量化学习:大数据时代的学习方式

未来人工智能、大数据、学习分析等技术被广泛应用于教育教学中,量化学习将成为新的研究热点。本研究首先对量化学习的内涵、特征、工具和方法进行概述,然后阐述了量化学习的价值意义和应用案例,进而分析了量化学习发展趋势与其面临的挑战。

量化学习:促进教学改革创新

量化学习就是将学习者的学习过程数据化。基于这些数据,对学习者的学习行为进行分析和挖掘。相较于传统的教育教学方式,量化学习的方法可以为教育者有针对性地调整教学方法提供科学、客观的数据支撑。通过数据分析的结果,教育者可以为学习者提供个性化的教学服务,体现以“学生为中心”的教学服务理念。

国内外量化学习研究评论与展望

量化学习能够存储和分析学生日常的学习数据,可以广泛地关注个体学习,是大数据时代一种新型的学习策略。通过对量化学习进行梳理与分析,以国内外文献及国际会议纲要为基础,根据理论研究、技术设计研究及实践应用等三个维度,运用概念辨析、图表展示、数据分析等,总结国内外学者的量化学习相关研究成果。在理论基础、技术数据挖掘、非正式学习环境应用等提出相应建议,为我国量化学习研究的进一步发展提供参考。

葡萄酒评论信息的量化学习建模研究

针对大型葡萄酒消费评论数据,提出语料文本类信息挖掘的量化学习建模方法。分析包括文本表达的提取、理解、组织、概念化、知识服务等与自动文本处理相关的内容;研究一种面向葡萄酒评论文本信息的量化学习模型,并把这个模型表达成受约束的数学规划一般形式,建立基于非参数估计的寻优解法。仿真结果证明,以文本类数据"品酒人描述"为输入、以离散类数据"品酒人评分"为输出标签的量化学习模型,能够给出葡萄酒等级总体分布的准确预报。

大数据时代下社区量化学习方式探究

社区量化学习,将量化学习应用在社区的网络开放课堂中,以解决社区教育中难以测量学习效果的难题。研究提出了社区量化学习模型,建立在统计分析、数据挖掘、计算机科学等学科的发展与交叉应用之上,利用现有的开放数据集采用神经网络多层感知机算法开展分类预测,将学生多维度数据特征进行提取,进行分类预测,得出学生对课程学习效果的预测,提供给教师以及学生参考,解决让量化学习在实践中的应用的初步问题,为量化学习的应用提供了有效途径与参考。

基于金融数据量化学习的自媒体协同教学研究

全球新型冠状疫情的全面爆发,迫使高等院校教学方式提前步入教育与技术的全面“融合+共生”新时代。在国内外合作办学的金融教学中,自媒体协同将在这一新背景下更快的蓬勃发展起来,随之而来的新挑战集中在国内外教师教学中的数据统计和协同分析。本文探讨中外自媒体结合以金融数据为基础的量化式学习(Quantitative learning, QL)模式,通过研究中外金融专业去分析协同教学的效果。

基于学习矢量量化神经网络的交通标识识别技术研究

传统交通标识识别技术需要大量数据做训练且对输入数据的要求较高,导致识别结果误差较大,为此,提出基于学习矢量量化神经网络的交通标识识别技术。将预处理交通标识图像作为待识别数据集,构建学习矢量量化神经网络模型,输入待识别图像进行学习与训练后,输出交通标识类别的识别结果,实现交通标识识别。实验结果表明,所设计技术的交通标识识别率高达98.77%,验证了该技术的有效性与正确性。

量化学习：数字化学习发展前瞻

量化学习的前提是建构数据化认知,核心是提供个性化学习服务,目标是构筑新的学习方式。量化学习实践过程是由数据、学习者、其他利益相关方和学习服务连接而成的具有适应性反馈的闭环系统。量化学习以信息技术与教育的深度融合、技术的进步和产业的发展以及教育教学理论的创新为驱动。量化学习可推动构建面向新时代需求的教育新形态,助力形成"学生中心化"教育服务理念,促进落实适应个性发展的教育改革创新。量化学习在个性化学习诊断、学习路径规划、个性化学习推荐、学习状态可视化及学习干预等应用领域展现出广阔的发展前景。

