教师团队异质性对学生在线学习满意度的影响机制研究——自主学习能力的调节作用

在线教育模式在高校的融合创新发展成为必然趋势。基于310份学生样本调查数据，实证研究了教师团队异质性对学生在线学习满意度的影响机制，分析了在线学习投入的中介作用以及自主学习能力的调节效应。结果表明：教师团队异质性正向影响学生在线学习满意度；在线学习投入在教师团队异质性与在线学习满意度之间起部分中介作用；自主学习能力正向调节了在线学习投入与在线学习满意度之间的关系；自主学习能力在教师团队异质性与在线学习满意度之间的调节效应是通过在线学习投入的中介起作用。在此基础上，文章提出相应的教学建议。     

基于SOINN增量自编码器的网络异常检测研究

针对批量学习的网络异常检测模型存在内存资源消耗大、无法在线更新的问题,利用自组织增量神经网络(self-organizing incremental neural network, SOINN)的增量学习特性,提出一种增量自编码器构建方式,将改进SOINN的输出神经元作为自动编码器的输入,使得模型在不破坏已有学习成果的基础上,具备增量更新能力。针对SOINN算法获胜神经元邻居节点学习率固定,不利于区分其与输入样本的相似性的问题,提出一种学习率自适应调整方法,来提升获胜神经元邻居节点的学习效率,使得算法输出神经元更能代表样本特性。针对反馈更新样本中正常样本纯度不高的问题,提出一种基于距离度量的样本标签筛选机制,通过计算反馈样本与神经元的距离来对正常样本进行筛选,使得反馈样本中正常样本比例更高,以此来提升模型的在线检测效果。在NSL-KDD数据集上开展了相关实验,实验证明所提方法具备增量学习能力,且改进SOINN的增量学习效果优于原始算法,有效节省了模型的运算和存储开销,通过基于距离的样本标签筛选机制,模型的在线检测能力有效提升。     

基于记忆提炼的对比度量增强在线类增量学习图像分类方法

图像分类中类增量学习具有知识灾难性遗忘现象,现有的基于经验回放方法着重考虑的是记忆库的更新和采样方式,忽略了新旧样本之间的特征关系。为此,提出了一种基于记忆提炼的对比度量增强在线类增量学习图像分类方法(cME²),设计了两种新的正负样本对,对旧样本信息进行了加强重复再利用,强化了模型对冗余特征和共性特征的表达能力,基于最近邻均值分类器改善了嵌入空间中的样本分布合理性。最后,通过对比实验和消融实验验证了所提方法的有效性和高效性。     

高中物理研究性学习的选题探讨

研究性学习,是指学生基于自身兴趣,在教师指导下,从自然、社会和学生自身生活中选择和确定研究课题,主动地获取知识、应用知识、解决问题的学习活动,是一种有别于接受学习的学习方式.但研究性学习与接受学习并不是对立的,而是相互补充,互相渗透的,在学科中开展研究性学习不仅必要而且可行.     

增量式神经网络聚类算法

神经网络模型具有强大的问题建模能力,但是传统的反向传播算法只能进行批量监督学习,并且训练开销很大。针对传统算法的不足,提出全新的增量式神经网络模型及其聚类算法。该模型基于生物神经学实验证据,引入新的神经元激励函数和突触调节函数,赋予模型以坚实的统计理论基础。在此基础上,提出一种自适应的增量式神经网络聚类算法。算法中引入"胜者得全"式竞争等学习机制,在增量聚类过程中成功避免了"遗忘灾难"问题。在经典数据集上的实验结果表明:该聚类算法与K-means等传统聚类算法效果相当,特别是在增量学习任务的时空开销方面具有较大优势。     

基于小样本学习的军事装备识别技术

针对军事装备样本稀缺昂贵、目标识别研究进展缓慢等问题,从人类认知科学出发,提出利用民用装备数据完成深度学习训练,实现大样本知识积累;采用模式识别算法提取装备武器特征,实现样本目标识别。通过分析2种样本属性空间距离,利用卷积神经网络作为前端,采用SIFT算法作为后端,构建递进学习模型,实现对多种军事装备的高效识别。实验测试模型识别坦克、战机和军舰平均置信度分别为87%、92%和91%,军事装备武器样本数量决定目标识别精度,样本泛化可提高目标识别率。提出的递进学习模型充分利用深度学习和模式识别算法优势,实现军事领域武器装备小样本目标识别。     

