基于混合特征学习数学模型的WSNs入侵检测研究

随着WSNs入侵方式的多样化,现有检测算法的准确性会显著下降,为此提出了基于混合特征学习数学模型的WSNs入侵检测方法。检测中先基于嗅探器定时获取传感器节点运行参数,并利用熵权法选取无线传感器网络节点混合特征因子,包括能耗率、丢包率、报文发送频率、报文接收频率,再从获取传感器节点运行参数中获得四个特征因子对应的数值。利用BP神经网络构建入侵检测数学模型,以混合特征因子数值为输入,确定WSNs入侵类型,以实现对WSNs入侵行为的精确检测。结果表明:基于强化学习的入侵检测模型,基于双向循环生成对抗网络的入侵检测模型相比,所研究模型应用下,F1-measure数值更大,由此说明该模型入侵检测更全面,检测结果更准确,模型的整体性能更好。

基于深度学习的特高压三端混合直流输电线路波形特征故障区域判别方法

针对将现有直流线路故障区域识别方法应用于特高压三端混合直流输电线路时,存在难以区分T区两侧故障、耐过渡电阻能力弱和阈值整定困难的问题,提出一种利用深度学习及波形特征进行特高压三端混合直流输电线路故障区域识别的方法。首先,对三端混合直流线路不同故障区域进行故障特征分析;然后,对线模电压和线模电流进行多尺度小波分解,提取线模电流中低频分量和线模电压高频分量,结合正负极电压波形特征,组成深度学习模型的输入量,并将故障区域作为输出量,构建深度学习故障区域识别模型;最后,用训练过的深度学习模型对获取的故障特征量进行处理,以实现故障区域识别的目的。通过大量仿真实验,验证了所提故障区域识别方法具有准确率高和基本不受过渡电阻影响的特性。

自动生成影像学报告的混合特征提取无卷积结构深度学习模型

在影像学报告的生成中,由于正常区域和异常区域的数据不平衡,描述疾病的关键词经常被描述图像正常区域的句子掩盖,导致异常图像特征的误判和漏判,严重影响医疗报告的质量。本研究提出混合特征提取无卷积深度学习模型,首次将Swin Transformer引入放射学报告中,设计了一个混合特征提取器,以提取更加细粒度的图像特征,准确地捕捉生成影像学报告所需要的异常特征;设计一个名为视觉-语义协同注意力的注意力机制,在生成报告时突出图像重点特征信息,对非关键信息进行过滤,有效提升生成异常报告的质量;使用具有记忆机制的解码器模块生成影像学报告。最后,在流行的影像学报告IU X-Ray数据集上与当前的主流模型进行对比表明,本模型在语言生成指标和临床评估方面都达到较理想的效果。

混合式协作学习交互:特征、规律与调控

交互是促进人、技术、策略融合的纽带,是混合式协作学习中发挥多因素协同作用的关键。BCL中的交互有何类型、结构与规律?怎样利用其规律进行交互调控以取得最优学习绩效?笔者针对这些问题,进行了长期的实践与理论探讨。文中提出了BCL交互结构模型,认为BCL交互的角色、内容、层次、时空结构等具有新特点。总结出BCL交互中存在的6条规律:交互方式的可替代律,交互区域的共识律,交互的内容、媒介与对象的选择律,群体有效交互的三要素律,操作交互的界面阻抗律,自我反思交互的内隐重构律。为了加强交互调控提高BCL绩效,创建了由10个BCL交互变量组成的状态空间模型。总结了BCL交互调控的7条策略。

地下水水质污染问题数学模型的混合元—特征有限元方法

本文讨论并描述了地下水水质污染问题数学模型中的一类非线性耦合方程组的混合元—特征有限元方法，构造了问题的混合元—特征有限元全离散格式，利用椭圆投影及其误差估计。

面向同源蛋白质探测的一种新型混合深度学习模型

根据蛋白质氨基酸链探测其同源蛋白质,进而预测蛋白质的功能,是生物信息学研究领域的一个重要挑战,也是众多生物医学研究领域的基础研究内容,有着重要的科研价值和广泛的应用需求。其研究难点在于:(1)如何学习对同源蛋白质预测有效、有用的蛋白质特征信息;(2)如何更好地运用蛋白质特征信息,实现同源蛋白质的探测与识别。为了解决同源蛋白质探测与识别研究中的关键难点,本文提出一种基于混合深度学习架构的同源蛋白质探测与识别模型(HDLMPHP)。通过采用统一的“管道式”深度学习架构,将蛋白质特征学习和探测识别统一为一个整体,提高同源蛋白质探测与识别的效能。采用多组并行的深度卷积神经网络,学习蛋白质的各种属性信息,以期获得丰富的待检测蛋白质和靶蛋白质的高级相关性特征,并通过全连接方式使用多层RBM结构融合和精炼这些相关性特征为全局相关性特征。通过统一的深度网络连接方式,以探测和识别任务为导向,学习到对于同源蛋白质预测最有效、最全面的蛋白质特征信息。在标准数据集SCOPe上,对所提模型进行性能与效率评测,结果表明:本文提出的模型能有效地学习到符合任务导向的蛋白质特征数据,提升同源蛋白质探测与识别的准确度和召回率,优于现有的模型和算法。

