基于奇异值分解的中文Ontology自动学习技术

语义Web是一个美好的构想，Ontology在语义Web中起着举足轻重的作用，它不仅能为人类用户而且能为软件agent提供从语法层次到语义层次上的互操作性。目前Web上主要是各种布局的HTML文档，未来的语义Web页面将是各种领域Ontology的实例以及到其它实例上的链接，因此语义Web的成功强烈依赖于Ontology的增殖，方便快捷地构造各领域Ontologies是实现语义Web的关键。该文提出一种基于奇异值分解的中文Ontology自动学习技术，这种技术的特点是其简易性以及准确的数学理论基础。

基于角色概念的合作学习Ontology的构建

就如何组成有效的虚拟合作学习共同体的问题,阐述了基于角色概念的合作学习Ontology的构建原理及目标结构分析,该Ontology便于共享和重用,为基于网络的合作学习提供了一个新的途径.

学习科学相关基因表型Ontology的构建及应用

在MeSH-2004的基础上,应用数据库和动态网页编程技术,构建了一个学习科学相关基因表型Ontology。它的内容涵盖了行为、心理及精神疾病等与学习科学有关的基因表型,为学习科学的相关研究提供了一个规范、系统、结构化的术语系统。将该Ontology集成到各相关系统中,可以把异构数据整合起来,不但能提高相关信息的收集、管理和检索效率,还为相关信息的表达、系统间的信息交流、共享以及数据挖掘提供了一个统一的平台。

基于Ontology的远程学习支持系统研究

随着网络技术的高速发展,WEB在学习中变得越来越重要,但是现有的WEB缺乏语义,致使WEB上的学习资源共享性和可移植性相对薄弱,然而Ontology能为各种知识系统之间的知识(资源)共享和互操作提供手段。因而本文提出了多代理结构的学习支持系统中的学习者模型Ontology及其代理对于学习者的有效学习带来的益处。

基于角色概念的合作学习Ontology的应用

就如何动态地组成有效的虚拟合作学习小组的问题,阐述了基于角色概念的合作学习Ontology目标结构,并且对该Ontology在合作学习中的应用进行研究,为基于Web的合作学习进行了新的探索.

基于Ontology的学习资源检索模型研究

研究了Ontology的概念,提出基于Ontology的课程学习资源检索模型,以《数据结构》课程为领域,通过对关键技术的研究,构建了《数据结构》课程Ontology,设计实现了基于Ontology的《数据结构》课程学习资源检索原型系统.

图联邦学习:问题、方法与挑战

图作为一种高效、灵活、通用的数据结构,在多个学科领域得到了广泛应用。近年来,基于图的深度学习算法不断涌现,并在社交网络、生物信息学、推荐系统等领域取得显著成效。尽管公开的图数据量在增加,但高质量的数据往往分散在不同的数据所有者手中。随着社会对数据隐私保护要求的提高,现有的图学习算法面临着许多挑战。图联邦学习作为一种有效的解决方案应运而生。文中系统回顾了图联邦学习领域近五年的研究进展,将该领域的核心问题划分为3个部分,并在结构上进行了垂直整合,在关系上进行了递进阐述,包括:1)原始图数据差异导致的结构异构性;2)图联邦特性导致的模型聚合问题;3)模型整体调优方面的挑战。针对每个问题,详细分析了代表性工作及其优缺点,并总结了图联邦学习领域的典型应用和未来挑战。

