技术驱动的伴随式教研模式探索——以区域数字课程资源建设为例

2019年11月教育部印发《关于加强和改进新时代基础教育教研工作的意见》,明确指出要创新教研工作方式,积极探索信息技术背景下的教研模式改革,这为区域教研指明了方向。随着教育数字化转型的不断深入,线上线下结合的教研方式已经成为常态。因此,如何充分利用信息技术,构建具有区域特色的教研模式,已成为各地教育研究的焦点。

面向视频数据的时空伴随模式挖掘算法

时空伴随模式是具有时空伴随关系的视频对象组合。为了从海量视频数据中快速发现符合查询条件的时空伴随模式,提出一种基于三重剪枝匹配策略的时空伴随模式发现算法——MPA。首先,利用已有的视频对象识别和跟踪模型对视频对象进行结构化提取;然后,对提取的连续帧中大量重复出现的视频对象进行压缩存储并构建索引;最后,设计基于前缀树的时空伴随模式发现算法,以快速发现符合查询条件的时空伴随模式。在真实数据集和合成数据集上的实验结果表明,与暴力搜索算法(BFA)相比,所提算法的效率提高了30%左右,且数据量越大,效率提高越明显。因此,所提算法能够快速发现海量视频数据中满足查询条件的时空伴随模式。

自主机器人的伴随观察模式及其软件实现框架

自主机器人是一类运行于开放环境下、可自主决策和执行其自主行为的信息物理系统,它根据任务需求进行决策产生行为策略并调度执行。环境状态的动态变化性常常导致规划的行为策略不再适用于当前环境,使得行为执行的结果不符合预期,从而影响自主机器人的任务实现。上述问题对自主机器人软件的行为决策和软件构造均提出了更高的要求。一方面,自主机器人需在行为策略执行过程中加强对环境状态及其变化的观察,并基于观察的结果及时、灵活地调整行为决策,提升机器人的观察模式及行为决策算法的复杂度。另一方面,上述观察、决策、执行行为的复杂交互提升了软件构件抽象及数据交互的复杂性,如何抽象机器人的传感、决策、效应等软构件功能,并提供相适配的软件架构,成为自主机器人软件构造面临的重要挑战。针对上述挑战,首先提出自主机器人伴随行为的思想,显式定义观察与效应行为之间的伴随交互关系,根据行为执行不同阶段提出前提伴随观察模式和目标伴随观察模式,以提升自主机器人对环境变化的感知能力和决策调整能力。其次,开发了一款基于多智能体系统的自主机器人软件开发框架AutoRobot,该框架将机器人的传感器、效应器及规划器抽象为一组自主的软件智能体,智能体间通过自主决策和协同实现上述伴随观察模式。AutoRobot框架针对不同角色智能体设计和封装了一组可重用的软件组件,可有效支持自主机器人软件的复用和高效开发。最后,开展了仿真环境下的实验分析,通过与ROSPlan和DESPOT两种自主机器人任务规划和执行方法进行对比,验证了基于伴随观察模式的任务规划与执行的高效性和有效性。

“后喻文化”时代传媒教育伴随式教学实践模式探究

随着新媒体技术尤其人工智能技术的迅猛发展,我们业已身处“后喻文化”时代,教育教学的价值仅囿于知识积累的“前喻文化”时代已过,“ChatGTP”的出现让我们更加清楚地认识到了这一点。传媒教育教学的社会实践性特别强,直接面对着“后喻文化”时代的挑战,而应对这种挑战的最根本方式是探索并找到既能够提升教师创新实践能力又能够培养具有创新实践能力的传媒人才的有效模式。本文认为,伴随式教学实践模式,朝向传媒本身,以“创新实践能力培养”为旨归,深度融合了以“教”为中心的教学模式和以“学”为中心的教学模式,能够为教师和学生应对“后喻文化”时代的挑战提供一定程度的帮助。

基于Fork/Join的事务日志伴随模式挖掘方法

信息系统产生的大量事务日志数据蕴含着潜在的伴随模式,伴随模式是指在时空上频繁共现的一组对象.由于传统的滑动窗口算法和FP-Growth算法只能调用单一线程进行计算,随着数据规模的扩张,会导致挖掘伴随模式的时间急剧增加.为此本文提出了一种基于Fork/Join并行技术的伴随模式挖掘框架,其能够实现从单线程到多线程的迁移,充分利用多核配置的加速性能.该框架由划定伴随数据集、频繁项集挖掘和关联规则挖掘三部分组成.首先,提出了基于Fork/Join的多核并行滑动窗口算法,以缩短从事务日志中划定伴随数据集的时间;然后,提出基于Fork/Join的多核并行FP-Growth算法,以并行地挖掘伴随数据集中的频繁项集;最后,引入支持度、置信度和提升度3个参数,对伴随模式中各对象间的关联规则进行挖掘.基于门禁刷卡数据的实验结果表明,相比传统算法,本文所提出的框架能够挖掘出更多的伴随模式,同时挖掘效率较高.

