自适应训练策略极大提升了目标代理模型的导出速率并保有较高的分析精度,弥补了概率密度演化理论在处理罕遇失效事件时精度不足的缺陷.值得说明的是,两相训练策略不仅适用于基于Kriging模型的代理模型训练,同时对其他类型的自适应代理模型的训练也有指导意义,并不受代理模型基本类型限制.

基于自然进化策略的可再生能源ELM预测两阶段优化训练方法

随着中国“双碳”目标的提出和可再生能源接入比例的不断提高,其精确预测对提高新能源消纳水平和电网稳定性以及降低系统规划运行成本具有重要意义。为此,提出了基于自然进化策略(NES)的极限学习机(ELM)网络参数两阶段优化训练方法及可再生能源功率预测改进模型。在第1阶段,使用ELM随机参数和广义矩阵逆运算过程训练模型网络参数。ELM训练过程具有随机性且矩阵逆运算过程缺少对参数的微调,导致模型虽然训练速度较快,但在精度上有所欠缺。因此,第2阶段在原有模型训练结果的基础上引入输出层偏移和自适应的NES算法,对网络参数进行二次优化调整。结果表明,该两阶段优化算法能够有效地提高模型预测精度。

高级滑雪两项运动员综合训练程度的信息资料库的研制

研究目的是研制高级滑雪两项运动员综合训练程度计算机资料信息库。该高级滑雪两项运动员综合训练程度资料信息库能够:1)整体性分析运动员训练程度所有日常个体指标;2)分析滑雪两项运动员的技术、身体、机能和比赛训练程度的实际指标与综合性的和个体的模式评定之间的相符合程度(与模式之间偏差的百分比形式);3)比较训练程度的各个方面,并从中区分出在不同训练阶段中弱和强的方面;4)修正滑雪两项运动员的训练计划或在必要情况下重新制订训练计划;5)保障在下一训练阶段中采取最终的管理性决定。

散打柔韧素质训练

柔韧素质训练是习武过程中最枯燥无味的运动，韧带被强迫性拉长给练功者带来的痛苦让许多武术爱好者难以忍受，而放弃了训练。还有不少人草草几下了事，起不到任何效果。武术是玩不得一点虚假的，你不重视它，它就忽略你。

基于提示学习的生成式医疗对话理解方法

任务型对话系统中的对话理解模块的目标是将用户输入的自然语言转换成结构化的形式,但在面向诊断的医疗对话系统中,现有方法存在如下问题:1)无法支持精准医疗所需的信息粒度,如给出某一症状的严重程度;2)难以同时满足医疗领域中多样化的槽值表示形式,如“症状”等可能含有非连续与嵌套实体的抽取型槽以及“否定”等分类型槽。文中提出了一种基于提示学习的多层次生成式医疗对话理解方法。针对问题1),用多层次槽结构替代当前对话理解任务中单层的槽结构,以表示更细粒度的信息,之后采用一种基于对话风格提示的生成式方法,利用提示字符模拟医患对话,从多轮交互中获得多层次信息。针对问题2),提出在推理过程中使用一种受限的解码策略,使模型能够以统一的方式处理意图识别与分类型和抽取型的槽填充任务,避免复杂的建模。此外,针对医疗领域缺少标注数据的问题,提出了一种两阶段训练策略,以充分利用大规模的无标注医疗对话语料来提升性能。针对含有多层次槽结构的医疗对话理解任务标注并发布了一个数据集,包含4722条对话,涉及17种意图与74种槽。实验结果表明,所提方法能够有效解析医疗对话中的各种复杂实体,相比已有的生成方法,其性能高出2.18%,而在小样本的场景下两阶段训练最高能提高模型5.23%的性能。

红外和可见光图像融合的隧道火源深度估计技术

矿井巷道、交通隧道等场景受火灾威胁的困扰,采用基于图像的智能火灾探测方法在火灾初期快速识别其发生位置具有重要意义。现有方法面临时间序列一致性问题,且对相机姿态变化具有高度敏感性,在复杂动态环境中的识别性能下降。针对该问题,提出一种红外(IR)和可见光(RGB)图像融合的隧道火源深度估计方法。引入自监督学习框架的位姿网络,来预测相邻帧间的位姿变化。构建两阶段训练的深度估计网络,基于UNet网络架构分别提取IR和RGB特征并进行不同尺度特征融合,确保深度估计过程平衡。引入相机高度损失,进一步提高复杂动态环境中火源探测的准确性和可靠性。在自制隧道火焰数据集上的实验结果表明,以Resnet50为骨干网络时,构建的隧道火源自监督单目深度估计网络模型的绝对值相对误差为0.102,平方相对误差为0.835,均方误差为4.491,优于主流的Lite-Mono,MonoDepth,MonoDepth2,VAD模型,且精确度阈值为1.25,1.25^(2),1.25^(3)时整体准确度最优;该模型对近景和远景区域内物体的预测效果优于DepthAnything,MonoDepth2,Lite-Mono模型。

