网络教学软件的导航系统设计

二、分析阶段 1.分析学习目标首先要对总学习目标进行分析,求出实现总目标所需完成的具体学习要求和学习步骤,这些具体的学习要求和学习步骤称为“子学习目标”;这些子目标通常还需继续进行细分,看是否还能找出更低一级的子目标。如此进行下去,直至找到不能再细分的最低一级的子目标为止。各级子目标也就是学习材料中的各个“知识点”。     

面向结构的基于学习的规划方法

近年来,规划中的学习问题重新受到了关注.如何通过学习机制改善现有规划器,使其能够可靠而令人信服地超越现有非学习的规划器的能力,仍然是一个尚未解决的难题.提出了面向规划问题和解的结构的基于学习的规划技术.该方法将先验知识表示成“子问题-规划片段”的形式.每次规划器成功找到解以后,根据问题的初始状态和目标状态,构造规划对象的初始子状态和目标子状态,构成子问题,并从规划解中抽取该子问题对应的规划片段.这些先验知识将被唯一记录并保存成先验知识库.新问题的求解首先从先验知识库中检索与当前求解问题相关的先验知识;然后,将这些先验知识经过例化、合并步骤后编码成句子;最后,将这些句子连同问题编码得到的句子作为SAT 求解器的输入,实现最终解的确定.实验使用了IPC 中的基准测试例子进行测试.实验结果表明,SOLP 算法求解速度与传统非学习的规划器相比具有明显优势,最佳情况下可达约80%的效率提升.     

浅谈信息技术自主学习教学模式的增效高质

自主学习教学模式是较适用于信息技术课堂教学的新模式之一。目前，对这种模式的研究还处于探索阶段，有的教师只是根据自己对“自主”二字的字面理解进行简单的套用：一堂课开始讲几句，就立即让学生“自主”学习，直至教学结束前进行简单小结，随即“大功告成”。对于在这堂课中学生进行自主学习的具体程序如何、教师主要起什么作用等，并不去仔细研究；对于教学目标达到与否，学生的学习效率．结果和质量如何，更不去检查。     

小样本学习研究综述

小样本学习旨在通过少量样本学习到解决问题的模型.近年来在大数据训练模型的趋势下,机器学习和深度学习在许多领域中取得了成功.但是在现实世界中的很多应用场景中,样本量很少或者标注样本很少,而对大量无标签样本进行标注工作将会耗费很大的人力.所以,如何用少量样本进行学习就成为了目前人们需要关注的问题.本文系统梳理了当前小样本学习的相关工作,具体介绍了基于模型微调、基于数据增强和基于迁移学习三大类小样本学习模型与算法的研究进展;本文将基于数据增强的方法细分为基于无标签数据、基于数据合成和基于特征增强三类,将基于迁移学习的方法细分为基于度量学习、基于元学习和基于图神经网络三类.本文还总结了目前常用的小样本数据集,以及代表性的小样本学习模型在这些数据集上的实验结果,随后对小样本学习的现状和挑战进行了概述,最后展望了小样本学习的未来发展方向.     

一种新的分层强化学习方法

提出一种集成Option和MAXQ的分层强化学习新方法——OMQ，该方法以MAXQ为基本框架利用先验知识对任务进行人工分层和在线学习，集成Option方法对难以预先细分的子任务进行自动分层。以出租车问题为背景对OMQ学习算法进行了仿真与对比分析，实验结果表明，在任务环境不完全可知条件下，OMQ比Option和MAXQ更适用。     

以任务驱动，促学生自主学习--谈小学语文“自主学习任务单”的设计

第十一届NOC活动网络教研团队赛项与以往几届有所不同,主要是对“信息化教学设计”的内容进行了变革--创作帮助学生在课前自主完成知识学习的“学习任务单”。所谓设计自主学习任务单,其实是微课程开发中的一个步骤。要求教师根据教学目标,设计帮助学生在课前明确自主学习的内容、目标和方法,并提供相应的学习资源,以表单为呈现方式的学习路径文件包。     

