时间轮盘表征图技术设计及其在环境监测数据展示中的应用

针对环境质量管理需求,提出了一种新的环境监测数据表征方法——时间轮盘表征图技术,研究了该方法的设计及功能实现,并给出了时间轮盘表征图在环境质量数据展示中的具体应用实例。实例表明该方法具有强有力的时态数据展示能力,可以更加有效地展示环境监测数据的周期性、时态性变化特征和趋势,使环境质量的变化对比更加直观、清楚。

基于图表征和双重注意力机制的跨被试ERP检测

针对事件相关电位(event-related potential,ERP)在跨被试场景下检测精度不高的问题,提出了一种基于图表征和双重注意力机制的卷积循环神经网络模型。该模型采用不依赖于被试和任务的图来表征脑电信号中的空间信息,并级联卷积神经网络(convolutional neural network,CNN)和长短期记忆网络(long short-term memory network,LSTM)形成CNN-LSTM基础框架,同时嵌入双重注意力机制(即选择性内核卷积和自注意力机制)以充分提取不同被试脑电信号的时空特征,从而提高跨被试场景下的ERP检测精度。在基于快速序列视觉呈现范式的大规模基准数据集上的实验结果表明,与现有的7种ERP检测方法相比,所提方法在跨被试场景下具有显著的优越性。

基于异质图嵌入和会话交互的课程推荐模型

大规模在线教育平台所形成的网络具有数据量大、实体类型丰富、关系复杂等特性。一方面,在线教育正在被大力普及,而另一方面,在线课程却面临低使用率、低完成度及高辍学率的问题。个性化的课程推荐有利于提高学习者的学习积极性,其中,课程能否顺利合格完成是学习者在选课时所考虑的重要因素。鉴于此,提出一种基于学习完成度预测的个性化课程推荐模型。对学生的课程学习会话图进行建模,根据学生的课程学习顺序以及课程的完成情况,生成学生的学习状态表征;同时考虑在线学习环境因素对课程的影响,构建在线课程学习异质图,采用图神经网络生成异质图中课程节点的嵌入;然后通过交互机制融合学习状态表征和课程嵌入,预测学生下一门将学课程的完成度,根据完成度排序从而实现课程推荐。在CNPC、HMXPC和Scho1at3个大规模在线课程学习数据集上的实验结果表明,该模型能有效提升推荐的准确度,在归一化折损累计增益(NDCG)和平均倒数排名(MRR)2个指标上相较于基线模型最优结果均有显著提升,评估指标K值取5时,其NDCG@5指标在3个数据集上分别提升21.08%、17.73%和5.41%,MRR@5指标在3个数据集上分别提升25.66%、31.59%和26.96%。

基于图表征的综合评价录取辅助决策机制研究

综合评价录取是深化新时代教育评价改革,破除高考“唯分数论”的重大举措。有效整合综合评价的共同点,形成统一、规范的评价方法和手段,创新评价方法和工具,推进计算机辅助决策技术在综合评价录取过程中的应用具有重要意义。通过构建学生综合素质信息关系图,将高考综合评价录取标准指标构建问题转换成图节点嵌入问题,利用基于图表征学习的算法,挖掘图中各节点之间的隐藏信息,用于决策问题及因素分解、定量指标权重生成等环节,实现个性化的综合评价录取自动化的辅助决策机制,解决高校应用综合评价招生录取机制的公平性、科学性和效率性等关键问题。

饱和烃气相色谱图形表征处理方法及含水性评价指数的求取

以往应用饱和烃气相色谱资料判断储集层产液性质,主要是根据谱图特征进行人为判断,受人的影响因素多。从对原始资料处理出发,通过对饱和烃气相色谱资料表征处理,直接给出数据,解决了气相色谱原始分析数据转换和存储难题,为该项资料的定量化应用奠定了基础。通过从处理参数中优选评价油水层的特征参数,将反映图形特征与反映含油性特征的参数结合,建立了油水层解释评价图板,提出了求取饱和烃气相色谱含水性评价指数(Fwqx)方法,不但对储集层的产液性质进行判断,而且通过含水性评价指数的大小,对油水层的油水产出比例给出了一个相对值,为储集层油水产出比例解释评价提供数字化依据,使该项资料的解释达到了定量化。目前,该方法已在生产中全面推广应用。