基于空地协同的山地冰川连续探测系统

针对无人机、无人车在复杂环境下运行不稳定、协作性差的问题,提出一种可以在冰雪表面、地形起伏等山地冰川环境下运行的空地机器人冰川探测系统。首先,该系统中无人机可适应高原山地低压、大风环境,无人车可在低温环境、冰雪表面长时间行驶,相应的轻量级地形建模和预测框架可将冰川表面环境点云模型转换成数据量更小的模型,且不造成大幅精度损失。其次,所提系统不仅可通过对驾驶数据、车辆状态数据与地形数据之间的相关分析建立驾驶技能模型,并利用增量式学习方法使驾驶技能模型快速适应冰川环境和复杂地表结构,其基于无人机机动性、无人机能耗、水平距离约束和视距约束的空地协同策略还可以保证系统的通信稳定和平稳运行。验证实验表明,提出的驾驶技能学习方案可以保证无人车在驾驶建议下平稳通过冰川危险地带,提出的空地协同策略可以保持较低水平的跟踪误差与通讯延迟。     

自主式水下机器人控制方法研究

水下机器人能够代替人类完成水下各种极端环境作业,其精确控制成为研究热点.阐述了国内外水下机器人控制方法的研究现状,对现有水下机器人的控制方法进行了分析整合,进而总结了水下机器人在无动力学模型依据和基于动力学模型时的控制方法,特别是归纳了基于水动力学建模控制方法的一般过程,最后对水下机器人控制领域未来的发展进行探索与展望.     

基于不稳定性采样的主动学习方法

传统的主动学习方法往往仅基于当前的目标模型来挑选样本,而忽略了历史模型所蕴含的对未标注样本预测稳定性的信息。因此,提出基于不稳定性采样的主动学习方法,依据历史模型的预测差异来估计每个未标注样本对提高模型性能的潜在效用。该方法基于历史模型对样本的预测后验概率之间的差异来衡量无标注样本的不稳定性,并挑选最不稳定的样本进行查询。在多个数据集上的大量实验结果验证了方法的有效性。     

一种具有遗忘特性的在线学习算法框架

基于凸优化中的对偶理论,提出了一种具有遗忘特性的在线学习算法框架。其中,Hinge函数的Fenchel对偶变换是将基本学习问题由批量学习转化为在线学习的关键。新的算法过程是通过以不同方式提升含有约束变量的对偶问题实现的:(1)梯度提升;(2)贪婪提升。回顾了以往的相关研究工作,并指出了与之的区别与联系。人造数据集和真实数据集上的实验结果证实了算法框架的有效性。算法可以很好地处理数据流中的分类面漂移问题,为设计和分析新的在线学习算法提供了一个新的思路。     

基于支持向量机的海战场辐射源威胁评估

提出一种基于支持向量机的辐射源威胁评估方法.基于统计学习理论的支持向量机方法,其在小样本情况下表现出了极好的优越性,能够较好地完成威胁评估.实验表明,支持向量机可以很好地逼近专家评价的结果,并且要优于一般的神经方法.     

基于异态集成学习的飞行目标辅助识别模型

对飞行目标类型的准确识别是空中作战意图识别的前提和基础。针对当前各类识别模型在训练样本较少时,较难同时获得模型的稳定性和较好的泛化能力且在线学习能力较差的问题,提出了一种基于异态集成学习的飞行目标辅助识别模型,将k近邻学习模型与BP神经网络模型进行整合,使模型兼具训练稳定性与较好的泛化能力;通过算法设计,模型具有了整体动态更新的能力。基于某作战仿真系统完成飞行目标识别实验,对比了该模型与各类模型的性能表现。实验结果显示所提出的模型识别正确率稳定在90%左右,且在个体学习器的基础上至少提高2%。     

美DARPA“终身学习机器”项目研究进展综述

“终身学习机器”（L2M）项目隶属于美国国防预先研究计划局（DARPA）,其目标是开发支持下一代自适应人工智能系统所需的技术,使其能够在实际环境中持续地学习并改善性能,同时保持原来预先给定的能力。对L2M项目基本情况和研究进展进行了综述。首先,介绍了L2M项目的背景、目标、研究内容和项目阶段;然后,从终身学习理论方法研究、边缘终身学习与终身学习机器的硬件实现和终身学习机器人三个方面,对L2M项目的研究进展进行介绍和分析评述,其中理论方法方面包括不确定性调节的终身学习及其应用、自动驾驶中的终身学习、本征任务终身学习框架、通过元学习的神经调节克服灾难遗忘等;最后,对未来发展趋势进行了展望。综述表明,终身机器学习亟需继续开展研究,尤其是生物机制启发的终身学习、多智能体协同终身学习和终身学习技术在现实世界复杂场景中的应用等方向。     

