基于增量学习的车联网恶意位置攻击检测研究

近年来,车辆恶意位置攻击检测中主要使用深度学习技术.然而,深度学习模型训练耗时巨大、参数众多,基于深度学习的检测方法缺乏可扩展性,无法适应车联网不断产生新数据的需求.为了解决以上问题,创新地将增量学习算法引入车辆恶意位置攻击检测中,解决了上述问题.首先从采集到的车辆信息数据中提取关键特征;然后,构建恶意位置攻击检测系统,利用岭回归近似快速地计算出车联网恶意位置攻击检测模型;最后,通过增量学习算法对恶意位置攻击检测模型进行更新和优化,以适应车联网中新生成的数据.实验结果表明,相比SVM,KNN,ANN等方法具有更优秀的性能,能够快速且渐进地更新和优化旧模型,提高系统对恶意位置攻击行为的检测精度.

基于教育数字化构建学习型社会和学习型大国:现实逻辑、内涵要义及发展路向

学习型社会建设是我国实现教育现代化和全面建设社会主义现代化国家的必然要求。“二十大”报告提出“推进教育数字化,建设全民终身学习的学习型社会、学习型大国”,从宏观政策层面为我国指明了建设中国式学习型社会的战略方向。“二十大”报告关于学习型社会建设的要求是基于人与学习关系深化、教育与学习观念变革、经济社会发展客观需要等历史背景提出来的,其本质核心是建设服务全民终身学习的学习型社会,价值目标是建立中国特色的学习型大国,方法支撑是教育数字化技术的全面应用。为适应时代发展需要,提出了数字化学习型社会建设理念,并从文化意识引导、数字技术应用、强化治理监测等维度提出实施建议,期望为我国加快建设全民终身学习的学习型社会进程提供策略参考。

基于机器学习的数据库系统参数优化方法综述

参数优化是影响数据库性能和适应性的关键技术,合理的参数配置对于保障数据库系统的高效运行至关重要,但由于参数较多且参数间具有强关联性,传统参数优化方法难以在高维连续的参数空间中寻找最优配置,机器学习的发展为解决这一难题带来新的机遇。通过总结和分析相关工作,将已有工作按照发展时间和特性分为专家决策、静态规则、启发式算法、传统机器学习方法和深度强化学习方法。对数据库参数优化问题进行定义,并说明启发式算法在参数优化问题上的局限性。介绍基于传统机器学习的参数优化方法,包括随机森林、支持向量机、决策树等,描述机器学习方法解决参数优化问题的一般流程并给出一般实现。由于需要大量带标注的数据,传统机器学习模型在适应性和调优能力等方面存在不足。侧重介绍深度强化学习模型的工作原理,定义参数优化问题与深度强化学习模型的映射关系,比较基于深度强化学习的相关工作对数据库性能提升、模型训练时间和涉及的技术,描述基于深度神经网络构建和训练智能体的具体流程。最后,总结已有工作的特点,对当前机器学习在数据库参数优化方面的研究热点和发展方向进行展望,指出多粒度调优、自适应算法和自运维是未来的研究趋势。

小样本学习技术在新型电力系统中的应用与挑战

数据驱动已成为新型电力系统建设及其数字化转型的核心范式,相关算法在负荷预测、状态检修、多主体调控等多项业务中展现出优越的工程效果与应用潜力。然而,实际工程数据往往面临着样本不足、样本不平衡等问题,制约了数据驱动算法的最终效果。因此,需要借助小样本学习来应对这一挑战。文中从数据、特征、模型3个层面探究了小样本学习技术,综述并分析了相关技术在场景生成、故障诊断、电力系统暂态稳定评估等业务的应用现状,并进一步指出小样本学习技术在新型电力系统中所面临的不足与挑战。

自我决定理论视角下在线学习力模型构建——基于扎根理论的质性分析

在线学习已经成为重要的学习方式之一,与之相对应的在线学习力成为一个热点问题。通过收集S校7位大学生的在线讲座信息、对Y校8位优秀网络教育学生进行访谈获取的资料,以自我决定理论为指导,基于扎根理论的三级编码方法,利用NVivo12.0质性分析软件构建了动机—行为—绩效的在线学习力模型,具体包括学习动机、学习投入、学习技能、学习情绪和学习绩效5个维度。其中,学习动机由目标倾向和价值意义组成;学习投入由意识认知、行为努力和社交支撑构成;学习技能落实在学习策略、信息能力和综合能力3个方面;学习情绪具有积极心态和负面情绪2个类别;学习绩效则体现在学习业绩和学习满意度2个层面。从教育视角来看,提高在线学习力必须强化在线学习体验,加强教师的教学设计和教学干预,完善在线学习绩效评价等。