基于图表示和MHGAT的代码漏洞静态检测方法

针对现有的静态分析技术难以及时、准确地检测软件安全漏洞的问题,提出了一种基于图表示和多头图注意力网络(multi-head graph attention network,MHGAT)的代码漏洞静态检测方法。首先,通过程序切片从源代码的系统依赖图中提取漏洞代码片段,根据系统依赖图构建不同语句间连接关系的邻接矩阵,并采用嵌入算法获取代码片段的特征矩阵;然后,将多个代码片段的邻接矩阵和特征矩阵以不相交图的形式进行拼接;最后,使用多个卷积池化基本块获取代码图数据在不同层次上的特征,并利用跳跃知识网络集成各个基本块的输出。实验结果表明,相比其他漏洞检测方法,所提方法通过数据表征形式和算法上的改进,有效提高了漏洞检测的效率和效果。

应用图示表征方法 提高解决问题能力

《数学课程标准(2011年版)》中提出"四能",最终以"解决问题"为教学目标.本文通过调查,获得当下影响学生解决问题能力有哪些因素.在此基础上提出应用图示表征方法的教学策略实践,总结出图示表征的三种方法,即几何图表征、符号表征及算子表征等直观教学策略,对培养学生解决问题能力有重要实践意义.

八年级学生数学概念表征及其对学业成绩的影响机制——基于Z省的大规模测试

依托大规模纸笔测试,以Z省34 412名八年级学生为被试考察数学概念表征及其对学业成绩的影响机制.结果表明,概念表征得分排序从高到低依次是符号表征、语言表征、图象表征及结构表征;男生结构表征显著优于女生,女生在其它表征方面均显著优于男生;结构表征通过其它表征对数学学业成绩及各内容领域成绩的间接影响均达显著,且贡献大于直接影响;在间接影响路径中,通过符号表征的影响最大,通过语言表征的影响次之;概念表征对三大内容领域的影响机制存在差异.对课程与教学的建议有：关注学生数学体系的整体建构;培养学生多元表征及其相互转化的能力;重视数学符号意识及数学交流能力的培养;关注概念表征对不同内容领域学业成绩影响的差异;关注概念表征的性别差异.

化学微观表征的方法与教学策略

将化学宏观现象进行形象、直观与动态的微观表征,能激发学生的学习兴趣,协助学生理解化学原理与规律。在几种不同形式的微观表征方法中,微观表征图能有效地消除相异构想,是建构化学三重表征的突破口,有利于化学三重表征的转化与融合。

高中生运动学图象表征转换认知困难的测试研究

以145名高一学生为研究对象,通过测试发现高中生在运动学图象表征转换中的常见认知困难,结合访谈法揭示学生潜在的问题,并以比对的方式分析不同认知困难出现的比例,启示多元表征教学应注意明示各类表征的关键特征、利用信息技术建立清晰运动图景、促进对各种表征的元认知反思。

增材制造创新性整体加强结构的设计和表征

增材制造(AM)和熔融材料沉积技术(FDM)的最新进展已经带来了3D打印的商业化和普及。本文针对复合加强结构的变形进行了研究探讨,开发了通过弯曲试验来研究加强结构的功能。通过有限元分析(FEA)数值计算变形和试验测试结果对比分析误差,创建了新型加强结构,并与基准加强结构进行比较。

基于视觉暂留原理的振动筛筛分参数表征设计

选煤厂振动筛在长期的筛分作业过程中,经常出现振幅和振动角度发生变化,加之选煤厂监测手段不到位,难以实时监测振动筛的运行参数,经常导致筛分作业达不到预期目的,主要表现为处理能力下降,筛分效率降低,甚至出现管梁、筛框断裂等。为解决这些问题,经过现场反复试验,研发了一种基于视觉暂留原理的振动筛筛分参数表征图,该设计图能够实时准确地表征振动筛的运行参数,为振动筛的正常运行和日常检修提供了技术支撑,确保了选煤厂正常筛分作业的进行。

