基于渐进学习的初中语文名著项目化阅读实践——以《儒林外史》名著导读为例

统编版初中名著导读设计是一大特色,也是教学的重难点,本文以《儒林外史》为例,在项目化渐进学习下,多维考量,明晰项目主题;巧设情境,形成驱动问题;转换任务,夯实项目流程;三式评价,复盘项目成果等合作探究完成各项目活动任务,花费少量时间成本(与教科书学习相比)实现较高的知识保留率,从而探索名著阅读的项目化渐进学习的设计和实际操作的一般规律,助推名著阅读走向深度阅读。

电动汽车接入配电网不平衡负荷数据渐进学习方法

为了降低电动汽车接入配电网不平衡负荷数据处理过程中错误数据影响,以最短的时间达到平衡状态,提出了电动汽车接入配电网不平衡负荷数据渐进学习方法。计算电动汽车接入配电网的总充电功率,分析电动汽车接入配电网不平衡负荷变化规律。通过添加合成样例,平衡少数训练信息,合成不平衡负荷数。采用渐进学习的方式学习不平衡负荷数据,并利用非对称更新策略,获取错误预测有标签数据。通过更新线性分类器方差,获取去除错分合成的不平衡负荷数据,经过渐进学习后逐渐实现负荷平衡。由实验结果可知,该方法应用后的负荷变化情况与实际情况一致,且最短耗时为0.2ms,具有良好的学习效果。

一种不平衡数据渐进学习算法

针对不平衡数据学习问题,提出一种采用渐进学习方式的分类算法。根据属性值域分布,逐步添加合成少数类样例,并在阶段分类器出现误分时,及时删除被误分的合成样例。当数据达到预期的平衡程度时,用原始数据和合成数据训练学习算法,得到最终分类器。实验结果表明,该算法优于C4.5算法,并在多数数据集上优于SMOTEBoost和DataBoost-IM。

阶段式动态分组实验与互动渐进学习方法的研究与实践

科学客观的学生分组实验模式和学习方法是决定分组实验学习能否成功的关键因素之一,对于学生自主学习能力的培养具有重要意义。根据知识二分法与群体网络知识传播理论,结合软件工程专业理论与应用并存的特点,深入探索了适合软件工程专业本科生的分组实验学习策略和实施方法,提出了基于阶段式动态分组的实验方法。根据课程知识由浅入深的特点,将学习和实验任务归类并划分为理论型和应用型两类,进而针对不同类型任务对学生进行动态分组并配合互动渐进学习方法,以任务带动学习实现知识的循序渐进。实践表明,该方法有助于提高软件工程专业本科生的学习效率、创新与沟通能力,对达到培养目标具有积极的推动作用。

渐进学习语音增强方法在语音识别中的应用

在语音识别实际应用中,带噪语音信噪比的复杂性会造成识别难度增大,导致语音识别系统性能下降.本文将渐进学习语音增强方法应用于语音识别,以取代传统语音识别中使用的基于深层神经网络的语音增强方法.本文使用渐进学习语音增强方法在识别模型前端进行降噪预处理,然后再作识别,以更好地提升语音信噪比,进而提高系统性能.首先使用渐进学习方法训练一个深层神经网络.然后,将语音经过这个渐进学习深层神经网络作增强.最后,将渐进学习深层神经网络增强后的语音经过语音识别模型作识别.通过实验验证,本文使用的渐进学习语音增强及识别方法,相对于传统语音增强及识别方法,在识别准确率上有10.28%的相对提升.

基于KL距离的不平衡数据渐进学习算法研究

为解决不平衡数据内在固有性引发的分类结果受强势类影响较大的问题,研究基于KL距离的不平衡数据渐进学习算法,精准地辨识出不平衡数据中的弱势类样本,提高算法分类性能。在深入分析KL距离和欠抽样法的基础上,使用欠抽样法平衡化处理不平衡数据集,采用基于KL距离的不平衡数据半监督学习算法,以渐进模式,通过寻找可靠正例、可靠反例,实现处理后数据集的最终分类。实验结果表明,上述算法的G-mean值始终较高,可极大地提高算法分类性能;所提算法使用后的F-measure值在任何抽样比例下都高于使用前的F-measure值,且在抽样比例较大时,F-measure值呈缓慢上升趋势,能很好地分类出不平衡数据集中的弱势类样本。

一种具有渐进学习能力的融合方法

运行在动态与未知环境下的多传感器系统往往会面临环境与自身结构的渐进式变化 ,导致一般的具有学习能力的融合方法很难适用 .本文提出了一种具有渐进学习能力的融合方法 ,它具有良好的自适应性和鲁棒性 .该方法由一种名为接受域加权回归 (ReceptiveFieldWeightedRegression)的渐进式学习算法和加权平均的融合算法组成 .最后以三个摄像机联合定位作为研究对象 ,对该方法进行了仿真 ,验证了其有效性 ,同时还和基于BP神经网络的融合方法进行了比较 .