在线学习的主用户仿冒攻击策略

在认知无线网络中,次用户通过频谱感知来学习频谱环境,从而接入那些没有被主用户占用的频谱空隙。事实上,多种恶意攻击的存在会影响次用户频谱感知的可靠性。只有深入研究恶意攻击策略,才能确保认知无线网络的安全。基于此,研究了一种认知无线网络中的欺骗性干扰策略,即主用户仿冒攻击策略,该攻击策略通过在信道上传输伪造的主用户信号来降低次用户频谱感知的性能。具体来说,将攻击策略问题建模为在线学习问题,并提出基于汤普森采样的攻击策略以实现在探索不确定信道和利用高性能信道间的权衡。仿真结果表明,与现有的攻击策略相比,提出的攻击策略能更好地通过在线学习优化攻击决策以适应非平稳的认知无线网络。     

基于深度迁移学习的低分辨雷达目标识别方法

针对低分辨雷达人工目标识别效率较低的问题,提出了基于深度迁移学习的雷达自动目标识别方法。该方法利用雷达回波序列轮廓像构建空中目标数据集,使用深度卷积神经网络自动提取回波数据中的深层特征,并对雷达目标进行分类识别。为了解决深度学习对样本量的巨大需求,在分类模型训练时,引入迁移学习思想,将经ImageNet数据集预训练过的初始网络模型迁移到雷达目标识别任务中,再通过空中目标数据集对模型参数进行微调,实现小样本条件下对空中目标的粗分类。实测数据的结果表明：所提方法能够在小样本条件下较为准确地对空中目标的大小和架次进行分类识别,具有良好的识别性能。     

基于PPO的球形机器人目标跟随研究

球形机器人由于其优异的运动性能、出色的地形适应能力和防侧翻的特性,被广泛应用于水下探测、岸滩巡检等需要适应复杂环境的场景。然而球形机器人系统模型具有欠驱动、非线性的特点,运动控制问题复杂,在复杂应用环境下难以可靠跟随目标。为此,提出了一种基于近端策略优化(PPO)算法的球形机器人目标跟随方法。该方法基于深度强化学习理论,在球形机器人动力学模型的基础上,设计了简单高效的动作空间和表征完善的状态空间。并且为提高目标跟随方法的鲁棒性,该方法在奖励函数中引入人工势场,以使目标始终保持在机器人视野中心。仿真结果表明,所提方法能够满足既定场景的跟随需求,球形机器人使用该方法可以对随机运动目标进行可靠跟随。     

主动学习与自学习的中文命名实体识别

命名实体识别是信息抽取中的一项基础性任务,如何利用丰富的未标注语料来提高实体识别的指标是该领域一个重要的研究方向。基于条件随机场提出一种将主动学习与自学习相结合的方法——SACRF,通过设置置信度函数和2-Gram频度阈值来选取样本,并采用人工与自动相结合的方式进行标注来扩展训练语料。实验表明,该方法在提高实体识别的精确率和召回率的同时,能够显著地降低人工标注的工作量。     

基于多传感器信息系统的仿人机器人步态规划算法改进研究

摘要：基于视觉传感器、角度传感器和力／力矩传感器组成的多传感器信息系统,对仿人机器人理想的步态规划算法进行了改进．以双目视觉立体标定原理处理视觉传感信息,从而判断目标距离及目标路径的可达性;通过角度传感器获取实时旋转角度,经参数调整减小执行误差;根据力／;5矩传感信息对支撑脚踝关节的侧摆角度进行增量式补偿．经实验验证,改进后的算法对机器人的步态稳定性控制具有良好的效果．     

能量均衡的围捕任务分配方法

随着水下机器人反围捕策略研究的不断深入,水下机器人围捕变得越来越困难。为此构建一种多层环状伏击围捕模型并设计了基于围捕任务的任务分配方法,使得水下机器人能够充分利用自身的特点更好地完成任务。同时,考虑在围捕过程中随时间推移,系统内能量会出现消耗不均的现象,据此提出一种能量均衡方法平衡系统能量的消耗。实验证明所提出的基于多层环状围捕模型的能量均衡策略任务分配方法能有效提高围捕成功率,延长系统寿命。     

基于集成Bootstrap方法的导弹试验鉴定精度综合评定

针对导弹在试验鉴定过程中,试验样本极少,无法直接从极少的现场试验样本中得到可靠的精度评定结果的问题,使用仿真信息作为验前信息的基于集成Bootstrap方法对导弹精度进行综合评定,可以用于试验鉴定中精度综合评定。针对不平衡数据导致误差引入集成学习,即多组抽取样本和现场数据融合,通过多组弱置信度再得到强置信度的结果;分析了集成学习的误差必然会收敛于0;再由重要度抽样思想,采用了基于相容性水平的权重分配方案;最后采用了改进的总和规则作为集成规则,分析了参数误差。仿真结果表明基于集成Bootstrap方法能有效在小子样条件下进行导弹试验鉴定精度评定。