基于概率的自适应学习预测策略

动态电源管理技术降低系统功耗的主要办法是根据工作负载的变化动态地切换目标设备工作模式。针对自适应学习树模型的缺陷,提出基于概率的自适应学习预测策略,通过概率描述设备行为,能够提高预测正确率,从而达到系统功耗与性能之间的优化平衡。基于概率的自适应学习预测策略是一种集预测、控制、反馈为一体的预测策略。实验结果表明,该预测策略具有较好的稳定性,与其他预测策略相比可以进一步降低系统的功耗。

一种基于模型概率单调性变化的自适应IMM-UKF改进算法

针对现有交互式多模型(IMM)算法模型间切换迟滞和转换速率慢的缺点,提出一种基于模型概率单调性变化的自适应交互式多模型无迹卡尔曼滤波改进算法(mIMM-UKF)。该算法利用后验信息模型概率的单调性,对马尔可夫转移概率矩阵及模型估计概率进行二次修正,加快了匹配模型的切换速度及转换速率。仿真结果表明,与现有算法相比,该算法通过快速切换匹配模型,有效提高了水下目标跟踪精度。

阅读伴随词汇学习的词切分:首、尾词素位置概率的不同作用

本研究通过两个平行实验,探讨重复学习新词时首、尾词素位置概率信息作用于词切分的变化模式。采用阅读伴随词汇学习范式,将双字假词作为新词,实验1操纵首词素位置概率高低,保证尾词素相同;实验2操纵尾词素位置概率高低,保证首词素相同。采用眼动仪记录大学生阅读时的眼动轨迹。结果显示:(1)首、尾词素位置概率信息的词切分作用随新词在阅读中学习次数的增加而逐步变小,表现出“熟悉性效应”。(2)首词素位置概率信息的“熟悉性效应”表现在回视路径时间、总注视次数两个相对晚期的眼动指标,而尾词素位置概率信息的“熟悉性效应”则从凝视时间开始,到回视路径时间,再持续到总注视时间。结果表明首、尾词素的位置概率信息均作用于阅读伴随词汇学习的词切分,但首词素的作用时程更长,更稳定,支持了首词素在双字词加工中具有优势的观点。

基于双阶段元学习的小样本中医舌色域自适应分类方法

舌色是中医(TCM)望诊最关注的诊察特征之一。在实际应用中,通过一台设备采集到的舌象数据训练得到的舌色分类模型应用于另一台设备时,由于舌象数据分布特性不一致,分类性能往往急剧下降。为此,该文提出一种基于双阶段元学习的小样本中医舌色域自适应分类方法。首先,设计了一种双阶段元学习训练策略,从源域有标注样本中提取域不变特征,并利用目标域的少量有标注数据对网络模型进行微调,使得模型可以快速适应目标域的新样本特性,提高舌色分类模型的泛化能力并克服过拟合。接下来,提出了一种渐进高质量伪标签生成方法,利用训练好的模型对目标域的未标注样本进行预测,从中挑选出置信度高的预测结果作为伪标签,逐步生成高质量的伪标签。最后,利用这些高质量的伪标签,结合目标域的有标注数据对模型进行训练,得到舌色分类模型。考虑到伪标签中含有噪声问题,采用了对比正则化函数,可以有效抑制噪声样本在训练过程中产生的负面影响,提升目标域舌色分类准确率。在两个自建中医舌色分类数据集上的实验结果表明,在目标域仅提供20张有标注样本的情况下,舌色分类准确率达到了91.3%,与目标域有监督的分类性能仅差2.05%。

来华临床医学专业留学生学习适应性的调查研究

目的调查临床医学专业留学生在华学习适应情况,并对医学本科院校留学生教育与管理提出改进意见。方法选取2013年9月至2021年9月滨州医学院所招收临床医学专业留学生260名为研究对象,从基本信息、教育环境、教学要素和校园关系4个方面开展线上问卷调查。采用Likert 5级度量评分法对教育环境、教学要素、校园关系的满意度进行量化,分析其学习适应性情况,并收集学生建议。结果调查显示,临床医学专业留学生主要来源于南亚与非洲等医疗教育及医疗水平欠发达地区,男性多于女性,以从事医疗卫生事业为学习目标。留学生在华学习整体适应满意度均值(Mean)达3.99,其中教育环境、教学要素、校园关系Mean分别为3.97、3.83、4.18。而留学生不满意率最高的3个方面分别为文化差异致挫折感18.5%(48名)、课程设置与教材14.6%(38名)以及奖学金制度13.5%(35名)。同时,学生对不满意方面进行了阐释。结论来华临床医学专业留学生整体学习适应水平较高,学习效果良好,但仍存在教师语言能力不足、基础设施不完善、管理制度不科学、跨文化交流较少等问题,阻碍了医学留学生教育的发展。同时也针对这些问题提出了改进建议。

