深度学习在高能物理领域中的应用

深度学习是一类通过多层信息抽象来学习复杂数据内在表示关系的机器学习算法。近年来,深度学习算法在物体识别和定位、语音识别等人工智能领域,取得了飞跃性进展。文章将首先介绍深度学习算法的基本原理及其在高能物理计算中应用的主要动机。然后结合实例综述卷积神经网络、递归神经网络和对抗生成网络等深度学习算法模型的应用。最后,文章将介绍深度学习与现有高能物理计算环境结合的现状、问题及一些思考。     

基于DCGAN的拉曼光谱样本扩充及应用研究

拉曼光谱检测方法依赖于化学计量学算法,深度学习是当下最炙手可热的方向,可应用于拉曼光谱进行建模。但是深度学习需要大样本进行训练,而拉曼光谱采集受制于器材和人力成本,获取大批量的样本需要更大成本,且易受荧光等因素干扰,这些问题都制约了将深度学习应用于拉曼光谱。针对以上问题,通过引入深度卷积生成对抗网络（DCGAN）提取拉曼光谱内部特征,对抗生成新的拉曼光谱,从而达到扩充数据集目的。同时和另一个扩充数据集的方法--偏移法进行对比,证明DCGAN的可靠性。设计生成光谱选取标准,选取高相似性的光谱填充数据集,为深度学习在拉曼光谱中的应用奠定基础。为了验证生成的光谱比原始光谱有更好的适用性,设计四组实验：（1）使用原始拉曼光谱输入到SVM进行分类,得到51.92%的分类准确率;（2）使用原始拉曼光谱输入到CNN进行分类,得到75.00%的分类准确率;（3）采用偏移法生成光谱,输入到CNN里进行分类,得到91.85%的分类准确率;（4）使用DCGAN生成光谱,输入到CNN里进行分类,得到98.52%分类准确率。实验结果表明,DCGAN能在只有少量拉曼光谱的情况下,通过对抗学习得到较好的生成光谱,且生成的光谱相比原光谱更加清晰,减少了可能的干扰因素,具有光谱预处理效果。通过DCGAN对抗生成大量高质量的数据填充到原有拉曼光谱数据集,扩充数据集的样本量,使得深度学习模型能够得到更好的训练,从而提高模型的准确率。该研究为深度学习方法应用于拉曼光谱分析技术提出了一个可行的方案。     

深度学习在超声检测缺陷识别中的应用与发展*

深度学习（Deep Learning）是目前最强大的机器学习算法之一,其中卷积神经网络（Convolutional Neural Network, CNN）模型具有自动学习特征的能力,在图像处理领域较其他深度学习模型有较大的性能优势。本文先简述了深度学习的发展史,然后综述了深度学习在超声检测缺陷识别中的应用与发展,从早期浅层神经网络到现在深度学习的应用现状,并借鉴医学影像识别和射线图像识别领域的方法,分析了卷积神经网络对超声图像缺陷识别的适用性。最后,探讨归纳了目前在超声检测图像识别中使用CNN存在的一些问题,及其主要应对策略的研究方向。     

面向深度学习的大学物理学习评价——以大一学生解决某一力学问题为例

赋分评价法常被教师用于大学物理课程的学习质量评价,随着深度学习理论的发展,该种方法的适用性值得思考.而SOLO(Structure of the Observed Learning Outcome,即“可观察的学习成果结构”)分类评价将学生在解题过程中的思维能力分为5个层次,深度学习理论将这五个层次分为深度和浅层两种学习水平.基于SOLO理论,本研究对大一学生解决某一力学问题时的思维能力进行分类,并对其学习的深度进行评价,再与赋分评价法进行比较,发现SOLO分类评价不仅有明确的等级评定和详细全面的评价,还可通过可视的思维结构直观地测量学生达到教学目标的程度和学习的深度,因而更具科学性和可观察性,更适用于深度学习评价.     