采用积分制的自主学习过程量化和评价方法

针对信息化教学实践中自主学习过程持续困难、学习行为数据稀疏、学习评价缺乏客观标准等问题,分析心理学中“正向强化”和“延迟满足”的操作条件反射理论,提出采用积分制量化自主学习过程并用于未来智能处理的观点。该方法把学生的外在动机(完成学习任务)通过积分的形式转化为内在动机(积分排名激励),最后达到正向自主学习的目的。

深度强化学习优化的学习向量量化聚类算法

基于学习向量量化(Learning Vector Quantization,LVQ)单次迭代聚类效果不稳定和随着数据维度增大,聚类效果下降的缺陷,采用了一种深度强化学习优化的LVQ聚类算法。将LVQ算法的每一次迭代看做深度强化学习的一个状态,LVQ算法初始化一组原型向量后,用原型向量与数据集中每一个数据点做“拉近”或“远离”运算来完成一次迭代。优化算法挑选一部分数据点,并与原型向量做运算,将这一过程作为一个动作,选取的数据子集不同,产生的动作也不同,把这些动作组成动作集,选定动作后,根据奖赏函数找到最佳动作,进入下一状态。通过对UCI公共数据集和碳碳沉积数据集试验,得出优化后的算法FMI提升3%到10%,Dunn指数提升2%到9%,准确率提高3%到6%,用于公共数据集及碳碳沉积材料的生产过程数据分析性能较优。

基于主成分分析和学习向量量化神经网络的制动工况路面识别与验证

开展车辆制动时路面类型识别的研究,提出一种基于主成分分析-学习向量量化神经网络(Principal Component Analysis—Learning Vector Quantization,PCA-LVQ)的制动工况路面识别方法。利用主成分分析对多维度驾驶数据降维处理,提取能表征路面特征的主要成分,采用学习向量量化神经网络对降维处理后的驾驶数据进行训练,并用于路面特征分类,使用制动工况下实车试验数据和硬件在环仿真数据进行验证。结果表明,所提出的PCA-LVQ算法能准确识别路面类型特征,路面识别的精度达到97%,与传统BP神经网络的路面类型特征识别精度提升7%;同时,在不同车速下,基于PCA-LVQ算法也能较准确地识别路面类型特征。

对学习矢量量化神经网络中“死”点问题的研究

竞争型神经网络已经在模式识别、分类等方面得到了广泛的应用,与传统的聚类方法相比具有巨大优势,但是在许多方面还存在不足,需要进一步完善。在Kohonen提出的学习矢量量化网络(Learning Vector Quantization Network,LVQ)的基础上,引入阈值学习规则,较好地解决了该类网络中遇到"死"点时训练误差偏大的问题,最后通过Matlab编程实现。

学习矢量量化算法的性能分析

本文针对学习矢量量化算法Ⅰ型和Ⅱ型（ＬＶＱ１、ＬＶＱ２）进行了深入的分析研究，取得了以下结果：（１）对应于ＬＶＱ１算法，提出了一种选取学习步长的优化方案；（２）得到了ＬＶＱ１算法关于线性可分模式分类问题的一个重要结论；（３）严格推导出ＬＶＱ２算法实质上是一种使分类错误减小的梯度下降法；（４）得出了ＬＶＱ２算法对于类间混叠的模式分类问题不存在稳定平衡状态这一重要结论；（５）针对ＬＶＱ２算法处理类间混叠模式分类问题的缺陷，提出了一种有效的ＬＶＱ２修正算法．

基于样本密度和分类误差率的增量学习矢量量化算法研究

作为一种简单而成熟的分类方法,K最近邻(K nearest neighbor,KNN)算法在数据挖掘、模式识别等领域获得了广泛的应用,但仍存在计算量大、高空间消耗、运行时间长等问题.针对这些问题,本文在增量学习型矢量量化(Incremental learning vector quantization,ILVQ)的单层竞争学习基础上,融合样本密度和分类误差率的邻域思想,提出了一种新的增量学习型矢量量化方法,通过竞争学习策略对代表点邻域实现自适应增删、合并、分裂等操作,快速获取原始数据集的原型集,进而在保障分类精度基础上,达到对大规模数据的高压缩效应.此外,对传统近邻分类算法进行了改进,将原型近邻集的样本密度和分类误差率纳入到近邻判决准则中.所提出算法通过单遍扫描学习训练集可快速生成有效的代表原型集,具有较好的通用性.实验结果表明,该方法同其他算法相比较,不仅可以保持甚至提高分类的准确性和压缩比,且具有快速分类的优势.