线上线下混合式教学实施时间长短对《儿科学》学习效果的影响

目的:探索线上线下混合式教学模式开展时间长短对《儿科学》学习效果的影响。方法:选取温州医科大学本科四年级学生共153人纳入研究,研究组59人,对照组94人。研究组学生第1年接受传统授课模式,后3年接受线上线下混合式授课。对照组前3年接受传统授课,第4年接受线上线下混合式的授课。以问卷调查形式搜集资料,包括对上课形式的兴趣、记忆能力、搜集信息能力等方面的自我评价,比较两组学生能力提升的差异,并比较两组学生随堂答题分数的差异。结果:对照组学生喜欢混合式教学形式更多(Z=2.152,P<0.05),且有更多学生对医学知识兴趣有提高(Z=2.117,P<0.05)。与对照组相比,研究组有更多学生搜集信息能力得到提升(Z=2.258,P<0.05),研究组随堂答题分数更高[60(50,70) vs.60(40,60),P=0.001]。在知识点理解深度、记忆能力、思考能力、解决案例能力、沟通合作能力、课堂发言能力提升方面,两组学生比较差异无统计学意义(P>0.05)。结论:在儿科教学中,线上线下混合式教学能提升学生的学习能力。学生接触该教学模式时间越长,搜集信息能力提升更多,且答题分数更高。

过程控制工程课程混合式教学中学生学习风格模型的构建及应用实践

大学生线上线下混合式教学中存在问题产生原因之一是缺乏对网络环境下学生行为数据的分析,从而无法判断学生的学习风格。因而基于数据挖掘技术,利用网络学习平台收集过程控制工程课程学习行为数据,建立基于灰狼算法优化支持向量机构建多维度的学习风格模型,处理和预测其可能的学习风格。有助于教师及时掌握学生动态,调整线上线下混合式教学方案,实现因材施教的个性化教学模式。

基于K-means聚类和特征空间增强的噪声标签深度学习算法

深度学习中神经网络的性能依赖于高质量的样本,然而噪声标签会降低网络的分类准确率。为降低噪声标签对网络性能的影响,噪声标签学习算法被提出。该算法首先将训练样本集划分成干净样本集和噪声样本集,然后使用半监督学习算法对噪声样本集赋予伪标签。然而,错误的伪标签以及训练样本数量不足的问题仍然限制着噪声标签学习算法性能的提升。为解决上述问题,提出基于K-means聚类和特征空间增强的噪声标签深度学习算法。首先,该算法利用K-means聚类算法对干净样本集进行标签聚类,并根据噪声样本集与聚类中心的距离大小筛选出难以分类的噪声样本,以提高训练样本的质量;其次,使用mixup算法扩充干净样本集和噪声样本集,以增加训练样本的数量;最后,采用特征空间增强算法抑制mixup算法新生成的噪声样本,从而提高网络的分类准确率。并在CIFAR10、CIFAR100、MNIST和ANIMAL-10共4个数据集上试验验证了该算法的有效性。

机器学习在膀胱癌影像学诊断中的研究进展

膀胱癌早期诊断和准确分期是提高患者生存率的关键。传统的影像学诊断方法存在一定的局限性,且受诊断医师主观因素影响。近年来,机器学习技术在医学影像领域取得了快速发展,在膀胱癌影像学诊断中也显示出良好的应用前景。现就机器学习应用于膀胱癌分期分级、预后、治疗反应性等方面的研究进展、局限及展望作一综述。

智能时代的学习与进化:重构人类“学与教”范式

伴随着时代发展和生命进化,人类的学习也经历了从自然学习、文化学习到智能学习,从本能学习、超本能学习到反本能学习,从自然学习力、文化学习力到智能学习力,从文字式学习、网络式学习到智能式学习的多重进化。在进化过程中,需要明晰“学习的理想”,既要理解“学习的常识”,也要创造“学习的新识”。同时,还要警惕智能时代的学习,可能出现的“穿新鞋走老路”和“穿新鞋走错路”等异化现象,并以良好的心态应对学习进化带来的诸多挑战。

基于机器深度学习的小麦播种机控制系统研究

针对我国小麦播种机自动控制系统的可靠性及灵敏度不高的问题,基于机器深度学习对小麦播种机的控制系统进行了设计和改进。小麦播种机的主要组成包括控制系统、排种系统、监控系统、电力系统、机架和驾驶室、覆土镇压和排肥装置。为了使播种机的控制系统能有效进行图像检测识别,提升播种机的控制精度,采用机器深度学习中的卷积神经网络算法对控制系统进行设计,并采用迁移学习的方式对模型进行训练和检测。为了验证播种机控制系统的性能,对其进行播种精度控制和播种性能测试试验,结果表明:播种机的精度和性能均符合播种机的设计要求。