基于深度学习的认知成像激光雷达(特邀)

为提升传统成像激光雷达系统对场景的感知能力和信号处理算法的泛化能力,提出了一种基于深度学习的认知成像激光雷达方法,通过深度学习点云目标检测算法的处理结果进一步调控核心成像参数,形成认知反馈,提升系统成像质量和环境感知能力。为验证该方法的可行性,设计并实现了一套认知成像激光雷达演示模块,通过实验对比分析,选择激光器的发射功率、成像系统的扫描视场和扫描角分辨率三个成像参数进行认知反馈,并结合深度学习方法实现了与场景的动态交互学习,解决了传统激光雷达成像参数固化的问题。实验结果表明,采用基于深度学习的认知成像工作模式有效提升了现有深度学习点云目标检测算法的泛化能力和目标检测精度。     

基于UbD理念促进深度学习的实践与反思——以人教版“通电导线在磁场中受到的力”教学为例

追求理解的教学设计(Understanding by Design,简称UbD)旨在让更多的学生真正理解他们所学习的内容.UbD理念注重"以终为始",即先确定预期结果,再确定合适的评估证据,最后设计学习活动和体验;强调基于核心问题对大概念进行意义建构,迁移解决实际问题,达成深度学习层次.以"通电导线在磁场中受到的力"教学为例阐述基于UbD框架促进深度学习的教学设计和策略.     

基于实验方案设计与优化的课堂深度学习——以“探究光的反射定律”为例

深度学习是相对浅层学习而言的,深度学习旨在培养学生的高阶思维能力.以深度学习理论为指导,以“探究光的反射定律”一课为例,关注学生思维加工的程度,优化实验方案的教学设计,促进学生深度学习.     

物理课堂引导学生深度合作的尝试

在小组合作学习的高效性受到越来越多的教师认同后,如何引导学生将合作走向深入、走向创新应该成为广大教育工作者的重要课题.本文在教学实践研究的基础上指出:教师引领学生进行深度合作,要让小组合作不仅讨论如何解决问题,而且要讨论如何设计问题,让学习小组成为研究小组,并就深度合作的选择、提高深度合作效率、深度合作中的生成创新作了具体的探讨与阐述     

深度学习在计算成像中的应用

近年来,深度学习被广泛应用于计算成像中,并取得了令人瞩目的成果,已成为该领域的研究热点。为了深入了解现有基于深度学习的方法是如何解决众多计算成像问题的,主要介绍了该方法的基本理论和实施步骤,然后以散射成像、数字全息及计算鬼成像中的应用为例具体介绍该方法的有效性和优越性。汇总对比了一些典型应用,并对基于深度学习的计算成像方法进行了总结和展望。     

基于形态学水线区域的深度图像分割

深度图像分割是基于特征关系图匹配的曲面物体识别中的关键技术之一,针对已有深度图像分割方法存在的问题,提出了一种基于二值形态学的水线区域增长算法对深度图像进行分割。首先用结构元素迭代腐蚀深度图像形成距离图像;然后根据距离图像计算极限腐蚀的集合,提取出目标的种子点;最后用条件粗化从种子点开始生长回到原尺寸但不使各区域相连,完成深度图像的分割。实验证明,算法的分割结果与人的主观视觉感知具有良好的一致性。     

图像场景识别中深度学习方法综述

场景识别是一种用计算机实现人的视觉功能的技术,它的研究目标是使计算机能够对图像或视频进行处理,自动识别和理解图像和视频中的场景信息。由于场景识别技术拥有广泛的应用前景,因此得到了许多关注。随着大数据时代的来临和深度学习的发展,使用深度学习方法解决场景识别问题已经成为场景识别领域未来的发展方向。文章首先概述介绍了场景识别技术的主要研究内容和发展情况,之后阐述了在图像场景识别中深度学习方法的应用情况,然后介绍了一些在图像场景识别中深度学习方法应用的具体的典型案例,同时给出了这几种方法具体的对比与分析。最后给出了文章的结论,总结了当前图像场景识别中使用深度学习方法的发展情况,并且对未来的发展方向给出了一些展望和建议。     

量子纠缠:从量子物质态到深度学习

量子纠缠在量子物质态的研究中扮演着日趋重要的角色,它可以标记传统范式难以区分的新奇量子态和量子相变,并指导设计高效的数值算法来精确地研究量子多体问题。最近,随着一些深度学习技术在量子物理问题中的应用,人们惊奇地发现:从量子纠缠的视角审视深度学习,或许有助于反过来理解和解决一些深度学习中的问题。量子纠缠定量化地刻画了现实数据集的复杂度,并指导相应的人工神经网络结构设计。沿着这个思路,物理学家们对于量子多体问题所形成的种种洞察和理论可以以一种意想不到的方式应用在现实世界中。     

指向深度学习的物理教学实践

教学实践中,深度学习中的“深度”主要体现在4个方面,情感的深度投入,知识的深度理解,思维能力的深度发展,学科育人价值的深度追求.     

