灵动于多媒体环境下的"展示台"教学

多媒体辅助教学对于“展示台”教学的重要意义 “语文园地”中的“展示台”,是学生自主学习、合作学习、师生互动的舞台。然而大多数农村教师认为,农村的小学生由于受所处的环境、条件、家庭等各方面因素的影响,见识较少,加之农村可以利用的语文学习资源（如图书、报刊、招牌）比城市的少,往往比城区孩子的胆子更小,更不敢和不善于表现。因此,他们认为可以忽视这个教学内容。     

面向三维模型多样化分类的深度集成学习

基于深度学习的三维模型分类方法大都面向特定的具体任务,在面向三维模型多样化分类任务时表现不佳,泛用性不足。为此,提出了一种通用的端到端的深度集成学习模型E2E-DEL(end-to-end deep ensemble learning),由多个初级学习器和一个集成学习器组成,可以自动学习复杂三维模型的复合特征信息;并使用层次迭代式学习策略,综合考量不同层次网络的特征学习能力,合理平衡各个初级学习器的子特征学习和集成学习器的集成特征学习效果,自适应于三维模型多样化分类任务。基于此,设计了一种面向多视图的深度集成学习网络MV-DEL(multi-view deep ensemble learning),应用于一般性、细粒度、零样本三种不同类型的三维模型分类任务中。在多个公开数据集上的实验验证了该方法具有良好的泛化性与普适性。     

基于信息技术教育的自主探究性学习研究

小学生的主动学习集中表现在学习中的主动探究。信息技术教学的主动学习要把自主探究作为培养学生创新能力的着眼点,构建小学自主探究型的课堂教学模式。文章探讨了小学信息技术教学中开展自主探究学习的原则,并例谈了提高课堂学习效益、优化教学进程、培养学生创新和实践能力的途径和方法。     

英语交际活动的“维生素”——心理素质

《英语课程标准》强调：“英语交际应从学生的学习兴趣、生活经验出发，使语言交际的过程成为学生积极的情感态度，主动思维和大胆实践的自主学习过程”。然而在实际教学中，往往有些学生参加教师组织的交际活动时，表现出积极性不高、交际声音很小、低头焦虑、难为情等等。从心理学的角度分析这些情况不难发现，学生在英语交际过程中产生的焦虑行为，有英语知识掌握不牢的原因，更重要的是学生心理素质不高的原因。     

探索数学课堂教学中学习情感的培养

学生的学习情感在课堂上主要表现为学生的学习兴趣。在课堂教学中如何充分重视、激发学生的学习兴趣,让学生带着兴趣走进课堂,并在学习     

基于解释的算法构架的学习

本文提出了将解释学习方法用于学习算法构架的思想，以提高软件自动化系统从功能规格说明转换到设计规格说明的能力．文中给出了算法构架的表示，操作性的定义及其处理方法．系统从用户给出的一个问题的解中学习算法构架，用于解决一类问题，系统的学习效果表现为通过学习能够解决原来不能解的问题．     

元强化学习综述

强化学习在游戏对弈、系统控制等领域内表现出良好的性能,如何使用少量样本快速学习新任务是强化学习中亟需解决的问题。目前的有效解决方法是将元学习应用在强化学习中,由此所产生的元强化学习日益成为强化学习领域中的研究热点。为了帮助后续研究人员快速并全面了解元强化学习领域,根据近年来的元强化学习文献对研究方法进行梳理,将其归纳成基于循环网络的元强化学习、基于上下文的元强化学习、基于梯度的元强化学习、基于分层的元强化学习和离线元强化学习,对五种类型的研究方法进行对比分析,简要阐述了元强化学习的基本理论和面临的挑战,最后基于当前研究现状讨论了元强化学习的未来发展前景。     

基于云平台的智慧学习系统的设计与应用

"智慧学习"整合了智能信息技术与丰富的学习资源及学习活动,是继远程学习、数字学习、移动学习、泛在学习之后的第五次教育信息化浪潮,已经成为现代教育改革的热点和重要政策导向。该文详细阐述了智慧学习的演变过程、五大特点及四项关键技术,在此基础上,提出一种"基于云平台的智慧学习系统"的设计结构和功能模型,实现整套系统后将其应用于对外汉语教学环境中。该系统整合了云计算、情境感知、机器学习等技术,集学习情境感知、智慧录播、资源共享、学习表现预测、内容规划推荐等多种功能于一体,以期突破传统教学模式、优化教学资源呈现形式,让线上、线下深度融合,全面激发课堂中教与学的潜力。经实验验证,该系统对于优化教学过程、提升教学效果有较好的促进作用。     