多元生源背景下高职学生自适应学习探析

为探索高职个性化、多样化、定制化教育及提高教学改革的针对性和有效性,以某高职院校10028名在校生为研究对象,通过问卷调查开展实证研究,通过对比、关联、聚类分析和关键词词频统计分析等数据处理方式,探析多元生源背景下高职学生个性化学习表征和自适应学习模式,提出了强化职业生涯规划教育、建立健全教学管理与校企合作办学制度、优化职业教育课程体系和深化课程考核评价改革四个方面的关键举措以满足高职学生自适应学习需求。

基于数字孪生和深度强化学习的矿井超前液压支架自适应抗冲支护方法

受深部开采冲击地压等地质灾害扰动的影响,存在矿井超前支护系统自感知能力差、智能抗冲自适应能力弱、缺乏决策控制能力等问题。针对上述问题,提出了一种基于数字孪生和深度强化学习的矿井超前液压支架自适应抗冲支护方法。通过多源传感器感知巷道环境和超前液压支架支护状态,在虚拟世界中创建物理实体的数字孪生模型,其中物理模型精确展现超前液压支架的结构特征和细节,控制模型实现超前液压支架的自适应控制,机理模型实现对超前液压支架自适应支护的逻辑描述和机理解释,数据模型存储超前液压支架实体运行数据和孪生数据,仿真模型完成超前液压支架立柱仿真以实现超前液压支架与数字孪生模型虚实交互。根据基于深度Q网络(DQN)的超前液压支架自适应抗冲决策算法,对仿真环境中巷道抗冲支护进行智能决策,并依据决策结果对物理实体和数字孪生模型下达调控指令,实现超前液压支架智能控制。实验结果表明:立柱位移与压力变化一致,说明超前液压支架立柱仿真模型设计合理,从而验证了数字孪生模型的准确性;基于DQN的矿井超前液压支架自适应抗冲决策算法可通过调节液压支架控制器PID参数,自适应调控立柱压力,提升巷道安全等级,实现超前液压支架自适应抗冲支护。

可实现双向自适应差分隐私的联邦学习方案

随着个人数据的爆发式增长,基于差分隐私的联邦学习模型可用于解决数据孤岛问题和保护用户数据隐私,参与者通过训练本地数据,将添加噪声后的参数共享到中心服务器进行聚合,实现分布式机器学习训练。此过程中存在两方面问题:①中心服务器广播参数的过程中数据信息仍未受到保护,有泄露用户隐私的风险;②对参数过度添加噪声会导致参数聚合质量降低,影响最终联邦学习的模型精度。为解决以上问题,提出了一种可实现双向自适应差分隐私的联邦学习方案(FedBADP),对客户端和中心服务器之间传输的梯度进行自适应加噪,在保护数据安全的同时不影响模型准确率。考虑到参与者硬件设备的性能限制,文中对其梯度进行采样以减少通信开销,并在客户端和中心服务器使用均方根传递加速模型的收敛提高模型精度。实验结果证明,文中提出的模型框架在保持较好准确率的同时,也增强了用户的隐私保护能力。

基于多窗宽核密度估计的风电功率超短期自适应概率预测

精准的风电功率预测是保证新型电力系统安稳运行、促进风电消纳的重要手段。针对核密度估计所求分位数在不同置信度下鲁棒性差的问题,提出多窗宽核密度估计方法,根据不同置信度生成不同窗宽的核密度估计值,实现了风电功率的超短期自适应概率预测。首先,结合风电功率曲线和数据驱动模型,建立基于改进双向长短期记忆网络的风电功率超短期确定性预测模型。其次,推导了最优窗宽核密度估计方法,并基于此构建多窗宽核密度估计误差拟合模型,在不同置信度下自适应生成最优窗宽并构建预测区间。最后,基于实际运行数据验证模型的可行性与有效性。结果表明,所提模型可有效提高确定性预测的精度和概率预测的鲁棒性。

