“双万计划”建设背景下山西大学考古专业理论课程的调整优化

山西大学考古专业在2021年成为教育部“双万计划”国家级一流本科专业建设点。如何构建新时代的考古专业课程体系,强化人才培养工作,是考古专业建设的重要任务。以习近平总书记关于加强历史文化遗产保护和考古研究工作的重要论述和重要指示批示为理论指导,对标北京大学、西北大学、吉林大学三所考古学科A等高校的专业理论课程,提出山西大学考古专业理论课程的优化方案。

基于容器化微服务的图书馆业务系统重构——以山西大学为例

图书馆业务系统是支撑图书馆数字化服务的核心系统,传统的业务系统面临着系统冗余、资源分散、无法快速响应用户需求等问题。文章以山西大学图书馆为例,通过使用容器化微服务技术实现图书馆业务系统的转型升级,提高了系统资源利用率,降低了系统重构成本和冗余率,也破除了信息之间的壁垒,并在重构系统的基础上,实现了文献数据的统一管理、纸电一站式检索服务和智慧化统计分析服务。

地方高校民歌合唱教学探索与经验——以山西大学山西民歌合唱团为例

在地方高校推广民歌合唱,既可突出高校专业特色、创新课程建设,又具有很好的教化功能。山西大学组建的山西民歌合唱团,在这方面进行了有益的探索并积累了宝贵的经验。在合唱团建设方面,得到了领导的重视与物质的支持,注重团风建设、形式多样化、朋辈互助等;在排演中,吸收借鉴西洋发声方法、广泛涉猎世界多民族风格、融入时代旋律与流行因素、配合形体语言的训练、注意从生活中汲取能量。合唱团在将合唱教学科学化、多元化、专业化与本土化有机整合的摸索中,走出特色传承与创新之路。

数字经济下大学治理场域的结构体系及演化逻辑探究

场域视角是观察高校治理的重要“窗口”。现有研究仅限于社会场域表层意义下的隐喻和“嫁接”,缺乏更深层级的理论结构探析和演化探究。基于场域-惯习理论,通过理论探析构建了数字经济条件下大学治理场域的结构体系,阐释了数字经济影响下大学发展背后场域演化的底层逻辑。研究发现,大学治理框架由创新资本场域、组织能量场域、数字场域和高层治理者能力场域等四个元场域组成。四个元场域相互有机作用,作为整体呈现出“资本供给矛盾-惯习转变-资本积累及优化配置-矛盾解决-场域演化-大学发展”的链式逻辑演化机理。

山西省住院医师规范化培训现况调查——以太原市规范化培训基地为例

目的了解山西省住院医师规范化培训(规培)的现况,为进一步提高规培效果提供借鉴。方法随机选取2016年10月—2017年2月在太原市规培基地进行规培的320人进行问卷调查,了解临床实践能力的提升情况和对规培的满意度情况。结果本单位规培学员的临床实践能力提升效果明显好于外单位规培学员;规培学员对规培满意度得分为(2.543±0.461)分,其中,对薪酬待遇的满意度最低(2.132±0.307)分;高年龄、未婚、高学历和外单位人员对规培的满意度普遍低于低年龄、已婚、低学历和本单位人员。结论应该为外单位规培人员制定合理的培训计划提高培训效果,提高整体规培学员的薪酬和待遇,解决其后顾之忧。

打造教师教学发展共同体,多校共上一堂课——“大学化学实验课程群虚拟教研室”教研活动初探及成效

介绍“大学化学实验课程群虚拟教研室”在创新教研形态、加强教学研究、共建优质资源以及开展教师培训等方面开展的一系列工作及取得的初步实效。重点阐明了“多校共上一堂课,共享教学云资源”的示范教学直播课活动的教研形式以及教学内容的选取原则。

