HPM视角下构建符合学生认知规律的概念教学——以“数系的扩充和复数的概念”为例

在HPM视角下的教学中,教师应基于“大观念、大主题、大单元”的教学理念,准确把握数学史料的“深度”,构建符合学生认知规律、适合学生认知结构的教学活动,让学生体会和感悟数系扩充的原则,实现数集的再一次扩充.同时,设置合适的问题串,使学生在新概念生成的过程中,提高自己的理性思维能力,实现对概念的自主探究.

基于经验知识的船舶螺旋桨水动力样本扩充方法及其在预报代理模型中的应用

近几年来,越来越多学者致力于采用机器学习进行船舶螺旋桨性能预报,但代理模型的预报效果往往受训练样本的数量和质量影响较大。目前船舶螺旋桨性能数据数量少且质量也不高,即数据对应参数分布较为集中,严重不均匀,这些问题都会影响代理模型预报的准确率与可靠性。为了解决这一实际困难,本文提出一种基于经验知识的样本扩充方法,并以船舶螺旋桨水动力性能的代理模型预报为例进行应用验证。结果表明:本文使用的样本扩充方法可以快速生成数据样本,可以一定程度上改善预报代理模型的可靠性,提升预报精度。

小样本数据下特种材料基因工程的数据扩充方法

随着地下水利、水务管网对材料需求的多样性和复杂性日益加剧,通过机器学习高效便捷地设计满足个性化需求的特种材料成为人们关注的热点。传统监督学习方法均以大量数据训练建模为基础,但从深埋地下水务管网、高端军工设备等领域所需的特种材料,如稀贵高熵合金等获取大数据集,需要的成本极高且周期较长。为了解决该问题,提出了一种小样本扩充模型——RX-SMOGN,使用极致梯度提升模型和使用交叉验证的递归特征消除算法进行特征筛选,使用SMOGN算法扩充数据集。提出以高熵合金相结构为研究对象,训练传统机器学习模型对其进行预测以验证RX-SMOGN模型的有效性。由五折交叉验证及4个评价指标结果可知,RX-SMOGN模型充分提高了机器学习模型的性能,为合金材料设计提供了一种更便捷的方法,充分提高了合金材料设计的效率。

基于场景扩充的低碳综合能源系统高可靠性容量规划方法

为应对全球极端天气的增多以及低碳供能的迫切需求,协同本地多种供能资源的综合能源系统(IES)被认为是提高能源效率和减少碳排放的有效范式。由于IES中风、光等可再生能源出力和冷、热、电多元供能需求的不确定性以及碳排放的限制,提出了一种综合考虑系统经济成本、本地供能可靠性和碳排放成本的IES容量规划优化方法,该方法结合数据驱动的去噪扩散模型对IES运行场景进行扩充,提升了优化模型在不确定条件下求解的可靠性。实际案例数据的仿真结果表明,与传统的规划方法相比,所提出规划方案的运行成本降低了34.5%,碳排放减少了39.4%。

基于样本扩充网络的水声目标分类模型优化算法

水声目标识别是近年来各国的研发热点,但是由于水声目标难以采集而导致样本数据不足,严重影响了神经网络的识别效率以及自动化识别装备的水平和性能的发挥;为此,提出了一种基于样本扩充网络的水声目标分类模型优化方法,通过搭建掩模重建的样本扩充网络,充分利用无标注数据进行训练,使模型学习到样本的全局高维特征,再生成样本加入后续的识别模型训练中,在两次试验过程中,平均识别准确率从76%提升至80%,最佳识别准确率从88%提升至96%;基于实测数据的实验表明,该方法提升了分类器的准确率、收敛速度以及稳定性。

数系的扩充与复数的引入题型赏析

感悟:由实数扩充到复数后,实数系的有些性质、运算法则对于复数系并不适用。解答复数问题时,要依据复数的概念进行合理转化,不能轻易地将实数系中的一些运算法则或性质照搬到复数系内。形如a+bi(a,b∈R)的数叫复数,其中a,b分别是它的实部和虚部。