基于并行跟踪检测框架与深度学习的目标跟踪算法

在空地协同背景下，地面目标的移动导致其在无人机视角下外观会发生较大变化，传统算法很难满足此类场景的应用要求。针对这一问题，提出基于并行跟踪和检测（PTAD）框架与深度学习的目标检测与跟踪算法。首先，将基于卷积神经网络（CNN）的目标检测算法SSD作为PTAD的检测子处理关键帧获取目标信息并提供给跟踪子；其次，检测子与跟踪子并行处理图像帧并计算检测与跟踪结果框的重叠度及跟踪结果的置信度；最后，根据跟踪子与检测子的跟踪或检测状态来判断是否对跟踪子或检测子进行更新，并对图像帧中的目标进行实时跟踪。在无人机视角下的视频序列上开展实验研究和对比分析，结果表明所提算法的性能高于PTAD框架下最优算法，而且实时性提高了13%，验证了此算法的有效性。     

日本的学校教育改革的动向：课题与综合学习时间

八尾坂修教授通过翔实的资料及具体的讲解，向参会代表介绍了日本当前课程改革的动向及发展趋势，同时还就日本的综合时间的课程特征、学习目标、学习方式及师资建设等方面内容做了具体的介绍。其中对日本综合实践活动学习时间的学习指导目标、学习活动内容设计的介绍令人深受启发。     

基于增强学习算法的PID参数调整方法研究

本文首先介绍了增强学习的基本原理，然后分析了利用基于增强学习算法进行PID参数调节的步骤，并给出了具体的实现流程，最后通过仿真验证了增强学习算法的性能。     

光场图像基线编辑方法

图像重定向是图像编辑中的一个基本问题,主要研究根据具体应用要求对图像内容进行重构。当前针对光场图像角度和空间超分辨率以外的重定向的研究尚属空白。提出了一种光场图像基线编辑方法。算法主要包含三个步骤:首先对光场图像进行标定得到相机参数,并估计光场图像每个子视点图像的视差图;然后根据基线编辑的要求对光场图像进行重定向处理,即将每个子视点图像投影到目标光场图像对应的子视点;最后构建一个深度学习算法对目标光场图像进行优化,对直接重定向过程中因遮挡去除导致的图像空洞区域进行修复。实验结果表明,所提算法能够实现基线编辑的光场图像重定向处理,得到高质量的目标光场图像。该算法可用于一系列光场图像编辑应用,包括光场图像拼接、不同图像间物体拷贝和复制、光场图像的立体显示等。     

我的编程学习方法论

为什么要学习编程?如果你还没有考虑清楚，就不要开始学编程。编程的学习需要制定一个全过程的学习计划，和一些阶段性的目标，如果没有这些，想要学出名堂几乎是不可能的。     

基于路径匹配的在线分层强化学习方法

如何在线找到正确的子目标是基于option的分层强化学习的关键问题.通过分析学习主体在子目标处的动作,发现了子目标的有效动作受限的特性,进而将寻找子目标的问题转化为寻找路径中最匹配的动作受限状态.针对网格学习环境,提出了单向值方法表示子目标的有效动作受限特性和基于此方法的option自动发现算法.实验表明,基于单向值方法产生的option能够显著加快Q学习算法,也进一步分析了option产生的时机和大小对Q学习算法性能的影响.     

基于优化子目标数的Option-Critic算法

时间抽象是分层强化学习中的重要研究方向,而子目标是时间抽象形成的核心元素.目前,大部分分层强化学习需要人工给出子目标或设定子目标数量.然而,在很多情况下,这不仅需要大量的人工干预,而且所作设定未必适合对应场景,在动态环境未知的指导下,这一问题尤为突出.针对此,提出基于优化子目标数的Option-Critic算法(Option-Critic algorithm based on Sub-goal Quantity Optimization,OC-SQO),增加了智能体对环境的探索部分,通过与环境的简单交互,得到适用于应用场景的初始子目标数量估值,并在此基础上识别子目标,然后利用通过策略梯度生成对应的抽象,使用初态、内部策略和终止函数构成的三元组表示,以此进行训练,根据交互得到的抽象改变当前状态,不断迭代优化.OC-SQO算法可以在任意状态下开始执行,不要求预先指定子目标和参数,在执行过程中使用策略梯度生成内部策略、抽象间策略和终止函数,不需要提供内部奖赏信号,也无需获取子目标的情况,尽可能地减少了人工干预.实验验证了算法的有效性.     