加强决策边界与自监督的在线持续学习方法

针对在线持续学习于图像分类中既要适应新数据,又要减轻灾难性遗忘这一问题,基于重放的方法在减轻在线持续学习的灾难性遗忘方面展现出了优良性能。然而,此类方法中的大多数模型往往更倾向于学习与对象无关的解决方案,这些方案难以泛化且易于遗忘,因此,学习最能够代表类别的特征对于解决灾难性遗忘问题显得极为关键。基于此,提出加强决策边界与自监督的在线持续学习方法。首先,该方法通过加强新类之间的决策边界,帮助模型更好地进行任务的分类。其次,使用了一种融合的自监督学习方法,帮助模型更好地学习每个类的代表特征。通过与主流在线持续学习算法在公开数据集CIFAR-10和CIFAR-100上的实验对比,当内存库M为100时,该方法在CIFAR-10上的平均准确率达到了60.8%,平均遗忘率达到了15.5%。当内存库M为500时,该方法在CIFAR-100上的平均准确率达到了25.9%,平均遗忘率达到了13.7%。这一结果验证了加强决策边界与自监督的在线持续学习方法对减轻灾难性遗忘是有效的。

求知、修身与发展的统合:国际比较视野下中国学生的学习特点分析

超越消极刻板印象和西方既有学习理论,从国际比较的视野出发理解中国学生学习特点,有助于构建本土学生学习理论和中国教育学自主知识体系,也是提高人才自主培养能力、改进教育教学实践的关键前提。本研究对国际上的中国学习者研究主题文献进行系统分析和总结提炼,发现国际比较视野的中国学生学习具有以下特点:支撑知识再生产的组合式认知策略,社会关系导向和工具性的学习动机,情境性和策略性的学业互动,以及本土美德影响下的学习信念。结合现代中国教育和学生学习时间进一步提炼认为,中国学生的学习已超越认知范畴而与全人生发展融合,展现出求知、修身与发展相统合的“大学习”特色样态。当前培养创新型人才所需的学生学习模式转型,不能仅着眼于学校内部的教育教学改革,还应该考虑扩大到塑造学习修身和发展特点的社会性变革。

决策学习型蜣螂优化算法的无人机协同路径规划

针对多无人机协同路径规划问题,提出了一种决策学习型蜣螂优化算法(DLDBO)。传统蜣螂优化算法(DBO)种群之间缺乏信息互换,容易陷入局部最优解。因此,利用Pearson相关系数计算个体之间的相似性,通过相似性指标判断并作出决策:若不相似,利用折射反向学习计算得到候选解,在一定程度上提高个体之间影响的同时增强算法跳出局部最优的能力;若相似,利用所提出的链式邻近学习引导蜣螂个体,增加影响个体更新的因素,充分促进个体之间的信息交流。在CEC2017测试套件的29个测试函数上进行了充分的对比实验,结果表明,DLDBO性能明显优于其他六种先进的变体算法。利用DLDBO规划无人机群的飞行路径,最终能够得到较为理想的协同路径并且有效避开威胁,优于其余三种优秀的协同路径规划算法,满足了无人机协同飞行的需求。

Using ontology and rules to retrieve the semantics of disaster remote sensing data

Remote sensing data plays an important role in natural disaster management.However,with the increase of the variety and quantity of remote sensors,the problem of“knowledge barriers”arises when data users in disaster field retrieve remote sensing data.To improve this problem,this paper proposes an ontology and rule based retrieval(ORR)method to retrieve disaster remote sensing data,and this method introduces ontology technology to express earthquake disaster and remote sensing knowledge,on this basis,and realizes the task suitability reasoning of earthquake disaster remote sensing data,mining the semantic relationship between remote sensing metadata and disasters.The prototype system is built according to the ORR method,which is compared with the traditional method,using the ORR method to retrieve disaster remote sensing data can reduce the knowledge requirements of data users in the retrieval process and improve data retrieval efficiency.

基于细节增强和多颜色空间学习的联合监督水下图像增强算法

由于水下特殊的成像环境,水下图像往往具有严重的色偏雾化等现象。因此文中根据水下光学成像模型设计了一种新的增强算法,即基于细节增强和多颜色空间学习的无监督水下图像增强算法(UUIE-DEMCSL)。该算法设计了一种基于多颜色空间的增强网络,将输入转换为多个颜色空间(HSV、RGB、LAB)进行特征提取,并将提取到的特征融合,使得网络能学习到更多的图像特征信息,从而对输入图像进行更为精确的增强。最后,UUIE-DEMCSL根据水下光学成像模型和联合监督学习框架进行设计,使其更适合水下图像增强任务的应用场景。在不同数据集上大量的实验结果表明,文中提出的UUIE-DEMCSL算法能生成视觉质量良好的水下增强图像,且各项指标具有显著的优势。