基于类相似特征扩充与中心三元组损失的哈希图像检索

现有的深度哈希图像检索方法主要采用卷积神经网络,提取的深度特征的相似性表征能力不足.此外,三元组深度哈希主要从小批量数据中构建局部三元组样本,样本数量较少,数据分布缺失全局性,使网络训练不够充分且收敛困难.针对上述问题,文中提出基于类相似特征扩充与中心三元组损失的哈希图像检索模型(Hash Image Retrieval Based on Category Similarity Feature Expansion and Center Triplet Loss,HRFT-Net).设计基于Vision Transformer的哈希特征提取模块(Hash Feature Extraction Module Based on Vision Transformer,HViT),利用Vision Transformer提取表征能力更强的全局特征信息.为了扩充小批量训练样本的数据量,提出基于类约束的相似特征扩充模块(Similar Feature Expansion Based on Category Constraint,SFEC),利用同类样本间的相似性生成新特征,丰富三元组训练样本.为了增强三元组损失的全局性,提出基于Hadamard的中心三元组损失函数(Central Triplet Loss Function Based on Hadamard,CTLH),利用Hadamard为每个类建立全局哈希中心约束,通过增添局部约束与全局中心约束的中心三元组加速网络的学习和收敛,提高图像检索的精度.在CIFAR10、NUS-WIDE数据集上的实验表明,HRFT-Net在不同长度比特位哈希码检索上的平均精度均值较优,由此验证HRFT-Net的有效性.

基于NS-StyleGAN2的鱼类图像扩充方法

图像多分类领域中经常出现类别不平衡问题,这会对分类模型的学习训练产生负面影响。通过对样本数量较少的类别进行扩充可以有效解决类别不平衡问题。生成对抗网络作为近年来新兴的一种神经网络,输入真实图像样本训练可以输出与真实样本非常相似的生成样本。根据此特性,本文结合第二代样式生成对抗网络(StyleGAN2)的设计思想与鱼类图像的特点,设计一种噪声抑制样式生成对抗网络NS-StyleGAN2(Noise-Suppressed Style Generative Adversarial Networks 2)。NS-StyleGN2去除了StyleGAN2合成网络中低分辨率层的噪声输入,从而抑制低分辨率层的噪声权重,使StyleGAN2生成样本细节特征更逼近真实样本特征。采用202张鲢鱼图像进行训练,本文提出的方法在起始分数、弗雷歇起始距离、内核起始距离得分等方面均优于DCGAN、WGAN、StyleGAN2,表明该方法可以有效进行图像扩充。

基于改进CNN和数据扩充的苹果表面缺陷检测

目的:提高苹果表面缺陷的检测准确率和效率。方法:基于改进卷积神经网络(CNN)和数据扩充建立苹果表面缺陷检测方法。改建CNN的拓扑结构,并将其用于苹果表面缺陷检测;利用条件生成对抗网络,合成表面无缺陷和有缺陷苹果图像,实现图像数据扩充和提高改进CNN的苹果表面缺陷的识别性能;通过模型剪枝,合理权衡苹果表面缺陷的检测准确率、检测时间及节能限制,以提高所提方法的实用性。结果:当改进CNN中的解释层选用2048个解释性神经元时,平均检测准确率最高;条件生成对抗网络增强了苹果图像数据集的多样性;随着增强图像数在测试数据集中占比的增加,所提方法对苹果表面缺陷的检测准确率不断升高;当剪枝后的模型尺寸占原始模型尺寸的百分比从100%降至50%时,可以以6.96%的准确率损失将苹果表面缺陷的检测效率提升1倍。结论:试验方法有望在苹果生产和加工过程中实现自动化缺陷检测。

基于改进生成对抗网络的动液面建模数据扩充

针对采用生成对抗网络进行油井生产参数数据生成时,部分生成数据不符合油井生产过程特性,导致动液面软测量建模质量不高的问题,提出一种基于专家诊断的生成对抗网络油井动液面软测量建模数据扩充方法。在判别器基于真实数据与生成数据得到原始损失值后,结合油井生产的机理过程对生成数据的合理性进行专家诊断,检测判别器判别结果。对错误结果进行补偿并加入生成器与判别器的损失函数中进行后续对抗训练,从而生成较优的符合油井生产过程特性的动液面软测量建模样本数据。通过仿真实验,生成数据补充到软测量建模的训练数据中能够提高动液面的预测精度,均方根误差降低了5.99%。表明加入专家诊断模块后生成器生成数据质量更高,能够更好地满足油田生产需求。

