复杂环境下机器人的行为学习研究

机器人为实现在复杂环境下的探索任务,必须具有自主学习其行为策略的能力.本文将Q学习与基于案例的学习结合,实现机器人在复杂环境下的自学习能力.     

高校学生学习评估改革探析-以香港LOAP项目为例

传统上，学习评估仅发挥其测量功能，是“对学习的评估”。当今国际高等教育学习评估领域强调学习评估应发挥其支持学习功能，学习评估应是“为了学习的评估”。为了在高校实现“为了学习的评估”，英、美、澳大利亚、香港等地高校纷纷开展了高校学习评估改革。学习导向评估项目（LOAP）是香港高校的学习评估改革项目。LOAP认为，“为了学习的评估”有三个基本要素：评估任务即学习任务、学生参与评估、反馈能及时改进学习。通过教师进行行动研究、专家全程深度指导、教师发表成果等举措。LOAP取得了一定成效。同时，LOAP也证明。高校实现“为了学习的评估”有相当的难度。这需要教育管理部门、教育评价研究者、学校、教师等多方力量的共同参与。     

基于选择性加权适配网络的多域新故障识别方法

针对深度迁移学习诊断方法要求机械设备训练数据与测试数据具有相同类别空间,同时难以有效识别新故障的问题, 提出了一种基于选择性加权适配网络的多域新故障识别方法。 所提方法利用一维卷积神经网络提取源域与目标域深度判别特 征,并集成领域判别器与多分类器结构,构建源域与目标域权重函数,自适应度量源域与目标域类别的相似程度;从而利用对抗 学习策略来有效减少源域与目标域共享类数据的分布差异;最后利用高斯分布拟合方法自动判别权重阈值,实现对目标域已知 故障和新故障的有效诊断。 在齿轮箱变工况迁移诊断任务上对所提方法进行分析与应用验证,并与现有的其它方法进行比较, 所提方法在所有任务上的调和平均值(E-score)达到 0. 8 以上,验证了所提方法的有效性与优越性。     

基于GANs和迁移学习的人脸表情生成方法研究

生成对抗网络(GANs)自2014年被提出以来,被广泛应用在文本、图像等领域,并对其进行生成方面的研究。但是最近的研究发现,生成对抗网络在有限样本的情况下无法取得好的生成效果,产生过拟合等问题。为了解决这个问题,本文提出了一种利用迁移学习和改变网络结构相结合的方法。与传统的迁移学习不同的是,在对源网络卷积层进行迁移过程的同时,引入AdaFM模块并用Style Blocks替换生成器前两层,使迁移后参数更好地适应目标网络,从而提升在小样本的情况下的生成效果并降低结构复杂度,加快训练速度。本文分别使用CelebA人脸数据库和RaFD人脸表情数据库作为源任务和目标任务的训练数据对该算法进行测试。测试结果表明,所采用的方法在有限样本的条件下,能够使图片具有更好的生成效果。     

学习素质问题探讨

素质是一个人在先天遗传的基础上,受后天环境的影响,通讨自身长期内化养成的稳定的、长期起作用的品质。有创造力,是素质高的体现。就是说,人才的素质高,表现出一个人在某些方面的创造性思维,发挥其创造性。     

基于对称式对比学习的齿轮箱无监督故障诊断方法

针对跨工况下无监故障诊断特征提取难、模型泛化性弱的问题,提出一种基于对称式对比学习策略的齿轮箱无监督故障诊断方法。首先,利用原始信号构建正负样本集,通过加噪声、序列倒转等数据增强后,分别输入两个结构相同的卷积神经网络提取高维特征;其次,度量正负样本的相似程度进行编码学习数据的隐藏表示,通过对称式自监督对比学习优化正负样本的对比估计损失函数,从而有效利用样本自身标签信息,提升网络从无标签样本中学习判别特征的能力;最后,在齿轮箱数据集上对所提方法开展试验验证,通过聚类准确率、分类系数和划分熵进行综合评估。结果表明,所提方法聚类精度可达98%以上,相比其他方法,呈现了更强的聚类能力和泛化性能。     

基于分形理论的组织学习方式研究

将分形理论应用于组织学习研究,分析了企业多层次分形元动态组织学习SECI过程,分形元组织学习形成合力因素,以及学习代理分形元的作用机制.最后以实例说明分形学习方式可以促进有效的组织学习.     