网约车改革实践如何形成渐进学习型政策变迁?——基于政策学习与社会学习的双维度分析

在治理和政策成为理论与现实相连接的两大议题之时,中央和地方治理主体是如何通过与市场、社会保持某种互动性学习而不断推动政策变迁的?根据网约车改革实践提出基于政策学习与社会学习双维度分析的渐进学习型政策变迁。在政策学习维度,网约车改革作为一种调适性合作机制,中央政策制定通过给予地方自主性上的“留白”空间,尊重地方意愿,撬动市场力量,凝聚民众共识,提升了政府决策能力,使得政策学习常态化,但也产生了一定的路径锁定。在社会学习维度,网约车改革作为一种策略性反馈机制,中央政策制定对平台公司既有运营模式进行重塑,地位合法化使得其行为更加规范,民众对市场更有信心,对政策更加认同,社会学习与政策学习并存成为必需。在两个学习效果测量上,基于效率水平和人本价值二维特性,政策学习在央地、央市、央社、地市、地社,社会学习在市央、社央、市地、社地、社市五大学习主体上均表现出不同的学习水平。最后指出,治理依托政策,政策反映治理,未来需要从政府与市场、社会双向互动的学习视角出发,迈向更多的渐进学习型政策变迁解释。

应用时空大数据的电力需求侧不平衡数据渐进学习算法

针对重采样过程中,不平衡数据分类结果G-mean值较低,数据类分布不平衡的问题,考虑到电力需求侧不平衡数据的独特性,提出应用时空大数据的不平衡数据渐进学习算法.基于物联网终端节点采集的动态时空大数据,设计的不平衡数据渐进学习算法,建立基于长短记忆网络的时空大数据处理机制.依据属性值域,选定合适的时空数据与电力需求侧数据进行合成处理,促进数据类分布平衡.按照KL距离计算理念,获取计算不同数据之间的KL距离,并依托于KL距离,设计半监督学习算法,求解与优化电力需求侧不平衡数据渐进学习过程.实验结果表明:所提算法的平均G-mean值为0.93,平均G-mean值最高提升了37%.

基于渐进式学习与多尺度增强的客体视觉注意力估计方法

视觉注意力机制已引起学界和产业界的广泛关注,但既有工作主要从场景观察者的视角进行注意力检测。然而,现实中不断涌现的智能应用场景需要从客体视角进行视觉注意力检测。例如,检测监控目标的视觉注意力有助于预测其后续行为,智能机器人需要理解交互对象的意图才能有效互动。该文结合客体视觉注意力的认知机制,提出一种基于渐进式学习与多尺度增强的客体视觉注意力估计方法。该方法把客体视域视为几何结构和几何细节的组合,构建层次自注意力模块(HSAM)获取深层特征之间的长距离依赖关系,适应几何特征的多样性;并利用方向向量和视域生成器得到注视点的概率分布,构建特征融合模块将多分辨率特征进行结构共享、融合与增强,更好地获取空间上下文特征;最后构建综合损失函数来估计注视方向、视域和焦点预测的相关性。实验结果表明,该文所提方法在公开数据集和自建数据集上对客体视觉注意力估计的不同精度评价指标都优于目前的主流方法。

时空渐进式学习的视频显著性目标检测

视频显著性目标检测需要同时结合空间信息和时间信息,连续地定位视频序列中与运动相关的显著性目标,其核心问题在于如何高效地刻画运动目标的时空特征.现有的视频显著性目标检测算法大多使用光流,ConvLSTM以及3D卷积等提取时域特征,缺乏对时间信息的连续学习能力.为此,设计了一种鲁棒的时空渐进式学习网络(spatial-temporal progressive learning network,STPLNet),以完成对视频序列中显著性目标的高效定位.在空间域中使用一种U型结构对各视频帧进行编码解码,在时间域中通过学习视频序列中帧间运动目标的主体部分和形变区域特征,渐进地对运动目标特征进行编码,能够捕捉到目标的时间相关性特征和运动趋向性.在4个公开数据集上与13个主流的视频显著性目标检测算法进行一系列对比实验,所提出的模型在多个指标(maxF,Smeasure(S),MAE)上达到了最优结果,同时在运行速度上具有较好的实时性.

渐进式学习下的“数字信号处理”实验教学研究

为了适应当前社会对电子通信等专业人才的需求,文章结合学科的发展和课程的特点,探析了“数字信号处理”课程实验教学的改革,主要表现在整合教学内容、丰富教学手段、运用多样化等渐进式学习的实践教学,注重培养学生的动手能力和解决问题的能力。

一种改进的基于深度学习的小目标检测方法

提出了一种改进的基于深度学习的小目标检测方法,用于解决当前主流算法针对小目标进行检测时输入图像需为小尺寸照片且模型参数过多等缺点的问题。为了解决这些问题,首先对图像进行预处理,将一张较大尺寸的图像按一定规则拆分成多张小尺寸图像后送入网络,克服了以往算法需要小尺寸图像才能进行检测的问题。对DNANet网络结构进行改进,减少其网络层数,提高了网络推断速度。使用TverskyLoss为像素分割的损失函数对损失函数进行优化,并采用渐进式学习法训练模型,使网络从普通目标到小目标的检测过程更为稳定。实验结果表明,该方法有效提升了深度学习在小目标大尺寸图像方面的收敛速度,改进后的网络对大尺寸图像的预测准确率提升了5%,预测时间缩短了25%。综上所述,提出的基于深度学习的小目标检测方法,可以方便地应用于工程实践中,并具有较高的实际应用价值。