基于双通道混合网络模型的调制方式识别方法研究

调制方式识别是电子对抗领域的核心技术之一,针对传统调制识别方法识别精度不高的问题,借助深度学习方法构建一种双通道混合网络(CLRD)模型,通过对信号的时序特征和空间特征的联合提取完成信号的有效识别。以RML2016.10a数据集为仿真对象,识别11种调制信号。仿真结果表明:在低信噪比条件下,本文提出的CLRD模型具有较好的识别准确率,当信噪比在-2 dB以上时,平均识别准确率可达到91.56%;与其他常用模型相比,识别准确率均有一定程度的提高。

基于网络学习空间的混合式小学数学教学模式探讨

网络学习空间是一种新兴有效的学习交流方式，是多元化的网络资源共享平台。如何将先进的网络信息技术深入地融合课堂教学中是一个值得关注的问题。文章以山东省胶州市李哥庄镇李哥庄小学的小学数学课程为例，提出了基于网络学习空间的混合式教学。文章对两种新型的教育模式“正向式”教学模式与“逆向式”教学模式进行了重新的界定，分别对两种模式的特点及适应场合进行了深入分析，提出了混合式切换教育模式。该模式兼具“正向式”教学与“逆向式”教学的优势，教师可根据不同章节的难易程度与班级水平的高低灵活选择合适的教学模式，实现教学效果的最优化。然后提出我们在“正向式”与“逆向式”教学模型的基础上，构建基于网络学习空间的混合式教学模型，以期为现代化信息教育的研究开辟一条新的途径。

数学学习的特征及其应用

以数学的特征、数学思维的性质、数学思维活动的特点和规律性及关于人类学习实践和理论研究成果为基础，通过适当的论证，来阐明数学学习的特征．

“乘法分配律”数学模型的建构

数学模型,一般是指用数学语言、符号和图形等形式来刻画、描述、反映特定的问题或具体事物之间关系的数学结构。乘法分配律的教学,很多的教师从其外形特征出发,出示4~6个符合乘法分配律特征的等式,引导学生观察等式,通过找出它们的相同点,用不完全归纳法抽象出等式模型：（a＋b）×c=a×c＋b×c。

理想混合物定义与微观特征间的关系

从理想混合物的定义出发,用数学推导的方法建立了它的微观模型。推导得到的两个推论可作为进一步改进非电解质溶液理论的出发点。

基于时空特征融合的城市洪涝混合深度学习预测

传统物理模型在二维地表淹没计算中虽然实现了高精度的求解,但其构建过程复杂、校准难度高,且计算效率低,在实时洪涝预报方面存在局限性。深度学习作为人工智能领域的重要分支,具有强大的数据处理和学习能力,可为洪涝预测提供变革性、创新性的技术手段。为此,提出了一种基于时空特征融合技术的城市洪涝混合深度学习预测模型,充分结合卷积神经网络和循环神经网络对空间和时间数据的学习优势,建立了SegNet-GRU混合模型。该模型能够准确预测研究区域在不同降雨情景下的极值水深和地表积水演变过程,实现了良好的预测精度(平均绝对误差、均方根误差、纳什效率系数和克林-古普塔效率系数分别为0.0085、0.0306、0.9627、0.6949)和处理速度(较一、二维模型预测速率提升近160倍)。

一种基于混合深度置信模型的面部表情识别方法

针对特征提取算法中存在的特征标注困难、有效特征丢失等问题,文中提出一种基于混合深度置信模型的识别方法,该方法利用深度模型来解决维度灾难,实现视觉特征的分层学习,从而提高识别精度.首先,为达到融合局部特征和全局特征信息的目的,本文根据表情特征分布特点进行图像分割,由分割的关键区域图像和整体图像加上不同的贡献度形成混合模型;其次,将图像输入到深度置信网络中,实现数字图像视觉特征的分层学习,抽象出代表表情类别的有效特征,从而避免人工设计特征提取中存在的提取困难和特征丢失的缺陷;最后,利用训练样本求解、更新混合模型组件的贡献度,提升算法的精度和鲁棒性.在JAFFE、Cohn-kanade表情库中的实验结果表明,本文提出的混合深度置信模型方法能对表情视觉特征进行有效学习,提高了表情识别的精度,识别率达到97.94%.

