SL6000施工深度追踪技术探讨

随钻测井现场施工中,准确的深度追踪,可以提高电阻率和伽马曲线的测绘质量,同时还可降低测量人员的工作量。现场SL6000施工过程中,确保深度系统准确追踪深度的关键就是确保大绳所在滚筒的层位和软件采用的深度系数一致。确保大绳所在滚筒的层位和软件采用的深度系数一致的关键在于在基准点对软件深度追踪系统进行基准校正。修改深度校正系数时,系数变大,测量的深度将偏小;系数变小,测量的深度将变大。

FKA-DKT:融合知识与能力的深度知识追踪模型

知识追踪(KT)是智能教育中的一个重要研究问题,其通过分析学生的历史交互来预测其未来的答题情况.现有的主流KT模型仅根据学生的知识掌握情况对学生进行建模,忽视了学生的个人能力在答题中的作用.因此,本文提出了一种融合知识和能力的深度知识追踪模型(FKA-DKT).首先利用DKT模型构建基于知识的答题预测网络(KAPN),从知识层面预测学生答案的正确性.然后提出基于能力的答案预测(AAPN)网络对学生的能力进行建模,从能力层面预测学生答案的正确性.最后,将KAPN和AAPN的预测结果进行线性组合,使模型能够融合知识和能力两个方面的信息来预测学生的作答结果.在4个公开的数据集上的实验结果表明,相较于现有的主流方法,FKA-DKT在AUC指标上取得了显著的性能提升.

基于情感识别的深度知识追踪算法研究

在新一代信息技术与智慧教育融合的时代背景下,深度知识追踪(DKT)在智慧教室中的应用成为一个热门的研究方向。然而,目前的深度知识追踪模型更多地专注于对学生答题情况进行分析,忽视了情感状态对学生知识掌握情况的影响。对此,在深度知识追踪的循环神经网络的基础上,提出了基于情感识别的算法框架。在现有的循环神经网络的深度知识追踪模型中新增一个训练情感数据的多层感知机(MLP),它可以将情感数据有效输入循环神经网络模型中,以提升知识追踪精度。为验证所提出的新算法,利用四川天府新区麓湖小学的学生考试数据进行模型训练和验证。通过数值分析,基于情感识别的深度知识追踪模型对学生知识点掌握情况的预测值精度有显著提升。预测结果与真实值的差别相较于改进前的深度知识追踪模型均值更小,稳定性更高。总的来说,所提出的基于情感识别的深度知识追踪算法对未来智慧大数据的发展具有借鉴和参考价值。

深度知识追踪模型综述和性能比较

知识追踪是一种重要的认知诊断方法,往往被用于在线学习平台、智能辅导系统等信息化教学平台中.知识追踪模型通过分析学生与课程作业的交互数据,即时模拟学生对课程知识点的掌握水平,模拟的结果可以用来预测学生未来的学习表现,并帮助他们规划个性化的学习路径.在过去20多年中,知识追踪模型的构建通常基于统计学和认知科学的相关理论.随着教育大数据的开放和应用,基于深度神经网络的模型(以下简称“深度知识追踪模型”)以其简单的理论基础和优越的预测性能,逐渐取代了传统模型,成为知识追踪领域新的研究热点.根据所使用的神经网络结构,阐述近年来代表性深度知识追踪模型的算法细节,并在5个公开数据集上对这些模型的性能进行全面比较.最后讨论了深度知识追踪的应用案例和若干未来研究方向.

结合深度知识追踪与矩阵补全的习题推荐方法

精准的习题推荐是智慧教学中的重要内容,具有非常重要的研究和实践意义,如何在数据稀疏的情况下,从学习者答题记录中对学习者知识建模一直是习题推荐的研究重点。对此,针对现有的习题推荐方法存在数据稀疏和忽略群体特征的问题,提出一种结合深度知识追踪与矩阵补全的习题推荐算法。该算法分为知识水平建模和矩阵补全两个模块。首先,通过深度知识追踪模型训练得到学习者知识水平矩阵,实现对学习者知识水平建模,精准挖掘学习者知识概念掌握水平;其次,考虑学习者的近邻信息,利用学习者之间的群体特征,融合相似用户的知识水平;最后,引入矩阵分解模块进行知识矩阵补全,对学习者未做习题进行得分预测,从而缓解数据稀疏问题。该推荐算法同时考虑到学习者的群体共性和学习者知识水平矩阵稀疏问题。与其他算法相比,该算法有效地提升了推荐结果的精确度、召回率和F1值,且随着习题推荐数量的增加,算法的性能优势越明显。

DKVMN-PLC:一种融合学习者个性化学习特征的动态键值记忆网络知识追踪模型

动态键值记忆网络知识追踪作为知识追踪领域的代表性模型,通过引用注意力机制提高了模型的可解释性,但未考虑异常学习行为对学生状态更新的影响,也存在添加学习特征损害模型可解释性的问题.针对以上不足,本文提出模型DKVMN-PLC(Dynamic Key-value Memory Network with Personalized Learning Characteristics).首先,基于协同过滤思想,提出一种使用整体、阶段性学习能力判断异常学习行为的方法,量化了异常学习行为对更新学习状态的影响,提高学生状态建模的准确性.其次,提出一种存储器特征与个性化特征的融合方法,使用特征工程、聚类技术将特征分别用于同步存储器和预测学生表现,提高模型使用键值对获取学生信息的准确性.将DKVMN-PLC与5个知识追踪模型在3个数据集上进行了对比实验,DKVMN-PLC模型表现均为最优.