基于支持向量机的渐进直推式分类学习算法

支持向量机(support vector machine)是近年来在统计学习理论的基础上发展起来的一种新的模式识别方法,在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势.直推式学习(transductive inference)试图根据已知样本对特定的未知样本建立一套进行识别的方法和准则.较之传统的归纳式学习方法而言,直推式学习往往更具普遍性和实际意义.提出了一种基于支持向量机的渐进直推式分类学习算法,在少量有标签样本和大量无标签样本所构成的混合样本训练集上取得了良好的学习效果.

地方治理现代化背景下的学习型政策变迁——基于渐进和强制两种路径的比较分析

人类社会要实现善治,必须不断推动政策和制度变迁,其中理性和学习两个要素、渐进和强制两种类型贯穿始终,由此产生基于渐进理性和强制理性的不同学习型政策变迁路径。渐进学习型政策变迁路径通过政府、市场和社会三方协商互动,建立了一种常规且良性的政策变迁模式,以网约车改革实践应用分析其具有政策学习和社会学习的相关特征。强制学习型政策变迁路径体现“间断—均衡”、“诉求—结果”和“冲击—回应”行为机理,以邻避冲突为代表的应用分析其具有“邻避冲突的突发性、政府回应的临机性、决策改变的消极性、项目承接的共谋性以及环保体系的变革性”特征。两种政策变迁路径的机理和趋势均有不同,同时在政策合法性、学习的动因条件和机制效果等方面亦有差异,以地方治理现代化推动并进而实现国家治理现代化是一项中长期治理目标,学习型政策变迁路径必须得到重视和发掘。

从“头脑风暴”谈物理实验的渐进式学习

科技馆作为非传统教育基地，用渐进式的学习方式替代传统的按部就班的实验学习；这里主要采用了引导实验“头脑风暴”讨论一获得结论一提出假设一实验验证的方式，让学生在学习实验课程的同时也体会了科学探索的过程。

基于有效跟踪的平均渐进瞬时差分学习遗忘算法(英文)

智能体通过学习最优决策来解决其决策问题.激励学习方法是智能体通过与其所处的环境交互来改进它自身的行为.Markov决策过程(MDP)模型是求解激励学习问题的一般框架,瞬时差分TD(λ)是在MDP模型下与策略相关的学习值函数的一种算法.一般情况下,智能体必须记住其所有的值函数的值,当状态空间非常大时,这种记忆的量是大得惊人的.为了解决这个问题,给出了一种遗忘算法,这种算法把心理学的遗忘准则引入到了激励学习之中.利用遗忘算法,可以解决智能体在大状态空间中的激励学习问题.

基于渐进式学习的神经网络端到端验证码识别

针对验证码经过弯曲变形,无法采用传统的字符分割方法进行检测的问题,在模仿人类的渐进式学习过程的基础上,提出利用卷积神经网络,优化手写识别MNIST的三层网络结构,无需预先对验证码进行分割,直接对验证码进行端到端的识别。利用不确定度回收训练图片,减少训练集数据量,并利用可视化工具提高其网络识别性能。经过55万次训练后,生成了检测模型并对测试集验证码进行了检测,验证码识别速度达到0.073秒/张,准确率达到86%。通过对比同一测试环境下的测试集,发现利用渐进式学习方法具有更高的建模效率和更好的识别准确率,并对识别错误的验证码进行分析。

渐进式学习让语文课堂学习更有效

中学语文课堂要从学生学习实际出发,根据学习内容引导学生真正学会学习,深度学习,快乐学习。扎实有效的渐进式学习活动就是通过学生学习点滴的进步,知识的点滴积累,对学生的求知与探索加以调节和唤醒,培养学生主动参与课堂学习的自主探究学习能力,通过不断地引导和激发学生的真正想法,让学生在课堂上吐真言,让学习在课堂上真正发生。

基于渐进对抗学习的弱监督目标定位

针对实际应用中大量数据集缺乏精细位置标注的问题,提出了一种基于渐进对抗学习的弱监督目标定位算法。具体来说,针对数据集噪声造成训练困难的问题,引入自步学习对训练数据按由简到难的原则进行排序。在网络设计上,将弱监督目标定位网络设计为多标签分类网络,并提出了相应的对抗损失函数适应目标定位任务。为了解决现有方法往往只关注最具辨别力的部分,无法定位整个目标的问题,提出一种金字塔对抗擦除机制以此在最后的定位图中发现完整的目标。在数个标准的数据集的实验表明,该算法具有较高的定位精度,与最先进的弱监督目标定位的方法相比具有一定的竞争力。