机器学习方法在盾构隧道工程中的应用研究现状与展望

随着盾构隧道工程信息化水平的提升,隧道掘进设备作业过程监测技术日益完善,记录的工程数据蕴含了掘进设备内部信息及其与外部地层的相互作用关系。机器学习因其数据分析能力强,无需先验的理论公式和专家知识,相较于传统的建模统计分析方法具有更大的应用空间。通过机器学习方法对收集的信息与数据进行深度挖掘并分析其内在联系,有助于提升盾构隧道工程建设的效率和安全保障水平。简述机器学习方法的基本原理,总结和分析机器学习方法在盾构工程中的应用研究状况,综述基于机器学习的盾构设备状态分析、盾构设备性能预测、围岩参数反演、地表变形预测和隧道病害诊断等5个方面的进展,并分析当前研究的不足。最后,分析盾构隧道工程向智能化方向发展需重点攻克的难题。

研究生自主学习、交际沟通能力与学业表现的影响研究

硕士研究生阶段十分强调学生的自主学习,要求学习者保持积极的学习心态,做到学习自律,以达到预期的学习目标。然而,硕士研究生的学习意愿、学习自律容易受到各种因素的影响。该文主要研究硕士研究生交际沟通能力、自主学习共同对学业的影响。研究发现,硕士研究生的交际沟通能力对自主学习具有促进作用,强化硕士研究生的努力程度,进而提升学业成就,特别是在学习团队中发挥重要作用。此外,研究还发现,研究生参与社会实践有助于强化自主学习意愿。因此,研究生教育应当培养学生的交际沟通能力、增加学生社会实践和优化研究生学业评价,从而提高研究生教育的质量。

国内外智能玩具研究及其在游戏化学习支架中的应用综述

目的对国内外智能玩具研究现状、智能玩具在游戏化学习支架的研究异同进行比较分析。方法梳理总结智能玩具的研究脉络、定义与特点。以2000一2023年,国内外智能玩具文献(中文257篇,英文235篇)为研究对象,采用文献计量法结合CiteSpace软件,对智能玩具研究进行可视化对比分析,明晰国内外智能玩具的研究现状和热点趋势。运用内容分析法分析归类研究案例,探讨国内外在研究智能玩具作为学习支架工具时研究重点、研究方法等方面的异同。结论国外智能玩具研究相比国内更集中,但两者都没有形成核心作者群。国内外关注的研究方向存在相似性但具体的研究侧重点有较大差异,国内研究关注儿童玩具智能化的交互形式和体验,国外则更重视技术创新在有形玩具载体中的多元应用。在智能玩具应用于支架式学习的研究中,国内外的项目研究也呈现出较大差别,国外注重智能玩具与实际教学场景的整合应用,关注技术创新、特殊群体需求,以及对学习成效的定量评估。国内研究则更强调智能玩具在非正式场景下对学龄前儿童的学习促进和发展、智能玩具与儿童交互的方式和策略,以及对本土文化的融入。

基于生成式人工智能技术的对话机器人能促进在线协作学习绩效吗?

近年来,人工智能技术迅猛发展,对教育教学产生了巨大的冲击和影响,最引人注目的是基于生成式人工智能技术的对话机器人的兴起。为进一步提高在线协作学习绩效,研究旨在检验基于生成式人工智能技术的对话机器人对在线协作学习绩效、批判性思维意识及其知识激活量和贡献度的影响。研究邀请大学生参与在线协作学习,综合采用定量和定性相结合的研究方法,深度分析对话机器人的影响。研究结果表明,基于生成式人工智能技术的对话机器人不仅在其知识激活量、贡献度方面明显优于传统媒体,而且也能够显著提升在线协作学习绩效和批判性思维意识。文章深入分析和讨论了研究结果,并提出若干启示和建议。

智慧学习环境中的人机协同设计

作为教育数字化转型的首要任务,智慧学习环境建设过分强调技术之于教育的能力,而忽略教育主体的价值与地位,涌现出场景割裂、数据孤岛等问题。人机协同旨在充分发挥人与机器的优势,弥补彼此的劣势,成为指导智慧学习环境创设与优化的最优解。研究将人机协同视为智慧学习环境设计的基线思维,构建了由数据模型层、技术支撑层和场景应用层三个层级,包含场景、数据、模型、资源、工具与服务等六个要素的智慧学习环境概念模型。基于普瑞斯的人机功能分配决策矩阵理论,提出了AI讲师、执行型AI+人类助手、伙伴型AI+人类同侪、助教型AI+人类教练、人类导师等五种人机协同模式。在此基础上,研究制定了智慧学习环境各层级的设计原则,分析了数据模型层的决策协同设计、技术支撑层的交互协同设计和场景应用层的流程协同设计,讨论了人机协同模式中人机互信和价值对齐的建构策略,以期指导智慧学习环境中的人机协同设计。