多智能体双注意力自适应熵深度强化学习

在执行–评价算法和最大熵强化学习算法中分别存在价值函数过高估计和温度参数脆弱性的问题,从而导致策略网络陷入局部最优.针对此问题,本文提出了一种基于双集中注意力机制与自适应温度参数的多智能体强化学习算法.首先,要构建出两个初始参数不同的具有注意力机制的评价网络,通过这两个评价网络对策略网络做出更加准确的评价,从而避免出现过高估计问题而导致策略网络陷入局部最优.其次,本文提出了自适应温度参数的最大熵强化学习算法,计算出每个智能体的策略熵和基线熵,从而动态调整温度参数以实现自适应调整智能体的探索.最后,在受限的合作导航环境和受限的宝藏收集环境中验证了本文算法的有效性,本文算法的平均总成本与平均总惩罚优于其他算法.

基于自适应宽度学习算法的城市污水处理污泥膨胀识别

针对污水处理过程的污泥膨胀难以精准识别的问题,提出了一种基于自适应宽度学习算法(adaptive broad learning algorithm,ABLA)的污泥膨胀识别方法。首先,结合城市污水处理过程的运行数据,采用主元分析法选取与污泥体积指数(sludge volume index,SVI)相关的特征变量;其次,建立了一种基于ABLA的污泥膨胀识别模型,利用自适应伪逆算法更新模型参数,提高了识别精度,并验证了模型的收敛性;最后,将所提模型应用于实际的污水处理过程中,利用污水处理厂的实际运行数据对其进行实验验证。实验结果表明,基于ABLA的污泥膨胀识别模型能够实现污泥膨胀的精准识别。

基于学习风格的个性化自适应资源推荐算法研究

个性化自适应资源推荐是以学习者为中心、以人工智能和大数据技术为基础,模拟人类思维进行学习资源推荐的过程。论文在分析学习者和资源学习风格的基础上,分别构建学习者模型和资源模型,运用基于学习风格过滤推荐算法、协同过滤推荐算法、关联规则推荐算法,展开个性化自适应资源推荐研究。研究结果表明,以学习风格为基础的混合式自适应推荐的结果,更贴合学习者的个性化学习需求。

融合模糊聚类和自适应去噪的推荐遗忘学习算法

隐私保护在推荐系统中具有至关重要的地位,因为它有助于保护用户的敏感信息免受泄露风险。近年来,推荐遗忘学习作为一种有效的隐私保护手段引起了越来越多的关注。现有方法为了提高模型的训练效率,通常将数据划分为子分区进行训练。然而,简单划分子分区会破坏用户-项目间的完整性,降低数据的可用性。此外,子分区中隐式反馈的假阳性噪声会干扰模型的训练,使其无法准确地捕捉用户的真实偏好。为解决上述问题,提出了融合模糊聚类和自适应去噪的推荐遗忘学习算法(FDRU)。该算法使用模糊聚类来划分数据集,通过计算交互样本到各个聚类中心的余弦距离来确定隶属度,进而将训练集划分为若干个子分区。FDRU设计了一种自适应去噪方法,其能够根据阈值动态地剔除子分区中的假阳性噪声。通过动态权重聚合子模型进行预测和Top-N推荐。为了验证提出算法的性能,在三个公开数据集上进行实验验证,实验结果表明,提出的算法在召回率和归一化折损累计增益上优于其他基准算法。

基于Beta分布的目标搜索概率自适应更新策略及其应用

针对不确定先验信息条件下的目标搜索问题,考虑传感器探测概率和虚警概率,设计了基于Beta分布的目标搜索概率自适应更新策略。首先,通过Beta分布建立了不确定先验环境的概率地图,并提出自适应目标搜索概率更新策略,使得无人机能够根据概率信息图动态更新检测次数;其次,在概率更新策略中引入了拒绝概率修正因子,根据地图概率差动态调整概率变化量,避免了搜索任务中可能存在的误检漏检问题;最后,通过数值仿真实验,验证了提出的目标搜索自适应更新策略可在不影响搜索效率的前提下,有效减小无人机的错误检测概率。

基于同伴辅助学习分类器的部分域自适应方法

为了解决传统方法忽略分类器转移场景,进一步减轻负转移,提出一种基于同伴辅助学习分类器的部分域自适应方法。提出一个软加权最大均方差来减轻源异常域和目标域之间的负迁移,使得源共享域和目标域的特征分布在特征空间中是一致的;引入一种同伴辅助学习方法,减轻特定目标学习分类器的过度拟合问题。在三个数据集上的实验结果证明该方法不仅减轻了负迁移,而且解决了分类器移位问题。