融合元学习和PPO算法的四足机器人运动技能学习方法

具备学习能力是高等动物智能的典型表现特征, 为探明四足动物运动技能学习机理, 本文对四足机器人步 态学习任务进行研究, 复现了四足动物的节律步态学习过程. 近年来, 近端策略优化(PPO)算法作为深度强化学习 的典型代表, 普遍被用于四足机器人步态学习任务, 实验效果较好且仅需较少的超参数. 然而, 在多维输入输出场 景下, 其容易收敛到局部最优点, 表现为四足机器人学习到步态节律信号杂乱且重心震荡严重. 为解决上述问题, 在元学习启发下, 基于元学习具有刻画学习过程高维抽象表征优势, 本文提出了一种融合元学习和PPO思想的元近 端策略优化(MPPO)算法, 该算法可以让四足机器人进化学习到更优步态. 在PyBullet仿真平台上的仿真实验结果表 明, 本文提出的算法可以使四足机器人学会行走运动技能, 且与柔性行动者评价器(SAC)和PPO算法的对比实验显 示, 本文提出的MPPO算法具有步态节律信号更规律、行走速度更快等优势.     

一种基于伪标签的深度迁移学习算法

深度学习的成功依赖于海量的训练数据，然而获取大规模有标注的数据并不容易，成本昂贵且耗时；同时由于数据在不同场景下的分布有所不同，利用某一特定场景的数据集所训练出的模型往往在其他场景表现不佳。迁移学习作为一种将知识从一个领域转移到另一个领域的方法，可以解决上述问题。深度迁移学习则是在深度学习框架下实现迁移学习的方法。提出一种基于伪标签的深度迁移学习算法，该算法以ResNet-50为骨干，通过一种兼顾置信度和类别平衡的样本筛选机制为目标域样本提供伪标签，然后进行自训练，最终实现对目标域样本准确分类，在Office-31数据集上的三组迁移学习任务中，平均准确率较传统算法提升5.0%。该算法没有引入任何额外网络参数，且注重源域数据隐私，可移植性强，具有一定的实用价值。     

念始终典于学——兼论学习化社会中学习化个人的学习与学习观建设

“玉不琢,不成器;人不学,不知道。是故古之王者,建国君民,教学为先。《兑命》曰:念终始典于学。其此之谓乎!”这是《尚书·兑命篇》中关于做人、学习和治国安邦道理的一段描述,意思就是说,虽然是质地美好的玉,如果不经过琢磨,也不能成为有用的器皿;人虽然自称是万物之灵,如果不肯学习,也不会明白做人处世的道理。所以,古时候的君主建设国家、管理人民,都是以教育作为最优先、最重要的工作。使之人,有所学、有所为。总之,《尚书·兑命篇》说:人要自始至终地常常想到学习。即我们现在所倡导的终身教育、终身学习。古语“教学为先”中的“教,学习也”,实质就是学习。     

小数据集条件下的多态系统贝叶斯网络参数学习

针对贝叶斯网络中多父节点条件概率分布参数学习问题,提出了一种适用于多态节点、模型不精确、样本信息不充分情形的参数学习方法.该方法利用因果机制独立假设,分解条件概率分布,使条件概率表的规模表现为父节点个数和状态数的线性形式;利用Leaky Noisy-MAX模型量化了多态系统模型未含因素对参数学习的影响;从小样本数据集中获取模型参数并合成条件概率表.结果表明,该方法能提高参数学习效率与精度.     

没有它们 别说你是学习达人

一天当中你可以不吃饭,但是不可能不用手机。随着智能手机越来越普及、越来越智能,我们应该思考的是,除了娱乐,手机是不是也应该更多地被应用在学习上面?这是一个全民学习、终身学习的时代,我们都不想落后于这个时代。在刷微博聊QQ的同时,爱学习的我们,更应当把手机当作一个移动学习工具,通过各类优秀的手机软件帮助我们增     

初中生注意力培养策略初探

由于现在社会竞争越来越激烈，学习压力越来越大，很多初中生学习效率不高、学习兴趣不浓，甚至逐渐丧失学习斗志。究其原因，一个很重要的方面就是绝大多数学生在学习中注意力难以集中。因此，如何增强初中生的学习注意力，激发其兴趣，激活其潜能，培养高效的学习习惯，是教师必须认真思考和艰苦探索的课题。     