人工智能课程伴随式场域构建的学校探索

随着教育信息化的不断推进,从教育信息化1.0阶段的网络学习空间建设初具成效到进入“互联网+背景”下的教育信息化2.0阶段,重构网络学习空间,关注重构教育生态体系,创新教育模式已逐渐成为重点。随着人工智能技术的不断发展,新课标已将人工智能列入课程学习内容。

抗肿瘤药物伴随诊断试剂临床试验设计探究及案例分析

目的:系统阐述我国伴随诊断试剂临床试验设计原则,为相关伴随诊断试剂产品临床试验提供参考。方法:基于不同伴随诊断试剂的开发模式,介绍我国与抗肿瘤药物同步开发的原研伴随诊断试剂及非原研伴随诊断试剂的临床试验设计,结合相关产品技术审评过程中的考虑,深入分析伴随诊断试剂临床试验设计的科学性与合理性。结果与结论:伴随诊断试剂在抗肿瘤药物临床应用中具有非常重要的作用,伴随诊断试剂的临床试验与抗肿瘤药物的临床试验息息相关,该类产品临床试验有多种设计类型,临床试验主要研究者应结合产品开发模式、产品检测的标志物等具体情况,选择合适的临床试验设计,能够更加科学合理地评价产品临床意义,促进产品尽快上市。

GRAPES全球切线性和伴随模式的调优

伴随技术是四维变分同化(4DVar)系统中计算代价函数梯度的最佳办法,切线性和伴随模式的效果和效率直接影响着4DVar系统的发展。基于GRAPES(Global and Regional Assimilation PrEdiction System)全球切线性和伴随模式1.0版本,利用GRAPES全球模式2.0版本在并行框架和性能等方面的改善,重新优化和设计了GRAPES全球切线性伴随模式2.0版本,提高了GRAPES全球切线性和伴随模式的效果和效率,优化了切线性模式程序结构,使其计算时间最优可控制在非线性模式的1.2倍以内;采用在切线性模式中保存基态的方法,重构了伴随模式的程序结构,使其计算时间最优控制在非线性模式的1.5倍以内;在GRAPES全球切线性物理过程的设计中,将线性物理过程的轨迹基态计算和切线性扰动计算解耦,提高了G-RAPES全球切线性和伴随模式的计算效果和效率。

大气化学传输模式CAMx的伴随模式:构建及应用

在大气化学传输模式CAMx的基础上,用人工编写代码的方法,构建其伴随模式,并通过数值试验,对伴随模式程序进行了检验。应用CAMx及其伴随模式,针对珠江三角洲地区空气污染进行数值模拟和敏感性分析,计算了地面二氧化硫和臭氧关于污染物排放源的敏感性,并用数值方法探讨了线性敏感系数的适用范围,可为深入研究该地区污染机理和控制策略提供重要依据。用伴随模式可以高效率地计算目标函数关于多个输入变量的敏感性,显著地扩展了原模式的功能,为大气环境优化控制和大气化学数据同化等科学问题提供了有力的研究工具。

伴随模式同化系统在修正模式地形中的应用

任何模式都只是实际大气的一种近似模拟,存在误差。鉴于传统的四维资料伴随模式同化系统都是假设模式完全正确仅对初始场进行修正。将伴随模式同化系统应用于修正模式地形误差,通过对不同初始地形的修正试验表明,MM5伴随模式同化系统能很好地对地形误差进行修正,能够反演出与初始气象要素场分辨率相匹配、与模式更协调的地形场,为伴随模式同化系统的广泛应用提供了一种新的思路。

基于车牌识别流数据的车辆伴随模式发现方法

针对伴随车辆检测这一新兴的智能交通应用,在一种特殊的流式时空大数据——车牌识别流式大数据(ANPR)下,重新定义了Platoon伴随模式,提出PlatoonFinder算法,即时地在车牌识别数据流上挖掘Platoon伴随模式.主要贡献包括:第一,将Platoon伴随模式发现问题映射为数据流上的带有时空约束的频繁序列挖掘问题,与传统频繁序列挖掘算法仅考虑序列元素之间位置关系不同,该算法能够在频繁序列挖掘的过程中有效处理序列元素之间复杂的时空约束关系;第二,该算法融入了伪投影等性能优化技术,针对数据流的特点进行了性能优化,能够有效应对车牌识别流式大数据的速率和规模,从而实现车辆Platoon伴随模式的即时发现.通过在真实车牌识别数据集上的实验分析表明:PlatoonFinder算法的平均延时显著低于经典的Aprior和PrefixSpan等频繁模式挖掘算法,也低于真实情况下交通摄像头的车牌识别最小时间间隔.因此,所提出的算法可以有效地发现伴随车辆组及其移动模式.