面向样本扩充的新型风格迁移网络研究

全监督语义分割网络在训练时需要耗费大量的人力与时间成本来标注样本。所以减少人工标注样本的时间,同时提升语义分割效果,对于深度学习网络的快速部署和应用推广具有重要意义。提出一种基于改进图像风格迁移网络(CycleGAN-AD)的样本扩充方法。以CycleGAN为基础,在生成器中引入注意力机制并将深度残差网络改为密集连接卷积网络。利用计算机批量产生自带标签的模拟样本,使用CycleGAN-AD网络将模拟样本风格迁移成为真实样本风格(标签不变),并用于扩充训练样本。对石墨电极的钢印字符进行语义分割的实验结果表明,采用CycleGAN-AD网络进行样本扩充后,其分割效果得到显著提升,MIoU值最高升至0.8260。可见,提出的样本扩充方法有希望在显著减少人工标注工作量的同时,获得高质量的训练样本。

面向集成电路拥塞预测的版图数据扩充方法

针对深度学习领域中集成电路(IC)版图数据集不充足导致预测模型准确度有限的问题,基于双生成对抗网络(DoubleGAN),提出了一种面向拥塞预测的版图数据扩充和自动标注方法。首先,利用5层反卷积网络结构搭建特征图生成模型,利用U-net结构搭建标签自动标注模型;然后,以Wasserstein距离为损失函数,训练以上模型;最后,原数据集通过以上模型扩充一定倍数后作为训练集,代入拥塞预测模型,提升预测的准确度。在拥塞预测数据集上进行数据生成实验,DoubleGAN生成数据的FID(Fréchet Inception Distance)的平均值为165.943,质量较好。与传统、深度卷积生成对抗网络(DCGAN)扩充方法进行对比实验,使用DoubleGAN扩充2倍时的预测方法,在归一化均方根误差(NRMS)、峰值信噪比(PSNR)、结构相似衡量(SSIM)指标上均优于传统方法和DCGAN扩充方法;对比数据扩充前的拥塞预测模型,各指标均有1.34%~17.98%的改善效果,实验结果表明所提扩充方法在总体上能够提高预测模型的准确度。

知识扩充和增量修剪的领域自适应神经机器翻译

领域自适应神经机器翻译是解决低资源翻译中领域语料稀少的一种方法。针对目前多模型集成方法中领域知识过拟合、领域适配缺乏自适应的问题,该文提出了一种基于知识扩充和增量修剪的多领域自适应方法(KAIP)。该方法首先利用知识隐藏策略生成目标领域的辅助语料库进行辅助任务学习,实现知识扩充;然后使用模型修剪策略构建通用领域参数,并结合辅助任务学习训练目标领域参数,在无需调整模型参数的情况下适应多个不同领域。在多个语种、多个领域语料上的实验结果表明,模型在单领域和多领域下的翻译质量均有显著提升。

融合框架表示的汉语框架网词元扩充

由于汉语框架网(CFN)的词元覆盖不全,使得CFN不能在大规模真实的文本中进行框架语义分析。框架语义学通过建立框架来解释词语的意义,框架与词语具有一定的语义相关性,而现有的方法在词元扩充任务中往往忽略了这种语义相关性。为此,提出一种融合框架表示的神经网络模型用于CFN词元扩充。利用双向LSTM对词语的词典释义和框架名进行建模,采用注意力机制得到与框架相关的词典释义表示;将框架语义表示和词典释义表示融合,从而得到词典中每个词的得分,输出得分高的词语。实验结果表明,该方法有效提高了CFN词元扩充的准确率,且优于基线模型。

(2n-4,2n-1)-扩充m-准Skolem序列的构造

设n为正整数,m∈{1,2,…,n},p,q∈{1,2,…,2n},p<q.n阶(p,q)-扩充m-准Skolem序列是一个由集合M={0,1,2,…,n}\{m}中元素组成的序列S=(s_(1),s_(2),…,s_(2n)),满足性质:(1)s_(p)=s_(q)=0;(2)对任意正整数k∈M,恰好存在两个正整数i,j,1≤i<j≤2n,使得s_(i)=s_(j)=k,且j-i=k.本文用序列拼接和直接构造等方法证明(2n-4,2n-1)-扩充m-准Skolem序列存在的必要条件也是充分的.