基于深度残差网络的脱机手写汉字识别研究

摘 要: 手写汉字识别是模式识别与机器学习的重要研究方向和应用领域。近年来,随着深度学习理论方法的完善、新技术的层出不穷,深度神经网络在图像识别分类、图像生成等典型应用中取得了突破性的进展,其中,深度残差网络作为最新的研究成果,已成功应用于手写数字识别、图片识别分类等多个领域。本文将研究深度残差网络在脱机孤立手写汉字识别中的应用方法,通过改进残差学习模块的单元结构,优化深度残差网络性能,同时通过对训练集的预处理,从数据层面实现训练生成模型性能的提升,最后设计实验,验证深度残差网络、End-to-End模式在脱机手写汉字识别中的可行性,分析、总结存在的问题及今后的研究方向。     

利用自相关函数warping变换的浅海声源深度判别

针对浅海波导声源深度判别问题,提出了一种利用warping变换提取接收信号简正波相关项的深度判别方法。对接收信号自相关函数做warping变换,分离其简正波相关项,利用能量占主导的简正波相关项特征频率之间的比例关系,确定其号数,从而分辨水面声源和水下声源。公式推导和数值仿真结果说明:不同深度声源激发的能量占主导的简正波相关项特征频率不同,可以用于判别声源深度。海试实验结果证明:在海水声速随深度不变或缓变的水文环境,低频条件下,该方法可以分离简正波相关项并确定其号数,在未知声源距离的情况下有效进行声源深度判别,且无须声源相对接收器运动。      

指向核心素养 践行深度教学

面对新一轮的课程改革, 如何通过课堂将物理核心素养落地, 这成为每一位物理教师的首要问题. 为 了不至于“ 穿新鞋走老路” , 就必须在课程理念的指引下, 在教学方式和学习方式上破冰, 基于学生深度学习的深度 教学, 才能使核心素养植根于课堂. 笔者以自己获得的一节部优“ 优课” “ 粒子和宇宙”为例, 谈通过深度教学提升核 心素养的实践策略     

基于深度学习的材料超声回波衰减预测方法

材料超声回波衰减是评价材料均匀一致性的常用方法, 针对具有复杂结构的航空发动机盘件难以进行材料底面超声回波衰减评价的问题, 本文提出了利用超声背散射波信号直接预测底面回波衰减的方法。采用10MHz聚焦探头进行超声背散射波数据的采集, 利用深度学习技术构建和训练模型,建立了基于深度学习的材料底面回波衰减预测方法, 同时讨论了采用不同信号形式的超声波信号分类识别模型的准确率差异。研究发现：基于深度学习技术可实现通过超声背散射波预测材料的底面回波衰减, 预测结果和实际底面回波衰减试验结果具有良好的一致性。     

基于深度学习的粒子场数字全息成像研究进展

粒子场的数字全息成像中，由一幅粒子场全息图重建出高精度的三维粒子场分布，是数字全息技术领域的经典问题之一。相比于传统反向重建算法，深度学习算法可以从单个全息图直接重建出三维粒子场来简化算法复杂度，提高计算效率和准确率。介绍国内外研究团队将深度学习算法结合数字全息技术实现粒子场数字全息成像的研究进展，从不同粒子表征方法入手，叙述了支持向量机、全连接神经网络、全卷积网络、U-Net网络、深度神经网络在粒子场数字全息成像中粒子表征及粒子场反向重建过程中的应用原理、实现途径和准确率。最后指出了深度学习算法在这一研究领域的优势及目前基于深度学习算法的不足，并对如何进一步提高该方法的准确率进行了展望。     

深度学习与“课程思政”协同效应的策略研究——以医用物理学为例

以医用物理学为载体,以深度学习为核心,以达成"课程思政"对课程和学生的要求为目标,探讨了深度学习与"课程思政"的内在联系,在提出课堂教学困境的基础上,讨论了实现深度学习与"课程思政"协同效应的策略,包括提高参与程度、完善学习过程、建构知识的意义和采用多元评价方式.     

基于光谱图像的森林病虫害自动检测方法

我国天然林区分布范围广,地形复杂,依靠传统的护林员巡检方式进行林木病虫害防治,效率较低,难于及时发现早期的林木病虫害,可能因此错过防治的最佳时机。针对该问题,设计了一种基于多光谱图像检测林木病虫害的深度学习网络,研发了一套检测软件,通过无人机挂飞实验,利用搭建的深度学习网络,完成林区染病区检测,对检测结果进行了分析。