基于深度学习的目标追踪方法综述

目标追踪用于在视频流中连续跟踪感兴趣的对象,根据初始帧中取得的轮廓和位置信息,在后续帧中预测对象的位置和状态,最终得到感兴趣对象的运动轨迹,是计算机视觉领域的研究热点。近年来,使用深度学习的目标追踪方法已经成为目标追踪领域的常用方法。文章将聚焦于深度学习在目标追踪方面的应用,对目标追踪方法的发展进行简单回顾后,从基于深度特征的目标追踪方法、基于孪生网络的目标追踪方法、基于Transformer的目标追踪方法等方面对目标追踪进行分类阐述,描述了目标追踪的常用数据集并对可能的未来方向进行了展望。

基于多阶拟合机制的深度认知追踪方法

认知追踪是一种动态的学习主体建模技术,已被广泛应用于智能教育领域。随着以深度学习为代表的新一代人工智能技术的迅猛发展,基于深度学习的认知追踪——深度认知追踪成为当前智能教育领域的研究热点。针对现有的深度认知追踪方法普遍只利用单个时间步信息来引导模型拟合学习者的行为数据,容易导致因模型监督信号不足而难以挖掘复杂行为背后蕴含的稳定性因素这一问题,文章提出一种基于多阶拟合机制的深度认知追踪方法。该方法通过融合多个邻接时间步的信息来增强模型监督信号,并设计了相应的权重规则和去重规则,以减少远距离、冗余性信息带来的干扰。通过在4个基准数据集上的对比实验与预测结果热力图的可视化分析,文章发现该方法不仅有效提升了模型的预测性能,而且赋予了模型更强的可解释性。

人工智能支持下基于特征融合的深度知识追踪模型研究

精准评估学习者的知识状态是构建自适应学习系统的基石,也是智能教育时代推进个性化学习的根本前提。深度知识追踪模型作为知识状态建模的一种有效方法,已成为教育数据挖掘领域的研究焦点。然而,由于深度知识追踪模型未能将深度学习与领域特征充分融合,导致模型的预测效果不够精准。针对此问题,研究从特征融合的视角出发,提出一种融合测评行为和知识结构特征的深度知识追踪模型。在该模型实现过程中,首先依据xAPI标准对测评行为数据进行采集;然后,采用决策树算法对测评行为特征进行选择,并利用知识传播机制将知识结构融入模型;最后,基于长短期记忆神经网络对学习者的知识状态进行追踪。算法对比实验和实际教学应用效果表明,该模型具有有效性和实用性。该模型在助力核心素养导向的教育评价以及优化智慧学习环境中的智能导学等方面具有广阔的应用前景。

基于学习者能力的注意力机制知识追踪方法

基于学习者能力,针对基于循环神经网络(RNN)和长短期记忆(LSTM)网络的深度知识追踪(DKT)算法对早期知识点关注的不足,提出一种加入注意力机制的DKT算法,并用时隙聚类的方法对不同能力学习者动态分组并赋予不同的注意力权值,以建立更平衡、更客观的知识记忆程度权重分布模型.常用公开数据集上的实验结果表明:该模型优于2种基准模型和2种消融实验模型,说明所提出的模型能更好地表现学习者的知识状态.

深度知识追踪在适应性学习系统的应用

目前,适应性学习已成为在线教育智能化的一个发展趋势。适应性学习系统根据学习者的能力和需求提供合适的学习材料和学习干预,以优化学习过程。深度知识追踪采用深度学习技术分析学习者的知识水平,是构建适应性学习系统的基础。本文首先介绍深度知识追踪的基本模型和发展,然后描述适应性学习系统的基本结构,最后探讨深度知识追踪在适应性学习系统的应用,使学习者能够进行个性化学习。

学习者知识追踪研究进展综述

学习者建模是自适应学习系统的支撑技术之一,其中以知识追踪为代表的学习者知识状态建模研究最为广泛。3种代表性的知识追踪技术分别为基于隐马尔可夫模型的贝叶斯知识追踪、基于逻辑回归模型的可加性因素模型、基于循环神经网络的深度知识追踪。通过综述发现,贝叶斯知识追踪模型适用于含单一知识点的学习任务的知识追踪,可加性因素模型和深度知识追踪模型适用于含多知识点的学习任务的知识追踪,但深度知识追踪模型的教学可解释性不佳。在综述现有研究的基础上,受到知识空间理论的启发,将知识点之间的先决关系融入到知识追踪模型是未来的一个重要研究方向,并初步提出了一种融合知识点先决关系的可加因素模型。