面向不同类型概念漂移的两阶段自适应集成学习方法

大数据时代,流数据大量涌现.概念漂移作为流数据挖掘中最典型且困难的问题,受到了越来越广泛的关注.集成学习是处理流数据中概念漂移的常用方法,然而在漂移发生后,学习模型往往无法对流数据的分布变化做出及时响应,且不能有效处理不同类型概念漂移,导致模型泛化性能下降.针对这个问题,提出一种面向不同类型概念漂移的两阶段自适应集成学习方法(two-stage adaptive ensemble learning method for different types of concept drift,TAEL).该方法首先通过检测漂移跨度来判断概念漂移类型,然后根据不同漂移类型,提出“过滤-扩充”两阶段样本处理机制动态选择合适的样本处理策略.具体地,在过滤阶段,针对不同漂移类型,创建不同的非关键样本过滤器,提取历史样本块中的关键样本,使历史数据分布更接近最新数据分布,提高基学习器有效性;在扩充阶段,提出一种分块优先抽样方法,针对不同漂移类型设置合适的抽取规模,并根据历史关键样本所属类别在当前样本块上的规模占比设置抽样优先级,再由抽样优先级确定抽样概率,依据抽样概率从历史关键样本块中抽取关键样本子集扩充当前样本块,缓解样本扩充后的类别不平衡现象,解决当前基学习器欠拟合问题的同时增强其稳定性.实验结果表明,所提方法能够对不同类型的概念漂移做出及时响应,加快漂移发生后在线集成模型的收敛速度,提高模型的整体泛化性能.

有序标签噪声的鲁棒估计与过滤方法

较大规模的标注数据集中难免会存在标签噪声,这在一定程度上限制了模型的泛化性能。有序回归数据集的标签是离散值,但不同标签之间又有一定次序关系。虽然有序回归的标签兼有分类和回归标签的特征,但面向分类和回归任务的标签噪声过滤算法对有序标签噪声并不完全适用。针对此问题,提出了标签含噪时回归模型的Akaike泛化误差估计,在此基础上设计了面向有序回归任务的标签噪声过滤框架。此外,提出了一种鲁棒的有序标签噪声估计方法,其采用基于中位数的融合策略以降低异常估计分量的干扰。最后,该方法与所提框架结合形成了噪声鲁棒融合过滤(Robust Fusion Filtering,RFF)算法。在标准数据集和真实年龄估计数据集上均验证了算法的有效性。实验结果表明,在有序回归任务中,RFF算法性能优于其他分类和回归过滤算法,能够适应不同类型的噪声数据,并有效提升数据质量和模型泛化性能。

一流专业建设背景下化学实验教学示范中心的改革与实践

本文以山西大学化学实验教学示范中心为例,探讨了一流专业建设背景下化学实验教学示范中心的改革方向与实践措施。中心围绕学生“知识、能力、质素”协调发展的理念,坚持“三全育人”,以“立足化学优势,服务山西煤基产业”为特色发展方向,以创新实验、虚拟仿真实验、课程群建设为抓手,开展了一系列改革措施,取得了显著成效。

基于混合特征提取的流数据概念漂移处理方法

大数据时代,越来越多的数据以数据流的形式产生,由于其具有快速、无限、不稳定及动态变化等特性,使得概念漂移成为流数据挖掘中一个重要但困难的问题.目前多数概念漂移处理方法存在信息提取能力有限且未充分考虑流数据的时序特性等问题.针对这些问题,提出一种基于混合特征提取的流数据概念漂移处理方法(concept drift processing method of streaming data based on mixed feature extraction,MFECD).该方法首先采用不同尺度的卷积核对数据进行建模以构建拼接特征,采用门控机制将浅层输入和拼接特征融合,作为不同网络层次输入进行自适应集成,以获得能够兼顾细节信息和语义信息的数据特性.在此基础上,采用注意力机制和相似度计算评估流数据不同时刻的重要性,以增强数据流关键位点的时序特性.实验结果表明,该方法能有效提取流数据中包含的复杂数据特征和时序特征,提高了数据流中概念漂移的处理能力.

基于自适应深度集成网络的概念漂移收敛方法

概念漂移是流数据挖掘领域中的一个重要且具有挑战性的难题.然而,目前的方法大多仅能够处理线性或简单的非线性映射,深度神经网络虽然有较强的非线性拟合能力,但在流数据挖掘任务中,每次只能在新得到的1个或一批样本上进行训练,学习模型难以实时调整以适应动态变化的数据流.为解决上述问题,将梯度提升算法的纠错思想引入含概念漂移的流数据挖掘任务之中,提出了一种基于自适应深度集成网络的概念漂移收敛方法(concept drift convergence method based on adaptive deep ensemble networks,CD_ADEN).该模型集成多个浅层神经网络作为基学习器,后序基学习器在前序基学习器输出的基础上不断纠错,具有较高的实时泛化性能.此外,由于浅层神经网络有较快的收敛速度,因此所提出的模型能够较快地从概念漂移造成的精度下降中恢复.多个数据集上的实验结果表明,所提出的CD_ADEN方法平均实时精度有明显提高,相较于对比方法,平均实时精度有1%~5%的提升,且平均序值在7种典型的对比算法中排名第一.说明所提出的方法能够对前序输出进行纠错,且学习模型能够快速地从概念漂移造成的精度下降中恢复,提升了在线学习模型的实时泛化性能.