学习内在价值能直接提升学生在线学习接受度吗?——自我调节学习技能的中介作用

随着在线学习逐渐成为传统院校学历教育学分课程的可选学习方式,迫切需要更多理论与实证研究洞察这种不同于非正式与混合式学习的新场景下在线学习的特征与机制。鉴于此,在学习动机和自我调节学习经典量表以及技术接受度模型的基础上编制问卷,对我国某高校在线学习学分课程的大学生施测,基于1021份有效问卷数据,通过结构方程建模方法检验学习内在价值对在线学习接受度的影响,以及目标设定、环境构建、任务策略、时间管理、寻求帮助、自我评价六维自我调节学习技能在二者之间的中介作用。研究结果表明:学生感知的学习内在价值不会直接影响其对在线学习的接受度,而是通过学生各项自我调节学习技能间接影响;内在价值对六维自我调节学习技能的驱动作用不同,对目标设定、环境构建和寻求帮助的影响更强;除了寻求帮助维度,其他五维自我调节学习技能均能显著影响学生的在线学习接受度,并在内在价值和在线学习接受度之间发挥显著中介作用。基于研究结果的讨论,提出多种途径促进学生自我调节学习技能的全面发展、重视在线课程中自我调节学习的支架设计、根据在线学习情境部署规划公共学习支持服务等建议。

避免近期偏好的自学习掩码分区增量学习

遗忘是人工神经网络在增量学习中的最大问题,被称为“灾难性遗忘”.而人类可以持续地获取新知识,并能保存大部分经常用到的旧知识.人类的这种能持续“增量学习”而很少遗忘是与人脑具有分区学习结构和记忆回放能力相关的.为模拟人脑的这种结构和能力,提出一种“避免近期偏好的自学习掩码分区增量学习方法”简称ASPIL.它包含“区域隔离”和“区域集成”两阶段,二者交替迭代实现持续的增量学习.首先,提出“BN稀疏区域隔离”方法,将新的学习过程与现有知识隔离,避免干扰现有知识;对于“区域集成”,提出自学习掩码(SLM)和双分支融合(GBF)方法.其中SLM准确提取新知识,并提高网络对新知识的适应性,而GBF将新旧知识融合,以达到建立统一的、高精度的认知的目的;训练时,为确保进一步兼顾旧知识,避免对新知识的偏好,提出间隔损失正则项来避免“近期偏好”问题.为评估以上所提出方法的效用,在增量学习标准数据集CIFAR-100和miniImageNet上系统地进行消融实验,并与最新的一系列知名方法进行比较.实验结果表明,所提方法提高了人工神经网络的记忆能力,与最新知名方法相比识别率平均提升5.27%以上.

联邦学习中的攻击手段与防御机制研究综述

联邦学习的攻防技术是联邦学习系统安全的核心问题。联邦学习的攻防技术能大幅降低联邦学习系统被攻击的风险,明显提升联邦学习系统的安全性。深入了解联邦学习的攻防技术,可以推进联邦学习领域的研究,实现联邦学习的广泛应用。因此,对联邦学习的攻防技术进行研究具有十分重要的意义。简要地介绍了联邦学习的概念、基本工作流程、类型及可能存在的安全问题;介绍联邦学习系统可能遭受到的攻击,梳理了相关研究;从联邦学习系统有无目标性的防御措施出发,将防御措施分为通用性防御措施及针对性防御措施两类,并对其进行了针对性的总结;对联邦学习安全性未来的研究方向进行了梳理与分析,为相关研究者在联邦学习安全性方面的研究工作提供了参考。

深度学习的自然场景文本识别方法综述

自然场景文本识别在学术研究和实际应用中具有重要价值,已经成为计算机视觉领域的研究热点之一。然而,识别过程存在文本风格多样、背景环境复杂等挑战,导致识别效率和准确率不佳。传统的基于手工设计特征文本识别方法由于其有限的表示能力,不足以有效地应对复杂的自然场景文本识别任务。近年来,采用深度学习方法在自然场景文本识别中取得了重大进展,系统地梳理了近年来相关研究工作。首先,根据是否需要对单字符进行分割,将自然场景文本识别方法分为基于分割与无需分割的方法,再根据其技术实现特点将无需分割的方法进行细分,并对各类最具有代表性的方法工作原理进行了阐述。然后,介绍了当前常用数据集以及评价指标,并在数据集上对各类方法进行了性能对比,从多个方面讨论了各类方法的优势与局限性。最后,指出基于深度学习的自然场景文本识别研究存在的不足和难点,对其未来的发展趋势进行了展望。