基于机器学习的人体动作局部特征点识别仿真

为了解决对人体动作局部特征点的识别误差率较高的问题,提出一种基于机器学习的人体动作局部特征点识别方法。首先利用人体在时空状态下的差别及运动频率变化,构建多尺度的局部时空领域特征。以目标之前状态为基础,通过卡尔曼滤波计算法对人体关节位置评估,并对之后的状态做误差最优估计,以此构建人体行为数学模型。利用小波转换函数构建神经网络模型,将之前所提取出来的人体动作特征点参数作为输入神经元,输入进神经网络内进行训练。然后利用训练完毕的神经网络对测试集分类进行定量识别,并确定识别精准度指标。仿真结果表明,所提方法的相对于传统方法提取人体动作数据多,分类全面,证明了所提方法识别准确度较高、误差率较低。

气候变暖条件下全球湖泊湖水混合特征变化研究

湖泊储蓄着全球大部分可用淡水资源,支撑生物多样性和关键生态系统以造福人类。然而,湖泊应对气候变化影响能力较差,如冰雪覆盖层融化时间变短、湖面温度升高等。建立了一维湖泊模拟数学模型,研究气候变化对全球635个湖泊湖水混合的影响。将21世纪两种排放情境下4种最先进模型计算的结果输入该模型。在RCP6.0情景下,到2080~2100年,湖泊冰雪覆盖层将大幅减少,预计将有约1/4的原季节性冰雪覆盖湖泊全年不再结冰。湖泊表层水温将明显升高,中等变暖条件下约升高2.5℃,极端变暖条件下约升高5.5℃。模拟计算表明:所研究湖泊中约有100个湖泊的湖水混合状态将发生变化,其中约有1/4的单循环湖(即在大部分时间内每年只发生一次湖水混合)湖水将发生永久分层;约有1/6的二次循环湖(即每年湖水循环2次)将变为单循环湖。研究结果预计,在气候变化影响下大部分湖泊湖水混合频率将降低。

职业学校学生数学学习非智力因素与提升研究

研究表明,非智力因素成为影响职业学校学生数学学习以及取得好成绩的主要因素,学生存在的非智力因素中的一个或几个问题,就能成为制约学生数学学习的障碍.本文利用“数学学习非智力因素模型”对职业学校学生的数学学习非智力因素特征进行了实证调查,得出结论:职业学校学生数学学习状况不甚理想;职业学校学生的数学学习非智力因素总体特征上呈现中性,女生群体弱于男生群体,并在某些维度与具体因子上为中性偏弱,甚至个别因子趋于反向弱型;职业学校学生数学学习的非智力因素存在问题.根据调查结果提出了相应的提升职业学校学生非智力因素的措施.

基于混合学习的三角函数教学设计

《普通高中数学课程标准（2017年版）》指出：采用“互联网＋数学教育”的思路破解数学课堂模式化培养与个性化学习之间的矛盾,在教学中落实数学学科核心素养.“互联网＋教育”的关键因素之一是用好在线教育平台,改善教师教学方式,促进学生线上线下融合学习,使学习更加丰富多彩、生动有趣,实现教学的精准化和个性化.混合学习是依据一定的教与学目标,综合利用面对面的传统教学和数字化教学的优势,按照学习内容、学习者和教师特征、学习环境等因素对教学媒体和方法等进行选择、组织和实施,以实现教学效益最优化.三角函数是高中阶段最后一个基本初等函数,既是对函数定义的进一步理解,又是对函数的周期性及函数思想的进一步深化.在实际教学中,三角函数是学生理解较为困难的数学内容之一.因此,我们选择了“基于混合学习的三角函数教学研究”.试从混合学习理论的观点分析和研究三角函数的教学,着重探讨如何利用混合学习理论优化三角函数的教学过程,并提出了相关的教学模式、教学设计等.以下是笔者基于混合学习三角函数教学设计的几点设想.

浅谈如何在操作中建构数学模型

《义务教育数学课程标准》(2011年版)明确地将"模型思想"列为核心概念之一,这是当今社会对义务教育阶段的数学教学提出的新课题和新要求。在广义模型观下,数学就是关于模型的科学,学生的数学学习本质上就是对数学模型的认知以及建模过程的经历与经验的积累。数学模型的抽象性与小学生以形象思维为主的认知特征,是数学建模教学中一对突出的矛盾,化解矛盾的方法是多元的。

基于深度学习的作曲家分类问题

在音乐信息检索领域,作曲家分类是一个十分重要的问题,这一问题的目标是通过音频数据来识别相应的作曲家信息.传统的分类算法都是通过提取复杂的特征来进行分类的,而深层神经网络在特征学习上具有比较强的能力,因此提出用深层神经网络来解决这一问题.为了结合不同深层神经网络模型的优点,设计了一种混合模型,该模型基于深度置信网络(deep belief network,DBN)和级联去噪自编码器(stacked denoising autoencoder,SDA),可以较好地解决作曲家分类问题.实验表明,该模型取得了76.26%的正确率,这一结果比单纯用某一种模型搭建的深层神经网络以及支持向量机要好.和图像数据类似,人脑在提取音乐特征也是分层的,每一层对信号的处理不一样,因此混合模型在解决作曲家分类问题上具有一定的优势.

利用累积logistic混合模型研究考研因素对数学专业免费师范生学习动力的影响

基于六所部属师范大学数学专业免费师范生现状的调查数据,探讨是否允许考研和学习动力之间的关系.经典累积logistic模型对数据的拟合不佳.利用累积logistic混合模型,很好的拟合了数据,得到如果允许考研将提升免费师范生学习积极性的结论.