基于特征注意力提纯的显著性目标检测模型

近年来,显著性目标检测技术取得了巨大进展,其中如何选择并有效集成多尺度特征扮演了重要角色。针对现有特征集成方法可能导致的信息冗余问题,提出了一种基于特征注意力提纯的显著性检测模型。首先,在解码器中采用一个全局特征注意力引导模块(GAGM)对带有语义信息的深层特征进行注意力机制处理,得到全局上下文信息;然后,通过全局引导流将其送入解码器各层进行监督训练;最后,利用多尺度特征融合模块(FAM)对编码器提取出的多尺度特征与全局上下文信息进行有效集成,并在网格状特征提纯模块(MFPM)中进行进一步细化,以生成清晰、完整的显著图。在5个公开数据集上进行实验,结果表明,所提模型优于现有的其他显著性检测方法,并且处理速度快,当处理320×320尺寸的图像时,能以30帧以上的速度运行。

融合二连通模体结构信息的节点分类算法

节点表示学习将图结构数据信息编码到低维的潜在空间中,在节点分类、聚类、链路预测等机器学习任务中被广泛应用。在复杂网络中,节点与节点之间不仅存在直接相连的低阶结构,也存在以特殊连接模式形成的高阶结构,称为模体。提出一种融合二连通模体结构信息的节点分类算法(FMI),利用节点间高阶二连通模体信息学习节点表示,完成节点分类任务。首先,统计网络中的二连通模体,利用其中信息提出一个节点重要性的度量指标——模体比值。根据模体比值计算采样概率进行邻域采样;构造一个带权辅助图以融合网络节点连接的低阶关系与高阶关系,对节点进行加权邻域聚合以得到节点表示。在5个数据集Cora、Citeseer、Pubmed、Wiki和DBLP上执行节点分类任务,与5种经典基准算法进行对比,所提算法FMI在准确度和F1-分数等指标上表现良好。

黑社会性质组织犯罪涉案财产的证明问题——《反有组织犯罪法》第45条第3款的展开

如何证明涉案财产的权属性质,从而合理划分涉案财产的处置范围是涉黑案件财产处置程序的重点与难点。《反有组织犯罪法》第45条第3款创设“高度可能”证明标准,有效破解了黑社会性质组织犯罪“来源不明”财产的证明难题,明确了涉案财产的权属认定,增强了裁判文书的司法权威,预防了涉黑组织的“卷土重来”。实践中,“高度可能”证明标准的适用与被告人、利害关系人的财产密切相关,必须辩证地理解与把握“高度可能”证明标准适用的前提与范围,厘清该证明标准与证明责任的关系,进而完善被告人“说明财产合法来源”程序的权利保障,吸纳财产利害关系人“参与”涉案财产处置程序,以实现涉黑案件“打财断血”的同时保障好被告人、利害关系人的诉讼权利与财产权益。

一种基于主动学习的开放集图像识别方法

开放集识别(Open Set Recognition,OSR)的主要目的是识别未标记数据中的新类样本,同时对已见类样本进行正确分类.现有的大多数识别方法对未标记数据的评估和伪标记信息的利用不足.本文提出一种基于主动学习的开放集图像识别方法(Open Set Image Recognition Method Based on Active Learning,AC-OSIR),充分利用未标记数据提升开放集识别性能.通过引入已见类别的语义知识,构建语义知识和图像特征的映射关系.对于未标记数据,利用阈值选择策略区分开放集样本和已见类样本,通过主动学习模型迭代地识别高置信度开放集样本和已见类样本,并将高置信度已见类样本添加到标记数据集中.本文在图像分类数据集CIFAR-10、TIN和LSUN,以及两个合成数据集的实验结果表明了基于主动学习的开放集图像识别方法的有效性.

