基于学习进程的学习评估在大学化学教学中的实践

高等教育质量提升的关键在于课程教学质量的不断完善。作为高等教育的重要环节,化学课程教学在非化学化工专业人才的知识体系构建、能力培养、素质养成方面有着不可或缺的作用。大学化学课程的教学实践表明,基于学习进程的评估有利于激发学生的学习积极性,显著提高教学班的整体成绩并实现课程教学质量的提升。     

基于强化学习的电力市场信息披露程度对市场成员交易行为影响研究

基于信息披露的主体框架，分析披露体系中具体的供需信息对于市场成员的引导作用。建立日前市场的双层竞价优化模型，采用强化学习的方法，通过市场中有无关键供求信息披露对于发电商报价预期的影响，推演模拟不同信息披露程度下发电商报价行为，然后从策略演化过程、策略偏离度以及策略收敛速度3个角度进行信息披露程度对市场成员交易行为影响的定量分析，验证市场供需信息的发布程度对于市场成员的引导作用，最后基于推演结果进行总结，并对我国信息披露的建设提出建议与思考。     

基于深度学习的电子商务语音客服中的客户情感研究

为了适应语音客户机器人根据客户情感开展高效服务的需求，研究了提高客户语音情感的识别率方法。首先从电话客服服务器录音中剪辑片段建立了CASIA中文多模态自然情感语料库，给出了14种主要情感和13种非典型的情感类型。其次建立了一个较大规模自然口语风格的汉语疑问语气语料库，并进行了单句、音节层面的韵律层级标注工作。最后采用线性融合韵律特征、梅尔频率倒谱特征的方法对汉语疑问语气、陈述语气进行分析，把整句的基频最大值、最小值也作为区分疑问、陈述语气的特征。实验结果表明，融合后的识别率较融合前平均提高了16%。     

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)。     

初中美术教学的兴趣培养

在初中美术教学中,学生缺乏学习兴趣、重视度不够等问题直接影响了教学质量。教师要从学生的实际情况出发,采用多种教学方法激发学生的美术学习兴趣,提高初中美术的教学质量和效果。     

美术基础教育中翻转学习的应用

美术基础教育作为高校美术类专业教育的基础,其重要性不言而喻。随着教学方法的完善与更新,美术基础教育过程中逐渐出现一些新的教学方法。该文以翻转学习为切入点,分析其在美术基础教育中应用时的注意事项。     

基于强化学习单元匹配循环神经网络的滚动轴承状态趋势预测

为了解决当前人工智能预测方法在滚动轴承状态趋势预测中预测精度较差、计算效率较低的问题,提出基于强化学习单元匹配循环神经网络(RLUMRNN)的滚动轴承状态趋势预测新方法。先采用滑动平均奇异谱熵作为滚动轴承状态退化特征,再将该特征作为RLUMRNN的输入完成滚动轴承状态趋势预测。在RLUMRNN中,利用最小二乘线性回归法构造单调趋势识别器,将轴承整体的状态退化趋势分为上升、下降、平稳3种单调趋势单元,并通过强化学习为每一种单调趋势单元选择一个隐层数和隐层节点数与其相适应的循环神经网络,从而改善了RLUMRNN的非线性逼近能力和泛化性能;用3种单调趋势单元和不同隐层数、隐层节点数分别表示Q值表的状态和动作,并构造关于循环神经网络输出误差的新型奖励函数,以明确强化学习的目标,从而减小循环神经网络的输出误差,避免在Q值表更新过程中使Agent(即决策函数)盲目搜索,提高了RLUMRNN的收敛速度。通过双列滚子轴承状态趋势预测实例验证了该方法具有较高的预测精度和计算效率。     

一种军棋机器博弈的多棋子协同博弈方法

针对在军棋博弈不完全信息对弈中，面对棋子不同价值、不同位置、不同搭配所产生的不同棋力，传统的单子意图搜索算法，不能满足棋子之间的协同性与沟通性，同时也缺乏对敌方的引诱与欺骗等高级对抗能力。本文提出一种结合UCT搜索策略的高价值棋子博弈方法，实现高价值棋子协同博弈的策略。实战经验表明:高价值多棋子军棋协同博弈策略优于单棋子军棋博弈策略。