组合凸线性感知器的极大切割构造方法

组合凸线性感知器(Multiconlitron)是用来构造分片线性分类器的一个通用理论框架,对于凸可分和叠可分情况,分别使用支持凸线性感知器算法(Support conlitron algorithm,SCA)和支持组合凸线性感知器算法(Support multiconlitron algorithm,SMA)将两类样本分开.本文在此基础上,提出了一种基于极大切割(Maximal cutting)的组合凸线性感知器构造方法.该方法由两阶段训练构成,第一阶段称为极大切割过程(Maximal cutting process,MCP),通过迭代不断寻求能够切开最多样本的线性边界,并因此来构造尽可能小的决策函数集,最大程度减少决策函数集中线性函数的数量,最终简化分类模型.第二阶段称为边界调整过程(Boundary adjusting process,BAP),对MCP得到的初始分类边界进行一个二次训练,调整边界到适当位置,以提高感知器的泛化能力.数值实验说明,此方法能够产生更为合理的分类模型,提高了感知器的性能.同其他典型分片线性分类器的性能对比,也说明了这种方法的有效性和竞争力.

以职业能力为导向的日语视听说课程改革

本文从课程设置、课程内容、教学手段、教学组织、课程考核评价及成效等几方面探讨两学期三段式教学、两阶段听说技能训练的日语视听说课程改革模式。研究表明,课程改革并不是一蹴而就的,需要结合学生的实际状况,不断深化改革,才能取得更好的成效。

基于多层级上下文投票的三维密集字幕

传统的三维密集字幕方法存在未充分考虑上下文信息、点云特征信息丢失以及隐藏状态信息量单一等问题.为了应对这些挑战,提出了多层级上下文投票网络,该网络在投票过程中使用自注意力机制捕获点云的上下文信息并加以多层级利用,提升检测对象的准确率.同时,还设计了隐藏状态-注意力时序融合模块,将当前时刻隐藏状态融合与前一时刻注意力结果融合,丰富隐藏状态信息量,从而提高模型表达能力.除此之外,采用“两阶段”训练方法,有效过滤掉生成的低质量对象提案,增强描述效果.在官方数据集ScanNet和ScanRefer上的大量实验表明,该方法与基线方法相比取得了更有竞争力的结果.

“双轨”作文教学初探

①只有为学生提供广阔的写作空间,减少对写作的束缚,才能实现写作的个性化。②以大量读写为突破口。

基于BP神经网络的有限元应力修匀的研究

以四边形平面应力等参单元为例,以高斯积分点为样本点,基于BP神经网络分别考察了以下两种训练模型:以高斯积分点的坐标为输入,Mises应力为输出;以高斯积分点的坐标和位移同时为输入,Mises应力为输出。通过与传统的有限元整体应力修匀比较,经过BP神经网络学习得到的结点Mises应力,不论是单独以坐标为输入还是以坐标和位移同时作为输入得到的结点Mises应力精度都比有限元传统的整体应力修匀高,并且第二种BP神经网络训练模型得到的结点Mises应力比第一种的精度要高。

基于弱监督的遥感图像镶嵌质量盲评价

遥感图像镶嵌是遥感图像解译的一项重要研究内容,然而受成像时间、角度及地物纹理的影响,镶嵌图像经常会有颜色不一致、地物结构错位等情况。针对遥感图像镶嵌缝两侧出现的颜色差异、地物结构错位等质量问题,设计了双分支网络进行遥感图像镶嵌质量的盲评价,2个分支网络分别用于镶嵌缝两侧颜色差异评价和结构错位评价,综合2个网络的输出实现遥感图像镶嵌质量的综合评价。由于获得图像的质量真值需要耗费大量的人力物力,为了减少训练卷积网络所需要的数据量,提出了一种基于两阶段训练的弱监督学习策略,第1阶段在仿真的镶嵌数据集上以颜色差异量和结构错位量为客观真值对网络进行预训练,学习与质量评价有关的先验知识,第2阶段在有主观质量真值的数据集上进行微调。在建立的带有质量真值的仿真数据集和真实数据集上的实验结果表明:所提方法能够有效评价遥感图像镶嵌的质量,性能优于对比方法。

基于改进U-Net的两阶段视网膜血管分割方法

针对当前视网膜图像分割方法中存在的细小血管像素模糊以及较厚视网膜血管边缘细节丢失等问题,本文设计了一种基于改进U-Net与Mini-U-Net网络相结合的两阶段训练分割方法。首先,在全尺寸U-Net网络后加入一个小尺寸的Mini-U-Net对图像中的模糊血管像素进行二次训练,以提升模糊血管像素的分割效果;其次,将两个网络编解码过程中的原始卷积层改为残差卷积模块,使原始特征信息被更完整地保留;最后,在两个网络的跳跃连接处引入注意力机制,使任务目标集中在血管像素上,提高分割精度。该方法在DRIVE和STARE公共眼底图像数据集上进行测试的精确率分别为0.8331和0.8563,召回率分别为0.8396和0.8639,F1-Score分别为0.8351和0.8609,准确率分别为0.9698和0.9787,整体分割结果相较其他分割方法更好。