基于对比学习辅助训练的超短期风功率预测方法

利用深度学习方法提高风功率超短期预测精度能够给电力系统日内机组组合、超短期经济调度、和电力备用安排提供更精确的风功率预测结果,对进一步提高电力系统运行的安全性和经济性具有重要意义。本文针对当前深度学习特征提取模块对时序曲线中的隐式特征和趋势变化的相似性提取不充分的问题,提出一种基于对比学习辅助训练的超短期风功率预测模型,主要包括输入模块、特征提取模块、对比学习辅助模块和回归模块。该模型通过自监督的对比学习算法自主生成正负样本、并以拉开正负样本的映射空间距离为目标来辅助训练特征提取模块的网络参数,使得特征提取模块的映射结果中包含了输入信息相似性的隐式特征,进而减少数据冗余信息、增强样本关联性,最终提高风功率预测精度。实验结果表明,对比学习方法的平均绝对误差比长短期记忆网络和轻量梯度提升机方法分别下降了19.9%和6.5%,有效提高了风功率预测精度。     

基于深度一维残差卷积自编码网络的齿轮箱故障诊断

一维振动信号常常被用于齿轮箱的监测与故障诊断中,使得能及时地对齿轮箱维护以减少损失。因此,从一维振动信号中提取出关键故障特征决定了故障诊断模型的准确性与可靠性。典型的深度神经网络(deep neural network, DNN),如卷积神经网络已经在故障诊断中表现出良好的性能并得到了广泛的应用,但其监督式训练方式往往需要大量的标签数据而限制了其可应用性。因此,提出一种新的深度神经网络模型,一维残差卷积自编码器(1-dimension residual convolutional auto-encoder,1DRCAE),成功应用于振动信号的无监督学习及故障特征提取,显著提高了齿轮箱的故障诊断率。首先,提出了一维卷积层与自编码器的有效集成方法,形成了深度一维卷积自编码器;其次,引入残差学习机制训练一维卷积自编码器,实现对一维振动信号有效地特征提取;最后,基于编码器提取的特征,使用少量标签数据进行分类微调实现齿轮箱故障模式识别。通过齿轮箱试验台采集的传感器数据进行实验验证表明,这种无监督学习方法具有良好的去噪能力和故障特征提取能力,其特征提取效果好于典型的深度神经网络,如深度置信网络(Deepbeliefnetwork,DBN)和堆叠自编码网络(Stackedauto-encoders,SAE),同时故障诊断效果也优于一维卷积神经网络(1-dimension convolutional neural network, 1DCNN)。     

基于机器学习理论的机械故障诊断方法综述

现代机械设备日趋精密化、智能化,同时工作环境与工况也越来越复杂,一旦零/部件出现故障,不但会对设备本身造成伤害,还有可能造成人员伤亡等事故;因此,及时有效地发现并处理设备故障有着重要的意义。随着人工智能技术的发展,以机器学习为核心的机械故障诊断技术飞速发展。对常用的机器学习理论进行了梳理和总结,主要介绍了基于浅层学习下的人工神经网络、支持向量机及Boosting算法和基于深度学习下的卷积神经网络、自动编码器及深度置信网络这6大类机器学习模型,分析比较了这些模型的优缺点,并总结了各个模型在机械故障诊断领域的应用。最后对机器学习在故障诊断领域未来的发展做出了总结和展望。     

MSA-Net:一种基于多阶段注意力机制的少样本目标检测方法

近年来，样本较少场景下的目标检测引起了广泛的关注。由于少样本提供的信息有限，大部分少样本目标检测模型采用改进的Faster RCNN检测框架进行研究。但由于Faster RCNN框架中潜在的模块矛盾问题，现有的少样本目标检测模型的特征捕捉和分类的能力有待提高。为解决以上问题，以Faster RCNN框架为基础，加入了梯度反传解耦机制，缓解在反向传播过程中，RPN和RCNN的冲突对主干网络的负面影响。为提高目标检测模型的特征捕捉能力，采用元学习框架，并融合基于注意力机制的蒸馏模块和多尺度注意力模块，充分利用查询集和支持集的信息，捕捉更多全局特征信息。大量的实验证明，在随机采样目标数k=1, 2, 3, 5, 10设置下，改进后的模型在Pascal VOC数据集的新类上，分别达到21.8%,34.7%, 40.9%, 44.5%, 51.7%mAP(AP50)。在k=10, 30设置下，改进后的模型在COCO数据集的新类上，分别达到25.1%,27.6%mAP(AP50)。     

创新性学习：——面向21世纪的学习理论

知识经济时代需要创新型人才，培养创新型人才的关键在于进行创新性学习。阐明了什么是创新性学习，指出了创新性学习的四个基本特征，提出了生学习应遵循的四条基本原则，并就怎样开展创新性学习进行了探讨。     

基于两阶段深度迁移学习的面料疵点检测算法

针对针织格纹面料疵点检测存在检测实时性差和疵点数据稀缺的问题,提出一种基于两阶段深度迁移学习的面料疵点检测算法,实现对疵点的实时高精度检测与检测模型的高效训练.第一阶段迁移:设计面料疵点先验知识迁移算法,通过聚类算法求得交并比最优的四类疵点预选框尺寸参数,使用带有先验知识的疵点预选框替代基于特征的定位方法,实现面料疵点尺寸特征先验知识的迁移,提高面料疵点的定位速度;第二阶段迁移:设计面料特征提取能力迁移算法,利用不同种面料之间具有通用特征的特性,通过将纯色棉麻布检测模型参数迁移至格纹面料检测模型,实现对面料通用特征提取能力的迁移,减少检测模型训练所需的样本数量,提高检测模型训练效率.实验结果表明,在检测性能方面,提出的面料疵点检测算法检测精度为95％、检测速度可达30 m/min,优于传统的目标检测算法,能够满足面料生产中对于检测性能的要求;在模型训练方面,检测模型训练所需疵点样本数量减少50％以上、检测模型训练速度同比提高3倍.     