理解生物学概念重在建立恰当的心理表征

著名认知心理学家安德森认为：＂通过多种方式应用我们从自己的经验中获得的知识,认知才得以进行。理解知识如何应用的前提是理解它如何在人脑中表征的。＂因此,恰当的概念表征对生物学概念的理解至关重要。1恰当的概念表征对概念学习的影响概念表征是概念在人脑中的存储和组织形式,即概念在人脑中的呈现方式。

基于深度图卷积胶囊网络的图分类模型

针对提取图表征用于图分类过程中的结构信息提取过程的问题,提出了一种图卷积神经网络与胶囊网络融合的图分类模型。首先,利用图卷积神经网络处理图中的节点信息,迭代以后得到节点表征,表征中蕴含着该节点的子树结构信息;然后,利用Weisfeiler-Lehman图核算法的思想对节点表征的多维度进行排序,得到多视角的图表征;最后,将多视角的图表征整理成胶囊的形式并输入胶囊网络,使用动态路由算法得到更高层次的分类胶囊,进而进行分类。实验结果表明,所提模型在公共数据集上的分类准确度提升了1%~3%,同时具备更强的结构特征提取能力,在少样本情况下的表现比DGCNN更加稳定。

基于混合图卷积网络模型的节点分类方法

随着互联网和大数据的发展,近年来图表征学习(Graph Representation Learning)受到了广泛关注。图表征学习将图中每一个节点都映射到一个低维向量空间,并且在此空间内保持原有图的结构信息,常常应用于节点分类、链路预测以及社群发现等任务。图卷积网络(Graph Convolutional Networks,GCN)和图注意力网络(Graph Attention Networks,GAT)是基于神经网络的图表征学习方法。GCN模型假设图中所有的边都具有相同的权重,所以认为图中节点间互联的强弱关系是一致的,这是不合理的。虽然GAT模型引入了多个注意力矩阵来学习图中相邻节点之间的重要性,但增加了计算复杂性。因此,提出了一种基于混合图卷积网络模型(GCN Mixture Model,GCN-MM)的方法。该方法充分利用GCN模型与GAT模型各自的优点,结合了图中节点的相邻相似性、结构相似性以及特征多样性。在公共数据集CORA、CITESEER、PUBMED的半监督任务中,它相比GAT模型有效减少了模型的可调整参数数量和训练耗时,同时不影响精度。在CORA和PUBMED数据集的监督任务中,它进一步提升了模型的精度。

海峡两岸小学数学教材分数内容例题的比较研究

选取"人教版"和"康轩版"为研究对象,对海峡两岸小学数学教材的分数内容例题的整体结构和编写特征进行比较.研究结果表明:(1)两套教材在例题的整体结构方面差别不大;(2)在例题的编写特征方面,两套教材在例题的情境类型、表征形式、有无点拨及点拨类型、启发方法、解题方法的多样化、回答方式等方面均存在一定差异.可以得到如下启发:例题应为学生提供更多反思的机会;应更加重视分数的图象表征形式;应更关注儿童对分数概念的理解.

Feature-based sequential partial vision measurement method for large scale machine parts

To realize the high-precision vision measurement for large scale machine parts, a new vision measurement method based on dimension features of sequential partial images is proposed. Instead of mosaicking the partial images, extracting the dimension features of the sequential partial images and deriving the part size according to the relationships between the sequential images is a novel method to realize the high- precision and fast measurement of machine parts. To overcome the corresponding problems arising from the relative rotation between two sequential partial images, a rectifying method based on texture features is put forward to effectively improve the processing speed. Finally, a case study is provided to demonstrate the analysis procedure and the effectiveness of the proposed method. The experiments show that the relative error is less than 0. 012% using the sequential image measurement method to gauge large scale straight-edge parts. The measurement precision meets the needs of precise measurement for sheet metal parts.