考虑新能源随机性的新型电力系统图深度学习稳定指标概率分布评估模型

新型电力系统的新能源大规模随机性出力特点导致目前在线暂态稳定扫描结论面临失效风险,这一问题从元件建模精度、系统拓扑适应性和计算速度三个方面同时对现有方法提出挑战。因此提出了基于重概率化改进的置信带方法和图深度学习的稳定指标概率分布及置信带评估模型,通过图深度学习模型快速评估少量采样点,再由重概率化置信带方法扩增结果,利用标签共现知识引导时域仿真对准确率进行增强,最后使用置信带方法给出随机出力下的稳定概率分布和区间形式的评估结论。该方法优点在于利用了图深度学习的拓扑适应能力和快速计算特点,且不受元件建模精度限制,置信带计算结论具有可靠的理论背景,能够评估稳定概率分布。在IEEE-39和IEEE-300节点系统上的评估精度验证表明,所提方法能够高精度地预测指定方式暂态稳定指标,并给出可靠的概率评估结论。

基于深度域适应迁移学习的滚动轴承故障诊断方法研究

在实际工业生产中,滚动轴承故障数据稀疏,构建的小样本数据集易导致模型过拟合,需要进行数据增强构成训练域。由于机械设备在运行中存在工况时变性,导致训练数据和测试数据之间存在差异,进而造成轴承故障诊断准确率不高,故提出一种基于生成对抗网络和多核最大均值差异(MK-MMD)的深度域适应迁移学习方法。文中通过有限元模拟获得大量带有标签的仿真故障数据,在此基础上构建深度域适应迁移学习的故障诊断模型,并利用凯斯西储大学的轴承数据集对轴承故障诊断模型进行测试。此外,通过与卷积神经网络(CNN)、深度适配网络(DAN)和深度域自适应网络(DANN)的故障诊断结果对比,证明基于有限元模拟的数据增强和迁移学习的轴承故障诊断方法可有效提高轴承故障诊断的准确度。

“3+1+2”选科模式下大学生学习适应性及其影响因素研究

学习适应性是评价学生发展的重要指标,分析新高考生源的学习适应性是评价新高考改革成效和提升高等教育质量的关键。对第三批高考改革实施“3+1+2”选科模式的八省市高校本科生进行大规模抽样调查,并通过组间差异分析与多元线性回归分析,深入研究了新高考生源的学习适应性。结果显示,大学生学习适应性总体良好,学生学习适应性存在显著的个体因素、家庭背景、学校层次和学科背景差异。学生对录取结果和改革成效的满意度以及学生选考科目与大学专业的匹配度均对学习适应性存在显著影响。“3+1+2”科目设置适应了我国基础教育和高等教育发展的实际,但同时高中层面要加强学生选科与志愿填报指导,提升学生选考科目与所学专业的匹配度。高校层面应当及时更新人才培养方案以应对生源多元化带来的挑战,提高学生学习适应能力和人才培养质量。

智能自适应学习场域建构研究

随着人工智能等技术在教育领域的应用,自适应学习系统得到了快速发展。但学习方式的变革是一项系统工程,仅依赖先进的工具难以实现。文章运用场域理论,建构了以自适应学习平台为核心的显在场域和以主体社会关系为基础的潜在场域相融合的智能自适应学习场域模型。其中,潜在场域包括学生自适应、教师自适应、管理者自适应和家长自适应等社会关系。通过运用资本、形塑惯习可提升学习场域进化的动力,减小阻力,为实现自适应学习提供新的解决办法。

智能技术赋能虚拟科学探究学习过程评价与适应性反馈研究

虚拟科学探究学习过程的自动评价和适应性反馈是提升探究学习效果的重要支撑手段。研究首先从虚拟科学探究学习过程要素表征和分析模型、自动分析与实时评价、适应性反馈三个方面概述了智能技术在虚拟科学探究学习中的应用现状,总结了当前技术应用面临的深层次探究要素表征难、不确定探究过程刻画难、适应性反馈生成难等现实挑战。其次,在此基础上,提出了基于活动流的底层计算模型构建、复杂探究过程动态监测与自动评价、可解释性归因的自适应反馈内容生成三个关键技术。再次,基于关键技术设计了虚拟科学实验自主探究学习平台的技术架构。最后,研究总结了当前研究的创新之处并提出未来建议,为智能技术赋能虚拟科学探究学习领域开展更深入的技术探索提供有益参考。