宇宙黎明全天频谱实验研究进展

探索宇宙黑暗时代、黎明时代和再电离时代对于理解宇宙的演化具有重要意义,一直是天文学研究的一个重要方向。从2000年前后开始,人们尝试利用200 MHz以下的红移中性氢21 cm辐射对宇宙早期的演化进行探测,主要是两条路径,一种是利用大规模阵列对中性氢辐射进行三维成像或空间功率谱测量,另一种是通过单天线对21 cm中性氢全天平均频谱进行测量。后一种测量设备规模小,只需要单天线,但要求接收机具有高精度的校准能力。本文主要介绍近年来我们在国家天文台红柳峡观测站开展的全天频谱探测实验的进展情况,包括多种非频变天线设计、创新性的多通道交叉验证接收系统设计思想,以及初步的实验进展等,实验结果显示利用天线模拟器得到系统校准精度残差小于0.025 K,达到了自校准精度的国际水平。这些设备的研制和实验的开展将有力地推动我国未来的月球轨道或月基全天频谱探测项目。

基于有监督对比学习的焊缝缺陷X射线检测方法

【目的】基于深度学习的表面缺陷检测算法广泛应用于表面缺陷检测。然而,在焊缝缺陷检测领域,焊缝缺陷外观特征上具有同类别样本偏差大而不同类别样本偏差小的特点,这给焊缝缺陷的有效识别带来了挑战。【方法】为此,提出一种有监督对比学习的焊缝缺陷检测方法(SCL-DD),将有监督对比学习拓展到焊缝缺陷检测领域,通过正负样本进行有效的相似计算,使同一类别的缺陷样本在嵌入空间上更加接近,不同类别的缺陷彼此远离,降低类间偏差和跨类偏差对检测性能的不良影响。【结果】引入余弦分类器,通过计算特征编码与分类原型之间的余弦相似度,提高差异性缺陷样本的检测性能。在钢管焊缝表面缺陷数据集上验证所提出方法的性能。【结论】SCL-DD方法平均精度为96.9,优于其他深度学习网络。

在线深度神经网络的弱监督概念漂移检测方法

流数据作为大数据的重要形式广泛存在于实际问题中,由于流数据中数据分布变化产生概念漂移,容易导致模型的泛化性能下降,且在实际应用问题中,数据标记成本较高,难以获得强监督的信息.针对以上问题,本文提出一种基于在线深度神经网络的弱监督概念漂移检测(Weakly supervised conceptual drift detection method based on online deep neural network,WSCDD)方法.该方法设计了一种在线深度神经网络模型,采用Hedge反向传播方法在线学习网络深度,并通过设计Dropout层在模型预测时引入随机性,利用蒙特卡罗方法量化深度神经网络模型的预测不确定性,通过自适应滑动窗口技术检测弱监督环境下概念漂移的发生,并使模型适应新的概念.实验结果表明,该方法可以准确检测数据流中概念漂移的发生,在漂移发生后能够快速收敛到新的数据分布,提高了学习模型的泛化性能.

基于特征拓扑融合的黑盒图对抗攻击

在大数据时代,数据之间的紧密关联性是普遍存在的,图数据分析挖掘已经成为大数据技术的重要发展趋势。近几年,图神经网络作为一种新型的图表示学习工具引起了学术界和工业界的广泛关注。目前图神经网络已经在很多实际应用中取得了巨大的成功。最近人工智能的安全性和可信性成为了人们关注的重点,很多工作主要针对图像等规则数据的深度学习对抗攻击。文中主要聚焦于图数据这种典型非欧氏结构的黑盒对抗攻击问题,在图神经网络模型信息(结构、参数)未知的情况下,对图数据进行非随机微小扰动,从而实现对模型的对抗攻击,模型性能随之下降。基于节点选择的对抗攻击策略是一类重要的黑盒图对抗攻击方法,但现有方法在选择对抗攻击节点时主要依靠节点的拓扑结构信息(如度信息)而未充分考虑节点的特征信息,文中面向引文网络提出了一种基于特征拓扑融合的黑盒图对抗攻击方法。所提方法在选择重要性节点的过程中将图节点特征信息和拓扑结构信息进行融合,使得选出的节点在特征和拓扑两方面对于图数据都是重要的,攻击者对挑选出的重要节点施加不易察觉的扰动后对图数据产生了较大影响,进而实现对图神经网络模型的攻击。在3个基准数据集上进行实验,结果表明,所提出的攻击策略在模型参数未知的情况下能显著降低模型性能,且攻击效果优于现有的方法。

山西发展低碳经济的战略选择

山西作为一个高耗能产业积聚的"能耗大省",发展低碳经济具有特别重要的意义。山西发展低碳经济应从转变观念、调整结构、技术创新和碳汇造林四方面抓起。