个性化学习路径推荐综述

近年来，伴随着现代信息技术的迅猛发展，以人工智能为代表的新兴技术在教育领域得到了广泛应用，引发了学习理念和方式的深刻变革.在这种大背景下，在线学习超越了时空的限制，为学习者“随时随地”学习提供了更多的可能性，从而得到了蓬勃发展.然而，在线学习中师生时间、空间分离的特征，导致教师无法及时掌握学生的学习状态，一定程度上制约了在线学习中教学质量的提升.面对多元化的学习需求及海量学习资源，如何迅速完成学习目标、降低学习成本、合理分配学习资源等问题成为限制个人和时代发展的重大问题.然而，传统的“一刀切”的教育模式已经不能满足人们获取知识的需求了，需要一个更高效、更科学的个性化教育模式，以帮助学习者以最小的学习成本最大限度地完成学习目标.基于以上背景，如何自动高效识别学习者特征，高效地组织和分配学习资源，为每一位学习者规划个性化路径，成为面向个体的精准化教育资源匹配机制研究中亟待解决的问题.系统地综述并分析了当前个性化学习路径推荐的研究现状，并从多学科领域的角度分析了对于同一问题的不同研究思路，同时也归纳总结了当前研究中最为主流的核心推荐算法.最后，强调当前研究存在的主要不足之处.     

人体步态差异性的参数化辨识方法及应用

通过对下肢3 个关节步态曲线建立具有共性控制点的数学模型,提出了以个体的局部形状参数作为区别同一关节中不同曲线的方法.实验采用Perception Neuron 动作捕捉系统,对正常组10 名健康男性青年,验证组2 名健康和3 名处于不同康复期的右腿踝关节损伤男性青年在正常步速下的步态数据进行实验测量以获得髋关节、膝关节和踝关节的上下位移轨迹曲线,并计算得出正常组步态曲线的局部形状参数作为判别步态正常与否的参考调整范围.经分析,验证组中健康被试者的局部形状参数大多属于该范围,而恢复较差的病人参数大多超出该范围,表明该参数化方法可有效辨别步态曲线差异,此外还可对康复评价的方法提供依据.     

一种基于深度森林的恶意代码分类方法

针对当前恶意代码静态分析方法精度不足的问题，将恶意代码映射为无压缩的灰度图像，然后根据图像变换方法将图像变换为恒定大小的图像，使用方向梯度直方图提取图像的特征，最后提出一种基于深度森林的恶意代码分类方法.实验中选择不同家族的多个恶意代码样本进行分类，验证了该方法的有效性，并且实验结果优于近期提出的SPAM-GIST方法.     

基于深度学习的传感器优化布置方法

针对传感器优化布置(optimal sensor placement,简称OSP)问题,提出了一种新的使用深度神经网络的解决方案,并以简化的桥梁形状的桁架结构中的振动测试传感器优化为例进行了验证。首先,选择一种传统的传感器优化布置方法,对自动化生成的大量不同的桁架结构分别进行传感器优化布置计算,将所得优化布置结果在进行数据预处理后构建出深度学习方法所需要的训练集与验证集;其次,使用Python语言和深度学习框架TensorFlow设计实现与本研究问题适配的深度神经网络模型并训练;然后,随机生成了新的桁架结构参数;最后,将深度神经网络输出的传感器布置结果和传统方法的计算结果进行了比较,验证了本研究方法的有效性以及在速度上、可移植性与可扩展性方面的性能优势。     

啮合参数对分扭-并车齿轮传动系统分岔特性的影响

为研究分扭-并车齿轮传动系统非线性分岔特性,建立了含多间隙的分扭-并车齿轮系统非线性动力学模型,引入高斯消元技术和广义相对位移变量消除了系统的刚体位移,并对动力学方程组实施了量纲一化处理。综合考虑啮合频率、齿侧间隙、综合传动误差和阻尼比等激励下的分岔通道,借助分岔图、Poincaré截面和Lyapunov指数等手段对系统的分岔行为进行了定性和定量表征。结果表明啮合频率增大时系统发生逆向倍周期分岔,分岔点位置受齿侧间隙影响显著;齿侧间隙和综合传动误差变化下混沌域内均出现短暂周期窗口;阻尼对倍周期分岔运动存在抑制作用,其结果对该类齿轮系统动力学设计具有参考价值。     

基于云服务的煤矿水害监测大数据智能预警平台构建

针对华北型煤田煤层底板突水监测预警问题,以底板"下三带"理论为基础,开展了微震-电法耦合系统水害监测预警。在分析微震-电法耦合系统监测数据基础上,采用Flume设计数据迁移子系统,以流处理方式对监测源数据进行预处理,对关键目标数据进行采集、聚合和传输,实现了有效监测数据的实时迁移。此外,针对煤矿水害多源监测预警过程中数据规模大、数据实时处理要求高等特点,结合多源异构数据关联分析和时空属性数据分析处理需求,基于Spark和HDFS设计实现了具备TB级数据存储处理能力的煤矿水害多源监测大数据存储平台。该平台采用HDFS设计构建统一的多源时序大数据存储体系,通过MapReduce实现大数据并行处理,利用YARN实现资源的调度与管理,为海量数据存储提供支撑。平台采用Spark Streaming框架搭建了数据实时处理中心,通过流处理方式实现监测数据高速处理,并通过智能预警算法模块和远程服务接口为预警系统现场应用提供支撑。在智能预警技术方面,结合监测数据的时空属性特点,提出了基于深度学习时空序列预测方法——长短时记忆循环网络智能预警模型的底板突水模型预警技术。该预警技术基于LSTM方法,以"下三带"理论为基准对模型进行初始化,形成初始预警判据;将电法、微震监测数据作为输入变量,实际涌(突)水事件作为干预输出量,对智能预警模型进行半监督分类学习训练,形成动态化、参数最优的模型预警准则,将监测数据动态划分为4个预警等级,从而实现了水害智能动态预警和数据可视化表达。在冀中能源葛泉矿东井的实际应用中发现,该平台能够基本达到预期目标。     

考虑自动化/人工混合站位的装配系统瞬态产能计算方法

智能决策是构建智能车间的关键要素之一,准确掌握系统实时运行状态是影响智能决策制定的先决条件。针对自动化/人工两类站位混合并存的装配系统,提出一种系统运行瞬态阶段实时产能的计算方法。首先,基于信息熵理论与认知可靠性模型构建站位可靠性模型;其次,通过构造工作站位与缓冲区的瞬时状态集,完成系统运行中工作站位瞬态行为的逆向建模;然后,建立系统瞬时状态映射关系矩阵,通过递推法对系统的瞬态产能进行求解;最后,通过实例分析验证了该方法的有效性和适用性。