基于深度知识追踪的大学英语智适应学习系统构建初探

随着人工智能技术日趋成熟,基于深度学习的知识追踪近年来在智慧教育领域发挥着越来越重要的作用,不断被应用到各种教育场景。本文对大学英语网络教学和知识追踪的演变历程进行了概述,并尝试从系统构成、学习内容、学习任务、学习模式等四个维度探索如何利用深度知识追踪来构建大学英语智适应学习系统,旨在引起语言学、人工智能、教育学领域专家的关注,共同开发出理想的大学英语智适应学习系统。

基于改进蚁群算法的个性化学习路径推荐

目前已有的学习路径推荐领域多为学习资源推荐,而课程知识图谱应用率较低,与蚁群算法的结合普遍缺乏对学习者知识水平的精确建模.因此,提出将知识图谱技术、深度知识追踪模型以及蚁群算法三者相结合,同时分类蚁群改进传统的蚁群算法:首先,抽象出课程知识点图谱作为路径基础,将深度知识追踪应用于不同水平学习者的分类,并与知识点难度权重相结合;然后,采用蚁群算法进行相应的路径规划,将蚁群按照不同的学习者类别进行划分,在保障相对最短学习路径的同时考虑不同学习群体客观知识水平情况,从而得到个性化的高效率学习路径推荐;最后,在ASSISTment数据集上验证了本方法的有效性.

结合图卷积的在线编程系统成绩预测模型

针对传统模型未充分利用学生解答记录的问题,提出一种结合图卷积的在线编程系统成绩预测模型。引入难度与熵权优化深度知识追踪模型,构建学生的知识状态向量;基于知识状态与测试成绩构建学生相似度图,通过图卷积模型融合相似度图中的结点特征;利用融合后的结点特征对学生成绩进行预测。实验结果表明,该模型在真实数据集上相比基线模型能够更准确地预测出学生成绩。

融合梯度提升回归树的深度知识追踪优化模型

知识追踪是个性化学习领域重要研究问题,但现有知识追踪模型缺乏学习过程多维特征因素综合考虑,知识追踪过程中动态矩阵更新较少考虑学习者当前知识状态.针对上述问题,文章提出了一种融合梯度提升回归树的深度知识追踪优化模型(DKVMN-GBRT).首先,将学习者当前知识状态引入动态矩阵更新过程;其次,根据学习者历史学习序列分析学习者学习能力和任务难度特征;最后,将GBRT回归算法融入知识追踪模型,根据学习者特征预测学习者知识掌握状态.实验结果表明:DKVMN-GBRT模型能够有效追踪学习者的知识状态,动态描述学习者对每个知识点的学习能力;在3个公共数据集上性能分析优于现有知识追踪模型,提升了深度知识追踪模型的预测精度.

基于多特征双塔结构的知识追踪模型

知识追踪(KT)旨在根据学习者先前的学习记录来预测他们未来的学习状态。深度知识追踪(DKT)是近年来利用深度学习技术发展起来的一种学习方法,动态跟踪学生学习情况以提供个性化的学习支持。然而,当前的研究旨在研究练习和知识点之间的关系,忽略了学生个体和知识本体的复杂互动关系。为了解决该问题,提出一种新颖的多特征双塔结构的知识跟踪模型(Multi-feature Two-tower Structure based Knowledge Tracing,MTKT),利用双塔结构中的学生塔和知识塔来相互影响学生学习的整个过程。MTKT框架应用Transformer神经网络将众多特征序列映射为多特征矩阵,同时注重不同学生个体的特征和文本信息的依赖关系的影响。在两个公开数据集上实验,结果表明,该方法比几种基线具有更好的预测性能。

基于彩色图像引导的RGB-D相机追踪与三维重建

为了解决基于RGB-D相机三维重建中相机位姿估算不准确问题,尤其是当扫描时RGB-D相机之间移动距离过大或者存在严重遮挡变化,提出一个新颖和鲁棒的RGB-D相机位姿追踪算法来提高相机追踪的精度并进行高保真度的三维重建。首先,采用一个线性处理(line-process)算法来建立连续RGB-D帧之间更加可信的密集对应,然后利用这些密集对应来对传统的ICP(iterative closest point)方法进行改进,使得RGB-D相机的位姿追踪更加精确。尽管手持RGB-D相机获得的深度图包含明显的噪声,并且相邻帧之间很容易出现抖动,所提出的构建密集对应的算法仍然可以对RGB-D相机进行准确地追踪。另外,该算法还可以在闭环检测中得到有效的应用,并可以有效地减轻相机追踪产生的相机漂移。最重要的是该方法还可以作为一个类似的插件应用到其他的基于ICP的算法中来提高相机追踪的精度。实验结果表明,不管是在公共数据集上还是实时扫描的真实场景上,该方法都有效和鲁棒。