基于算子学习的多目标深度强化学习模型求解消防设施选址问题

针对消防设施选址问题,构建考虑时效性、市民等待救援的焦急心理和建设成本的三目标消防设施选址模型,以实现更科学的消防设施布局。鉴于该问题的NP难特性,提出基于算子学习的多目标深度强化学习模型(multi-objective deep reinforcement learning,MDRL)。设计多种优化算子作为强化学习的动作空间,训练策略网络以选择最佳优化算子来改进解决方案。针对多目标问题,设计基于优势差异的方法(MDRL-AD)和基于支配性评估的方法(MDRL-DE)。采用四种规模的测试算例及实际案例进行数值实验,将MDRL和改进的NSGA-Ⅱ、MOPSO、L2I算法进行比较,并利用Hypervolume指标、Spacing指标、Ω指标、IGD指标对算法性能进行评估。实验结果表明,MDRL-AD方法更适用于求解小规模算例,MDRL-DE方法则在求解大规模和超大规模算例时相比其他算法优势明显。MDRL在非劣解集的收敛性和均匀性方面明显优于其他对比算法,为消防设施布局规划提供了一种有竞争力的解决方案。

智慧学习环境下的在线学习行为分析

本文基于智慧学习平台的在线教学受到的关注日益增多,分析在线学习现状及相关因素对提升教学质量具有重要意义。首先,通过对智慧学习平台的课程学习数据进行分析,确定学习行为指标的四个分类:学习者基本情况、操作行为、协作行为、问题解决行为;其次,利用主成分分析和聚类分析,确定学习行为与学习效果的正相关性,将学习样本分为积极型和消极型;再次,对比不同环境下的教学效果,发现在线学习在大部分情况下表现优于传统教学;最后,进行学习行为维度与学习成绩的相关性分析,得到影响学习成绩的主要因素为学习时间和学习次数。在此基础上,从学习者、教师等角度提出相应教学建议。

初中生合作学习素养测评模型的构建与应用研究

合作学习素养是二十一世纪人才必备的核心素养之一。本研究在厘清初中生合作学习素养内涵的基础上,提出包括共识构筑、行动参与、协商共进三个维度的初中生合作学习素养测评框架,建构合作学习素养测评工具,并对工具的科学性进行验证。研究结果表明,测评工具具有良好的信效度。进一步分析发现,我国初中生合作学习素养总体水平较高,三个维度得分由高到低依次为行动参与、协商共进、共识构筑;在不同年级、城乡和学业成绩区间层面初中生合作学习素养得分存在显著差异,但在性别层面差异并不显著。

基于对抗学习和一致性正则的半监督语义分割方法

为了降低语义分割任务对像素级标签的需求,提出一种基于对抗学习和Mean teachers模型的半监督语义分割方法。该方法训练过程分为两个阶段,第一阶段在分割网络之后连接判别网络,通过对抗学习使分割网络预测结果逐渐接近真实标签;第二阶利用第一阶段的网络参数做指数移动平均得到教师网络,与分割网络做一致性训练,使模型性能进一步提升。使用PASCAL VOC 2012数据集进行实验,结果表明在使用相同数量的标签训练下,该方法的分割图的质量和评价指标mIoU优于现有半监督语义分割方法。