高中信息技术与网络资源的有效对接

高中信息技术学科实践性较强，而且同时还有工具使用能力培养的目标，学生进行学习的目标也正在于此，而且该学科给学生提出了增强自身信息素养、用网络资源处理现实问题的要求。多重目标重叠，让网络资源走向学科教学之中成为必然之势。本文即据此探讨了高中信息技术与网络资源对接的特点及存在的问题，并提出了具体的改进建议。     

自主学习式课件技术探究

自主学习可以分为三个方面：一是在学习活动之前能够自行确定学习目标，制订学习计划、作好具体的学习准备；二是在学习活动中能够对学习进展、学习方法作出自我监控、自我反馈和自我调节；三是在学习活动后能够对学习结果进行自我检查、自我总结、自我评价和自我补救。     

基于任务分解与强化学习的多平台协同火力分配方法

为了有效求解多平台协同火力分配问题,根据“分而治之”的思想,基于任务分解策略将复杂的决策任务分解为子目标平台选择和子平台火力分配两个阶段,通过融合启发式算法和强化学习模型,提出一种新的强化学习求解方法(HARL),并以多平台联合火力打击为作战背景进行实验仿真.子目标平台选择层根据当前状态,基于强化学习策略选择攻击当前子目标最适合的火力平台;而子平台火力分配层则使用启发式算法为执行攻击任务的平台规划最优的火力分配方案.实验结果表明,融合启发式算法和强化学习的HARL方法相比于传统的强化学习算法武器消耗量减少15%以上,相比于经典的启发式算法求解时效性提升20%以上,表明该研究成果可为未来求解复杂作战决策问题提供有力的技术支持.     

基于深度学习的新闻推荐算法研究综述

新闻推荐(NR)可以有效缓解新闻信息过载,是当今人们获取新闻资讯的重要方式,而深度学习(DL)成为近年来促进新闻推荐发展的主流技术,使新闻推荐的效果得到显著提升,受到研究者们的广泛关注.主要对基于深度学习的新闻推荐方法研究现状进行分类梳理和分析归纳.根据对新闻推荐的核心对象——用户和新闻的建模思路不同,将基于深度学习的新闻推荐方法分为"两段式"方法、"融合式"方法和"协同式"方法三类.在每类方法中,根据建模过程中的具体子任务或基于的数据组织结构进行更进一步细分,对代表性模型进行分析介绍,评价其优点和局限性等,并详细总结每类方法的特点和优缺点.另外还介绍了新闻推荐中常用数据集、基线算法和性能评价指标,最后分析展望了该领域未来可能的研究方向及发展趋势.     

基于随机特征子空间的半监督情感分类方法研究

情感分类是目前自然语言处理领域的一个热点研究问题。该文关注情感分类中的半监督学习方法(即基于少量标注样本和大量未标注样本进行学习的方式),提出了一种新的基于动态随机特征子空间的半监督学习方法。首先,动态生成多个随机特征子空间;然后,基于协同训练(Co-training)在每个特征子空间中挑选置信度高的未标注样本;最后使用这些挑选出的样本更新训练模型。实验结果表明我们的方法明显优于传统的静态产生方式及其他现有的半监督方法。此外该文还探索了特征子空间的划分数目问题。     

基于资源信息细分的学习评价系统的设计与实现

在网络化学习系统中，如何准确地发现学习者的缺陷是学习评价系统的主要任务，也是一个非常困难的问题。该系统通过对学习资源标注知识点、能力点、方法点、错误现象和错误归因等信息，将学习资源所包含的信息进一步细分和深化，再以测试结果为基础进行评价，能够更准确地发现学习者的缺陷。     

GAS分析及其移植的实现

GAS(GNU Assembler)是自由软件基金会的GNU工程的一个开放源代码的汇编器，它目前支持多种目标处理器和多种目标文件格式。本文通过对GAS进行分析，重点研究对其进行移植需要进行的工作。然后根据我们面对的目标处理器的特点和要求，对GAS进行了具体的移植工作，说明了移植的步骤和难点等。该工作成果已经成功地应用到该处理器的研制工作中。