高职院校学生学习方式现状及影响因素分析

一、研究背景 学习方式，也称学习风格，它是美国学者哈伯特·塞伦于1954年首次提出的。五十多年来，中外研究者由于其理论立场和视角不同，学术界对它的解释并不完全一样。一般认为：学习方式是学习者为完成学习任务而采用的方法、策略、步骤；是学习者对学习活动的动机、态度、情绪体验、坚持性以及对学习环境、学习内容的偏爱。     

学习兴趣测量研究述评

国内有关学习兴趣的测量仍处于起步阶段,而针对中小学生的、以一线教师为研究主体的学科学习兴趣测量却独具特色。国外有关学习兴趣的测量以单一维度居多,几乎全部采用了自评的方式,内容涵盖了初高中的所有学科,个体兴趣与主题兴趣的测量主要围绕情感、价值与知识展开,情境兴趣的测量主要集中在课堂教学与学习材料方面。不论国内还是国外,学习兴趣测量存在着理论基础薄弱、测量内容重叠、忽视教师作用、信效度研究单薄及测量方式单一等不足。对学习兴趣进行有效测量,应该建构系统的学习理论;进行系统且细致的信效度检验;关注中西教育中的文化差异以及考察学习兴趣中的生物性脑机制。     

一种新的自适应Kriging法停止准则及其在涡轮盘疲劳寿命可靠性中的应用

自适应Kriging结合Monte Carlo模拟(AK-MCS)是估计结构失效概率的高效方法。AK-MCS在自学习过程中需要停止准则掌控其自学习的程度,然而目前的停止准则没有准确地将自学习过程和失效概率估计值的精度联系起来。为此,提出一个基于失效概率置信区间的停止准则,该停止准则首先计算失效概率估计值的方差,然后依据切比雪夫不等式将失效概率估计值方差转化为失效概率估计值的置信区间,并以置信区间长度小于给定阈值作为停止准则。所列的简单算例以及涡轮盘低周疲劳寿命可靠性工程算例均将该方法与同类研究进行了对比,验证了该方法的精度。     

云模型和集成分类结合的故障数据不平衡学习

针对故障数据集不平衡而导致的误分类问题，在分析了不平衡数据对传统分类器影响的基础上，提出了一种基于高斯云模型正向、逆向云发生算法的样本再生成技术。首先，针对样本较少的类别，以现有样本特征值为逆向云算法的输入，计算出特征云模型的期望E_x、熵E_n和超熵H_e这3个指标；其次，以E_x,E_n和H_e为正向云发生算法的输入，衍生出数据量远大于原有样本的云滴(x_i,y_i)，采集若干云滴的x值作为新的样本特征值，补充了样本数量较少的类，在数据层面解决了不平衡问题；然后，借助集成极限学习机(ensemble extreme learning machine，简称E-ELM)对补充后的平衡数据集进行分类学习，在算法层面提高了最终的分类精度；最后，在一个滚动轴承故障数据集上验证了所提方法的有效性。     

深度迁移学习在柔性末端执行器端点检测的应用

针对在工业领域中难以利用小样本数据集训练出准确深度学习模型的问题,提出一种基于迁移学习的深度学习目标点检测方法,对小样本数据集下的柔性末端执行器端点检测.首先利用残差网络(ResNet)构建目标点检测网络;然后利用领域自适应迁移方法构建适应网络,将预训练ResNet-50网络参数转移到柔性末端执行器端点检测模型的训练中,降低深度学习模型训练的难度.实验结果表明,该模型在500张图像训练下就已经具有较好的检测效果,对末端点的定位精度为1.675 mm.     

大数据下机械装备故障的深度迁移诊断方法

机械故障智能诊断是大数据驱动下保障装备安全运行的重要手段。为准确识别装备的健康状态,智能诊断需要依靠充足的可用监测数据训练智能诊断模型。而在工程实际中,机械装备的可用数据稀缺,导致训练的智能诊断模型对装备健康状态的识别精度低,制约了机械故障智能诊断的工程应用。鉴于实验室环境中获取的装备可用数据充足,即数据的典型故障信息丰富、健康标记信息充足,且此类数据与工程实际装备的监测数据间存在相关的故障信息,提出机械装备故障的深度迁移诊断方法,将实验室环境中积累的故障诊断知识迁移应用于工程实际装备。首先构建领域共享的深度残差网络,从源自不同机械装备的监测数据中提取迁移故障特征;然后在深度残差网络的训练过程中施加领域适配正则项约束,形成深度迁移诊断模型。通过实验室滚动轴承与机车轴承的迁移诊断试验对提出方法进行验证,试验结果表明:提出方法能够运用实验室滚动轴承的故障诊断知识,识别出机车轴承的健康状态。