基于主成分分析和学习矢量化的神经网络岩性识别方法

利用测井资料识别岩性的关键是建立非线性数学模型。针对测井曲线数量多和BP算法的局限,提出一种基于主成分分析(Principal Component Analysis,PCA)和学习矢量量化神经网络(Learning Vector Quantization,LVQ)的岩性识别方法。建立可靠的岩性与测井参数响应的对应关系,优选样本点和测井曲线组成样本集。通过主成分分析实现对测井数据的压缩、降维,依据分析结果建立基于LVQ神经网络的岩性识别模型。潘庄地区某井实际应用表明,经过PCA降维后,LVQ神经网络的收敛速度和识别率都得到了明显提高,训练时间缩短了10s左右,识别率提高20%以上;考虑"次获胜"神经元的LVQ2学习算法具有比LVQ1算法更强的模式识别能力,识别率提高4%;PCA-LVQ模型网络结构简单,容易实现,识别率可达90%,具有较好的应用前景。

基于学习矢量量化神经网络的水稻白穗和正常穗的高光谱识别

水稻病虫害的发生会导致大量白穗的出现,对白穗和正常穗的区分是采取植保措施和灾害评估的基础。通过研究获取了由水稻二化螟和穗瘟造成的白穗和正常穗的室内光谱,选取红边斜率、红边面积、绿峰幅值和绿峰面积等4个高光谱变量作为输入向量,利用学习矢量量化(LVQ)神经网络对水稻白穗和正常穗进行分类。利用测试样本对网络进行测试,结果显示对白穗和正常稻穗的分类精度高达100%。研究表明,基于LVQ神经网络对水稻白穗和正常穗进行辨别的方法是切实可行的,可以补充和替代肉眼观测。

学习矢量量化的推广及其典型形式的比较

无监督学习矢量量化(LVQ)是一类基于最小化风险函数的聚类方法,文中通过对无监督LVQ风险函数的研究,提出了无监督LVQ算法的广义形式,在此基础上将当前典型的LVQ算法表示为基于不同尺度函数的LVQ算法,极大地方便了学习矢量量化神经网络的推广与应用。通过对无监督LVQ神经网络的改造,得到了基于无监督聚类算法的有监督LVQ神经网络,并将其应用于说话人辨认,取得了满意的结果并比较了几种典型聚类算法的优劣。

基于批量模糊学习矢量量化的模糊系统辨识

提出一种基于批量模糊学习矢量量化的模糊系统辨识方法.首先通过优化方法自动调整模糊指数,使所得到的模糊规则前件隶属度函数与聚类规则得到的隶属度函数相比具有较好的可解释性;然后针对模糊系统可解释性与精度之间的困境问题,为保证参数的可理解性,利用带约束的非线性优化方法调整后件参数,并用调整参数的界评估因优化造成参数恶化的程度.仿真实验表明,利用该方法得到的模糊系统模型具有较高的透明度,.满足合理的精度.

修正的广义学习向量量化算法

讨论了Pal等的广义学习量化算法（GLVQ）和Karayiannis等的模糊学习量化算法（FGLVQ）的优缺点，提出了修正广义学习量化(RGLVQ)算法。该算法的迭代系数有很好的上下界，解决了GLVQ的“Scale”问题，又不像FGLVQ算法对初始学习率敏感。用IRIS数据集对算法进行了测试，并应用所给算法进行了用于图像压缩的量化码书设计。该文算法与FGLVQ类算法性能相当，但少了大量浮点除法，实验过程表明节约训练时间约10%。

基于学习矢量量化的运动目标检测算法

提出一种基于学习矢量量化的运动目标检测算法。通过训练样本,网络能自适应地确定区分运动目标和背景的阈值向量。输入向量包含图像的YCbCr颜色空间分量和灰度共生矩阵的方向特征。两者融合到算法中,有效抑制了背景亮度变化对运动目标检测的干扰。仿真实验结果表明,即使在背景模型亮度剧烈变化的情况下,算法也能够准确检测出运动目标。