基于自监督的端到端图数据异常检测方法

异常检测旨在发掘数据中异于寻常的模式,它在金融欺诈以及网络入侵检测等领域有着广泛的应用前景.本文主要研究了如何在结构复杂的图数据中进行异常检测,这涉及到挖掘异常的图结构信息以及节点属性信息.现有大部分工作通常采用一个两步的框架,即先对结构复杂的图数据进行表征学习生成图表征向量,然后再将该向量用于下游异常检测任务.由于分开训练的图表征学习任务与下游异常检测任务存在一定的语义鸿沟,这导致现有方法无法有效地挖掘出图中潜在的异常模式.因此,我们提出了一种基于自监督的端到端图数据异常检测框架SGAD,它可以有效地捕获图数据的语义信息并用于异常检测.具体来说, SGAD对无标签图数据进行了一系列变换用于构建自监督辅助任务,然后该自监督任务的输出结果可以直接用于异常检测.我们在多个公开数据集上进行了大量实验,实验结果表明本文提出的SGAD与现有方法相比获得了显著的效果提升.

黄腐酸络合铜离子光谱学特征及机理构建

二价金属离子Cu^(2+)在很多工矿企业周围水源及土壤中存量超标,造成生态环境恶化,传统的药剂及生物处理容易产生二次污染。黄腐酸由性质相似分子团簇构成,具有水溶性好、络合作用强及化学活性高的特点,对环境中Cu^(2+)分布、迁移和生物利用度可以实现高效控制与环保处理,是近年科学研究热点。现代多光谱表征分析有助于揭示黄腐酸与金属离子作用过程构效关系变化、环境效应及重金属离子迁移行为规律,对黄腐酸与Cu^(2+)络合过程特点及作用机理研究具有重要科学价值。综述了近年来黄腐酸与Cu^(2+)络合作用相关基础理论研究,通过红外光谱、三维荧光光谱及差分光谱等方法对黄腐酸与Cu^(2+)络合前后表征对比分析和学科交叉协同研究,探讨了pH、离子浓度以及黄腐酸组分构成差异等对络合过程的影响,揭示了黄腐酸与Cu^(2+)络合作用位点的结构特性及作用规律,羧基与酚羟基等含氧酸性官能团是Cu^(2+)与黄腐酸络合的主要位点,羧基型位点络合Cu^(2+)作用显著,酚羟基型位点有助于增加Cu^(2+)络合物稳定性,含氮官能团也在络合过程中发挥重要作用。在此基础上,进一步指出pH值的变化将改变黄腐酸活性位点对Cu^(2+)的亲和力,原因主要与活性位点上Cu^(2+)与H^(+)之间的离子交换以及黄腐酸的静电吸引力有关;不同结构特征的黄腐酸对Cu^(2+)络合效果主要体现在具有不同数量的酚羟基、羧基以及含氮官能团活性位点;溶液中共存Fe^(3+),Mg^(2+)和Al^(3+)等离子会与Cu^(2+)在黄腐酸的活性结合位点上产生显著络合竞争;同时溶液环境中K^(+)和Na^(+)等非强吸附作用离子浓度增加,使得溶液中大量正电荷离子就近进入黄腐酸的电子层而增强电荷屏蔽效应,进而也抑制Cu^(2+)与黄腐酸络合。总结并展望了黄腐酸相关学科技术理论在现代农业、生态修复及环境治理等领域科学应用共存的问题及挑战。

A flower image retrieval method based on ROI feature

Flower image retrieval is a very important step for computer-aided plant species recognition. In this paper, we propose an efficient segmentation method based on color clustering and domain knowledge to extract flower regions from flower images. For flower retrieval, we use the color histogram of a flower region to characterize the color features of flower and two shape-based features sets, Centroid-Contour Distance (CCD) and Angle Code Histogram (ACH), to characterize the shape features of a flower contour. Experimental results showed that our flower region extraction method based on color clustering and domain knowledge can produce accurate flower regions. Flower retrieval results on a database of 885 flower images collected from 14 plant species showed that our Region-of-Interest (ROI) based retrieval approach using both color and shape features can perform better than a method based on the global color histogram proposed by Swain and Ballard (1991) and a method based on domain knowledge-driven segmentation and color names proposed by Das et al.(1999).