Double DQN在坦克对战游戏中的应用

深度强化学习在游戏领域中有着广泛的应用,使用深度强化学习方法训练的智能体能在一些游戏上有接近人类玩家的表现。本文设计并实现了一个坦克对战游戏环境,并将深度强化学习应用到游戏中,使用Double DQN训练智能体,使智能体程序能在游戏中获胜。     

基于深度元学习的小样本图像分类研究综述

深度元学习是解决小样本分类问题的流行范式。对近年来基于深度元学习的小样本图像分类算法进行了详细综述。从问题的描述出发对基于深度元学习的小样本图像分类算法进行概括,并介绍了常用小样本图像分类数据集及评价准则;分别从基于模型的深度元学习方法、基于优化的深度元学习方法以及基于度量的深度元学习方法三个方面对其中的典型模型以及最新研究进展进行详细阐述。最后,给出了现有算法在常用公开数据集上的性能表现,总结了该课题中的研究热点,并讨论了未来的研究方向。     

基于强化学习的多移动Agent学习算法

结合强化学习技术讨论了单移动Agent学习的过程,然后扩展到多移动Agent学习领域,提出一个多移动Agent学习算法MMAL(MultiMobileAgentLearning)。算法充分考虑了移动Agent学习的特点,使得移动Agent能够在不确定和有冲突目标的上下文中进行决策,解决在学习过程中Agent对移动时机的选择,并且能够大大降低计算代价。目的是使Agent能在随机动态的环境中进行自主、协作的学习。最后,通过仿真试验表明这种学习算法是一种高效、快速的学习方法。     

多模态引导的局部特征选择小样本学习方法

深度学习模型取得了令人瞩目的成绩,但其训练依赖于大量的标注样本,在标注样本匮乏的场景下模型表现不尽人意.针对这一问题,近年来以研究如何从少量样本快速学习的小样本学习被提了出来,方法主要采用元学习方式对模型进行训练,取得了不错的学习效果.但现有方法:1)通常仅基于样本的视觉特征来识别新类别,信息源较为单一; 2)元学习的使用使得模型从大量相似的小样本任务中学习通用的、可迁移的知识,不可避免地导致模型特征空间趋于一般化,存在样本特征表达不充分、不准确的问题.为解决上述问题,将预训练技术和多模态学习技术引入小样本学习过程,提出基于多模态引导的局部特征选择小样本学习方法.所提方法首先在包含大量样本的已知类别上进行模型预训练,旨在提升模型的特征表达能力;而后在元学习阶段,方法利用元学习对模型进行进一步优化,旨在提升模型的迁移能力或对小样本环境的适应能力,所提方法同时基于样本的视觉特征和文本特征进行局部特征选择来提升样本特征的表达能力,以避免元学习过程中模型特征表达能力的大幅下降;最后所提方法利用选择后的样本特征进行小样本学习.在MiniImageNet、CIFAR-FS和FC-100这3个基准数...     

强化学习与生成式对抗网络结合方法研究进展

强化学习和生成式对抗网络是近年来人工智能领域的两个热门主题，在众多领域表现非常出色。近期出现较多关于两者结合的工作与报道，将强化学习交互式学习的优点与生成式对抗网络的启发自博弈思想相互融合。对两者结合的最新进展进行了梳理、比较与实验分析。对强化学习与生成式对抗网络的理论进行了概述；从强化学习改进生成式对抗网络、生成式对抗网络改进强化学习两个研究方向进行了阐述与比较，通过实验方式分析了这些方法在自然语言、机器控制领域的应用情况；展望了可能的发展趋势。     

不平衡学习在电力设备故障诊断中的应用

针对电力设备中正常类数量多、故障类数量少的特点,传统分类方法不易取得较好效果。笔者提出将不平衡学习应用与故障诊断。根据数据特征引入不平衡学习算法,介绍不平衡学习算法的常用方法,即抽样、集成学习算法和融合不平衡的集成学习算法,并通过实验得到性能最好的故障诊断模型。实验结果表明,自适应合成抽样与极限随机树的融合算法(ADASYN+ET)取得了较好效果,Avg_Acc达到82.53%,G_mean达到80.74%。因此,不平衡学习在电力设备故障诊断中有较好的应用效果。