伴随同化系统中用云导风修正模式地形的试验

以2002年7月23日的天气过程为例,利用中尺度模式MM5伴随模式同化系统,进行了修正模式地形高度的试验研究。结果发现,MM5伴随模式同化系统可以对地形进行修正,并得到与资料更为协调一致的地形高度。另外,利用非常规云导风资料能够比仅使用常规资料更有效地修正模式地形高度。将修正后的地形场作为模式地形,所得的预报结果比未经修正的地形有所改进。

分布式多数据流频繁伴随模式挖掘

多数据流频繁伴随模式是指一组对象较短时间内在同一个数据流上伴随出现,并在之后一段时间以同样方式出现在其他多个数据流上.现实生活中,城市交通监控系统中的伴随车辆发现、基于签到数据的伴随人群发现、基于社交网络数据中的高频伴随词组发现热点事件等应用都可以归结为多数据流频繁伴随模式发现问题.由于数据流规模巨大且到达速度快,基于单机的集中式挖掘算法受到硬件资源的限制难以及时发现海量数据流中出现的频繁伴随模式.为此,提出面向大规模数据流频繁伴随模式发现的分布式挖掘算法.该算法首先将每个数据流划分成若干个segment片段,然后构建适合部署在分布式计算平台上的多层挖掘模型,并利用多计算节点以并行方式对大规模数据流进行处理,从而实时发现频繁伴随模式.最后,在真实数据集上进行充分实验以验证算法性能.

中尺度数值模式的资料同化系统——(一)伴随模式的设计

以一个有限区域的中尺度模式为基础，采用伴随模式技术进行有限区域气象资料的同化。伴随模式的方法是以数值天气预报的动力模式作为约束条件的变分方法，比传统的变分方法有了很大的改进。本文初步探讨了伴随模式系统的设计方法，特别是伴随模式的构造问题；用共轭码的方法导出伴随模式；初步试验表明该系统有较强的同化能力。

中尺度模式的四维伴随同化系统及其同化试验

以中尺度模式MM4为基础,利用伴随码技术改进、完善了MM4伴随模式同化系统,并利用该系统进行了常规资料和非常规资料的伴随模式同化试验,例如加入了可降水量资料等。试验表明:在伴随模式同化系统中加入常规和非常规资料,可以改进初始场,从而改善预报场。

伴随方法在海洋数值模式中的应用

本文通过对变分资料同化方法在气象学和海洋学方面特别是在海洋数值模式中应用的简单回顾，评价了伴随方法（theadjointmethod）在方法论上的优越性．首先引入包含海洋数值模式控制方程组的拉格朗日乘子，说明变分资料同化的数学原理；介绍伴随方法应用中目标函数的构造方法，简单说明了伴随方法中伴随方程的导出和伴随方法实际应用的步骤．最后就近几年国外研究进展做了简单概括．

基于切线伴随技术计算GRAPES-Meso模式的奇异向量

集合数值天气预报的关键问题就是如何生成有效的初始扰动。奇异向量反映了初始扰动在大气系统相空间中演变发展的最不稳定方向,基于奇异向量产生的集合样本是模拟概率密度函数的最合理方法。以非静力、半隐式半拉格朗日GRAPES-Meso中尺度数值预报模式为基础,采用Lanczos迭代算法,利用GRAPES-Meso的切线伴随模式计算GRAPES奇异向量。为了检验求得的奇异向量的正确性,提出了两种检验奇异向量正确性的方法:一是比较计算的奇异值的一致性;二是依据特征向量在矩阵变换中的方向不变性意义,验证GRAPES奇异向量空间结构的正确性。最后研究了不同的时间间隔对GRAPES奇异向量的影响,结果表明GRAPES奇异向量在36小时的最优时间间隔误差增长速度最快,这表明在非静力、半隐式半拉格朗日格点模式中利用切线伴随技术计算奇异向量是可行的。

伴随模式同化系统在修正模式误差中的应用研究

资料误差和模式误差都是制约数值预报结果准确性提高的关键因素,传统四维资料同化都是假设模式完全正确仅对初始资料进行修正,忽略了模式误差本身造成的预报误差。伴随模式同化系统不仅具有修正资料误差的能力,也可应用于修正模式误差方面的研究。本文将卫星中心导风系统提供的GMS5卫星风场与非常规温度资料用于MM5伴随同化系统修正模式地形误差进行试验性研究表明,该方法能够反演出一个既与初始气象要素场相匹配,又与模式更协调的地形场,得到比一般包络地形更好的效果,改善模式对强降水中心及降水区域的预报;数值试验结果还揭示模式误差对模式预报造成一定的影响,用伴随方法对观测资料进行修正的同时也对模式误差进行修正的方法是可行的。

利用伴随同化方法估计渤海潮汐模式的底摩擦系数

利用伴随同化方法,根据岸边潮位站的水位观测资料反演渤海二维非线性潮汐模型的底摩擦系数。计算结果与潮位站观测资料符合良好。结果表明利用伴随同化方法从岸边潮位观测资料估计潮汐模式的底摩擦系数是可行的。

在MM5伴随模式中使用AMSU资料对暴雨的数值模拟

在MM5伴随模式中使用NOAA-16极轨卫星探测获得的AMSU资料,并与MM5数值模式仅使用常规资料的条件下,对发生在2003年7月4—5日江淮流域的一次暴雨过程进行了数值模拟对比研究。结果表明:使用AMSU资料后,湿度场、温度场和风场均得到一定程度的改善,降水的落区和强度也更接近实况。