基于概率分布特征和代理模型的试验数据扩充方法研究

针对外场试验数据样本数量较少的情况,提出了一种利用概率分配和代理模型进行数据扩充的方法。通过分析数据的基本概率特征确定区间划分和各个区间需要生成的样本点的个数,样本点则基于反向传播(Back Propagation,BP)神经网络方法构建半实物仿真系统代理模型生成,并采用直方图统计方法选取,从而使增补的样本点既保留了原始数据的概率特征,又具有物理内涵。扩充的外场试验数据完善了飞行器的落点坐标信息,提升了落点数据融合模型的精度。通过飞行器534A的外场和半实物仿真试验研究,验证了该方法的实用性和有效性。

三相电压源整流器有限控制集扩充方法研究

有限集模型预测控制(finite control set model predictive control,FCS-MPC)处理优化问题有较大优势,但其控制精度在低采样频率下会急剧下降。以三相电压源整流器为例,现有解决方法多采用扩充矢量或改用调制型预测控制(modulated model predictive control,M-MPC),其本质在于通过增加开关频率提升控制精度,并未起到优化效果。为解决FCS-MPC在低采样频率下控制效果差的问题,同时为了能以较低的开关频率最大限度地提升控制精度,在分析FCS-MPC开关频率与控制误差间非线性关系的基础上,提出一种新的控制集扩充方法。通过构建12个新的电压矢量来扩充控制集,显著提升了FCS-MPC在低采样频率下的控制精度,且带来的开关频率增加较小。同时,在相同开关频率下,所提方法能够取得更优于M-MPC的控制效果。此外,通过调节目标矢量的权重还可改变其扩充模式,保留了FCS-MPC简单、直接的特点。最后,通过对比仿真及实验验证所提方法的有效性。

缺省逻辑的e扩充和me扩充

缺省逻辑（ＤｅｆａｕｌｔＬｏｇｉｃ）的扩充概念有二个弊端：１．无法描述缺省规则间固有的逻辑关系；２．无法描述结论与验证式之间的逻辑依赖关系．Ｗ．Ｌｕｋａｓｚｅｗｉｃｚ提出的ｍ扩充概念解决了问题２但没有解决问题１；本文首先提出了ｅ扩充的概念，它解决了问题１但没有解决问题２．最后我们提出了ｍｅ扩充的概念，解决了缺省逻辑遇到的两个问题，避免了相当一类的反常性．一个重要的结论是，每一封闭的缺省理论都有ｍｅ扩充．

基于多稳态特性与灰度差异熵的图像背景Python扩充方法

图像应用范围逐渐扩大,相关技术发展迅速,其发展的主要支撑是大规模的图像数据集合。现有公开资源以图像目标数据集合为主,而背景数据集合较少,并且内部数据体量较小,制约了图像相关技术的发展与应用,故提出基于多稳态特性与灰度差异熵的图像背景数据Python扩充方法。基于图像背景与目标的灰度熵差异,选取灰度熵阈值分割原始图像,获取图像背景区域,采用k近邻(k-Nearest Neighbor,KNN)算法深度挖掘背景数据,应用多稳定特性构造混沌序列,加密处理图像背景数据,通过Python制定图像背景数据并行扩充程序,执行制定程序即可实现图像背景数据的扩充。实验数据显示:提出方法获得的图像背景区域分割效果更好,图像背景数据扩充量最大值为1800MB,充分证实了提出方法应用性能更好。

拉曼光谱神经网络分类与样本扩充方法

拉曼光谱广泛应用于岩石矿物分析,而神经网络需要大量样本才能对拉曼光谱做到较高的分类准确率。本文提出了一种拉曼光谱的样本扩充方法,使用Gold反卷积算法、波峰波谷寻峰算法和函数拟合方法获取光谱中所有的拉曼峰信息,然后在其中加入随机值重构拉曼光谱用于扩充数据集。实验结果显示,样本扩充方法将卷积神经网络模型的分类准确率由95.7%提升至98.6%,因此在样本数据量极少的情况下依然可以使用样本扩充方法对岩石矿物样本准确分类且稳定性很高。