位置大数据的联邦学习统计预测与差分隐私保护方法

针对分布式位置大数据收集导致的信息孤岛问题和位置隐私泄露面临的风险,提出一种基于联邦学习的位置大数据统计预测与隐私保护方法。首先,构建基于横向联邦学习的位置大数据统计预测发布框架,该框架允许各行政区域的数据收集者保留各自的原始数据,并使多个参与方通过交换训练参数来协同完成预测模型的训练任务;其次,针对具有时空序列特性的位置大数据密度统计预测问题,设计PVTv2-CBAM,以提高客户端预测结果的准确性;最后,提出一种差分隐私预算的动态分配和调整算法,并结合MMA(Modified Moments Accountant)机制实现对客户端模型的差分隐私保护。实验结果表明,相较于卷积神经网络(CNN)、长短期记忆(LSTM)网络、卷积LSTM(ConvLSTM)模型,PVTv2-CBAM在Yellow_tripdata数据集和T-Driver轨迹数据集上预测的平均绝对误差分别降低0~62%和39%~44%;所提差分隐私预算动态分配和调整算法在调整阈值为0.3和0.7时,使模型预测的准确率与无动态调整相比分别提高了约5%与6%。以上结果验证了所提方法的可行性和有效性。

语义网格中基于多策略学习的Ontology匹配方法

近些年来 ,语义Web和网格计算这两个方向在各自的研究社区分别发展着 ,这两方面的交叉即语义网格 (se manticgrid)则是最近一段时间兴起的研究领域 通过给网格附加语义层 ,能够促进网格自组织的形成 现有的Grid社区都是使用集中式的、一致性的、可扩充的Ontology库 超越集中式的语义存储是语义网格发展面临的最大挑战之一 针对网格社区间的Ontology异构性这个问题 ,提出了一种多策略的Ontology匹配学习方法 它使用多种分类方法来学习Ontology之间的匹配 :使用一般的基于统计的分类方法来发现数据实例内部的分类特征 ;或者使用基于一阶逻辑的学习算法FOIL来发现数据实例之间的语义联系 在单个方法预测的基础上 ,匹配系统使用称之为最突出的冠军的匹配委员会方法来集成分类结果 实验表明在现实的知识领域中 。

护理本科生自主学习能力对网络学习行为的影响:自我效能的中介作用

目的探究护理本科生自主学习能力对网络学习行为的影响以及自我效能的中介作用。方法采用便利抽样法,于2023年9—12月选取黑龙江省某医科大学就读的护理专业本科生为研究对象,采用一般情况调查表、大学生网络学习行为量表、自主学习能力量表、一般自我效能量表进行问卷调查。采用AMOS 24.0进行中介模型的构建,采用Bootstrap方法进行中介效应检验。结果自主学习能力对护理本科生的网络学习行为有直接效应,也可以通过自我效能的中介作用对网络学习行为产生间接效应,我们可以认为该模型是一种部分中介模型。结论自我效能在自主学习能力对网络学习行为之间起中介作用。

基于机器学习的玉米自交系杂种优势类群研究

【目的】优化玉米杂种优势类群划分与判别分析方法,为玉米育种提供指导和参考。【方法】采用固相芯片对60份糯玉米自交系进行基因分型,通过质量控制获得不同密度的SNP标记,采用群体结构分析和遗传距离聚类的方法对60份糯玉米进行类群划分,比较不同密度分子标记和分群方法的差异。在此基础上,分别采用随机森林和支持向量机对类群划分结果进行抽样和交叉验证,比较玉米自交系类群判别的预测精度。【结果】通过不同的质量控制标准分别获得11431和4022个分子标记,基于2种分子标记密度,分别将60份材料分成5个类群和4个类群,其中,以11431个SNP标记为基础,通过群体结构分析和遗传距离聚类结果发现,类群内样本一致性为63.33%,以4022个SNP标记进行分群,发现2种类群划分方法的群内样本一致性为90.00%;比较玉米自交系类群判别的预测精度结果为:基于4022个标记,随机森林和支持向量机预测精度的平均值(91.43%)高于11431个标记的预测精度的平均值(86.25%),其中,预测精度最高的是采用4022个标记的随机森林预测,预测精度为94.17%。【结论】聚类分析法最终将60份玉米糯自交系分为4个类群,运用随机森林和支持向量机对类群划分结果进行抽样和交叉验证,发现随机森林法比支持向量机法能获得更高的预测精度。