十大引领强党建 创新精进促发展

在金隅集团和金隅冀东水泥公司坚强领导下,天津金隅振兴公司党委始终坚持党的领导,加强党的建设,深入学习贯彻习近平新时代中国特色社会主义思想和十九届历次会议精神,树牢“四个意识”,坚定“四个自信”坚决做到“两个维护”。     

基于度量学习的意图识别和槽填充方法

人机对话中小样本学习场景下的意图识别和槽填充,是自然语言处理的一个重要课题.本文采用基于度量学习的方法,通过计算query set中的样本与support set中样本的距离,寻找距离最近的类别样本作为分类标签,同时将两个任务联合进行训练,用以提升模型的效果.从实验结果中可以得出,本文提出的Fine-tune方法,对意图识别和槽填充任务都有一定的帮助和提升.胶囊网络在意图识别中也起到了一定的效果,可以帮助去除一部分无关信息,但对槽填充任务的帮助不明显;而任务自适应的投影网络,可以更好地将不同类的向量分开,提升了两个任务的性能.     

新时期大学英语文化与读写教学研究——评《新时代大学英语教育教学理论与实践研究》

文化是语言表达的核心内涵,读写是语言交流的重要途径,两者在英语语言学习中占据着至关重要的地位。大学作为优秀专业人才培养基地,英语教学发展一直是学术界重点关注和思考的研究课题,面对新时期的教育发展,如何提高英语文化与读写教学成为了大学英语教学研究所面临的重难点问题。在2019年四川工业科技学院教育教学改革项目(cgkjg-19028)资助下,参阅《新时代大学英语教育教学理论与实践研究》一书,深入探讨新时期大学英语文化与读写教学研究。     

基于数据融合与迁移学习的学生表情识别研究

学生表情逐渐成为感知学生状态的重要途径,因此准确的识别学生表情因具有重要价值而受到广泛的关注.本文针对学生表情识别这一问题,提出基于数据融合与迁移学习的识别模型,该模型融合3个数据集,以解决学生表情数据缺乏与多样性问题,同时引入迁移学习来提升预测精度.在数据集及实际学生表情图像上的实验结果表明,本文提出的模型可以准确识别学生表情,提升了预测精度.     

基于情境感知工具辅助碎片化学习行为的研究

碎片化学习难以集中记录,存在无法迅速定位到自己需要的学习内容等用户体验问题.传统方法不能采集真实情境下的用户数据,无法满足研究人员的研究需求.基于此,开发一种基于用户行为的捕捉工具——CAUX(Context-Aware User Experience,CAUX),设计了具有情境感知能力的数据采集模块,自动捕捉指定App内的用户行为数据.CAUX对用户干扰性低,可以辅助研究人员捕捉典型的碎片化学习行为.对利用CAUX采集到的数据进行处理,并结合人工方法进行分析,可以发现不同情境下的用户行为和用户体验问题.     

“高电压技术”课程线上线下混合式教学

本文采用超星学习通线上教学平台，以 “高电压技术”课程为对象，实施了规模为120余人的线上线下混合式教学。基于线上教学和传统教学的优势互补，设计了“高电压技术”多个教学环节。归纳分析了混合式教学在各个教学环节取得的效果和问题，并根据学生反馈提出了持续性的改进措施。     

价格传真

以往,MC推荐的大多都是针对游戏类的高性能PC配置,而对很多用户而言,他们对游戏性能需求不高,能够满足日常学习、工作、简单娱乐足矣。比如炒股、运行Photoshop或Office办公软件、能玩《CS:GO》之类的网游等。这类用户的需求明确,如果装机配置超过使用需求,会出现性能过剩,这其实是一种资金上的浪费。本期,我们将针对需求不高的用户带来一套高性价比的融合型配置和两款办公型笔记本电脑。其中,融合型配置的好处是既满足了日常使用需求又节约了装机成本。     

非光滑凸问题投影型对偶平均优化方法的个体收敛性

对于一般凸问题,对偶平均方法的收敛性分析需要在对偶空间进行转换,难以得到个体收敛性结果.对此,文中首先给出对偶平均方法的简单收敛性分析,证明对偶平均方法具有与梯度下降法相同的最优个体收敛速率Ο(lnt/t).不同于梯度下降法,讨论2种典型的步长策略,验证对偶平均方法在个体收敛分析中具有步长策略灵活的特性.进一步,将个体收敛结果推广至随机形式,确保对偶平均方法可有效处理大规模机器学习问题.最后,在L1范数约束的hinge损失问题上验证理论分析的正确性.     

基于堆叠稀疏去噪自动编码网络与多隐层反向传播神经网络的铣刀磨损预测模型

刀具磨损状态是机械加工过程中需考虑的重要因素之一.针对铣刀磨损的在线预测问题,建立了一种基于深度学习的铣刀磨损预测模型.首先,将采集到的铣刀切削时的振动信号进行小波去噪后,利用快速傅里叶变换和小波包分解等技术提取时域、频域及时频域上的特征参数,并根据相关性分析从中筛选出合格的特征参数合并为特征向量,以此作为堆叠稀疏去噪自动编码网络(SSDAE)的含噪样本.其次,利用特征后处理的方式对已经筛选出的特征参数进行单调不递减及平滑处理,并将其作为SSDAE的无噪样本来训练该网络.然后,将经过SSDAE降维后的特征向量作为多隐层反向传播神经网络(BPNN)的输入,以这些特征对应的实际铣刀的磨损量作为标签对该网络进行拟合训练.最后,对训练好的模型进行实验验证,通过测试数据集和人为加入噪声的测试数据集的对比,结果显示所提模型不仅具有较高的预测精度,还具有较高的鲁棒性.