BP网络微观与宏观弊病的研究

BP网络理论基础坚实,通用性强,是前向网络学习的主要模型,但是BP网络也存在一些公认的缺陷,这些缺陷一方面阻碍了BP网络的应用,另一方面也为研究BP网络指明了方向.实验发现这些缺陷产生于两个根本原因--微观的神经元病态和宏观的学习盲目性.经改进的BP网络划分学习阶段,在每个学习阶段结束后的阶段评估中检查和校正病态神经元,评估和调整BP网络的学习模式.实验表明改进的BP网络克服了部分缺陷,提高了性能.     

《光合作用的发现》教学设计

创新点本节课以网络为平台,将发现光合作用的四个经典实验精心制作成Flash情境实验放到网络中,实现学生基于网络的自主学习、合作学习、探究学习。课外拓展部分有迷你实验,     

强化学习与生成式对抗网络结合方法研究进展

强化学习和生成式对抗网络是近年来人工智能领域的两个热门主题，在众多领域表现非常出色。近期出现较多关于两者结合的工作与报道，将强化学习交互式学习的优点与生成式对抗网络的启发自博弈思想相互融合。对两者结合的最新进展进行了梳理、比较与实验分析。对强化学习与生成式对抗网络的理论进行了概述；从强化学习改进生成式对抗网络、生成式对抗网络改进强化学习两个研究方向进行了阐述与比较，通过实验方式分析了这些方法在自然语言、机器控制领域的应用情况；展望了可能的发展趋势。     

基于多视图集成的网络表示学习算法

现有的网络表示学习算法主要为基于浅层神经网络的网络表示学习和基于神经矩阵分解的网络表示学习。基于浅层神经网络的网络表示学习又被证实是分解网络结构的特征矩阵。另外,现有的大多数网络表示学习仅仅从网络的结构学习特征,即单视图的表示学习;然而,网络本身蕴含有多种视图。因此,文中提出了一种基于多视图集成的网络表示学习算法(MVENR)。该算法摈弃了神经网络的训练过程,将矩阵的信息融合和分解思想融入到网络表示学习中。另外,将网络的结构视图、连边权重视图和节点属性视图进行了有效的融合,弥补了现有网络表示学习中忽略了网络连边权重的不足,解决了基于单一视图训练时网络特征稀疏的问题。实验结果表明,所提MVENR算法的性能优于网络表示学习中部分常用的联合学习算法和基于结构的网络表示学习算法,是一种简单且高效的网络表示学习算法。     

基于Hebbian法则的P2P学习网络构建算法

针对远程教育环境中信息量过大,学习者分散、难于组织的问题,提出了一种E-Learning学习网络构建算法.该算法采用P2P的网络结构组织节点之间的通信,利用Hebbian学习法则来修改网络节点之间的信任权值,通过不断调整节点的联系人来实现学习网络的构建.学习网络能够对学习者关于学习资源的查询做出符合学习者学习兴趣的反馈,从而最大限度地满足学习者的需求,提高学习者的学习满意度.实验结果表明,算法相比于传统算法,具有较快的网络建设速度、较高的网络建设质量以及较高的鲁棒性,因而能够更好地适用于大规模的E-Learning学习这种开放的分布式环境.     

基于TAN贝叶斯网络的学习风格检测研究

学习风格能明显地影响学生在网络环境下的学习效果。贝叶斯网络是实现学习风格自动检测的重要手段,而TAN贝叶斯网络作为改进的朴素贝叶斯网络,具有更优的分类精度。以FSLSM模型为基础,提出了基于学习风格预设的TAN贝叶斯网络学习风格模型,通过挖掘学生的网络学习行为实现学习风格的自动检测。通过实验将BN算法和TAN算法进行了比较,实验结果表明TAN学习风格模型检测具有更高的准确性。     

网络表示学习算法的分析与验证

网络表示学习算法是社交网络分析领域的一个热点问题。该文旨在研究现有的各种网络表示学习算法,并分析各类算法在不同结构的网络数据中的性能,对3大类别、共10种网络表示学习算法在8个网络上进行了网络节点的多标签分类以验证算法的性能,以此来全面评价各类算法的效果、效率和应用范围。实验结果表明,DeepWalk这种流行的深度学习算法在各种类型的网络中有着稳定而较好的效果。而基于矩阵分解算法的应用,则受限于其较高的空间复杂度。     

基于自适应模糊神经系统的网络学习评价模型研究

学习评价是网络学习中十分重要的环节,为克服原有网络学习评价方法的不足,构建一种基于自适应模糊神经系统的评价模型,并进行实验仿真。测试结果表明,基于自适应模糊神经系统的网络学习评价模型提高了网络学习评价的准确率,为网络学习提供一种新评价方法。     

基于小样本度量迁移学习的表面缺陷检测

将小样本学习中的度量学习方法引入缺陷检测领域,提出小样本度量迁移学习方法,用于解决深度学习方法中需要大量学习样本的问题.方法主要分为两个阶段:第一阶段使用公开或便于获得的大型数据集预训练深度网络;第二阶段将网络学习到的相关知识通过度量学习模块迁移到表面缺陷检测领域.实验表明,小样本学习在缺陷检测领域的可行性.     

基于本体和个性化学习路径的大学生计算机课程在线学习研究

为了提升大学生在网络上学习计算机课程的主动性和学习效率,提出构建基于本体的个性化学习路径推荐模型,具体介绍构建模型的3个步骤,阐述如何经过不断循环和演进,形成满足不同学习者需求的动态、个性化学习路径推荐模型。通过实验结果分析,说明本模型对增加计算机网络学习签到频率,提高学习成绩,减少网络知识点分散化等作用明显。     

结构增强的属性网络表示学习

属性网络表示学习旨在结合结构信息与属性信息为网络中的节点学习统一的向量表示。现有的属性网络表示学习方法在学习属性信息时与其互补的结构信息增强不足,从而影响最终表示。针对这一问题,提出一种结构增强的属性网络表示学习方法,以提高表示质量。该方法基于网络归一化邻接矩阵和属性矩阵通过自动编码器提取增强网络全局结构特性的属性信息,使用skip-gram模型捕捉局部结构信息,引入一个联合损失函数使结构信息与属性信息在同一向量空间中得以表示。在三个真实属性网络数据上进行节点分类和链路预测实验,效果较目前流行的网络表示学习方法优势明显。     

基于图卷积集成的网络表示学习

针对现有网络表示学习方法泛化能力较弱等问题,提出了将stacking集成思想应用于网络表示学习的方法,旨在提升网络表示性能。首先,将3个经典的浅层网络表示学习方法DeepWalk、Node2Vec、Line作为并列的初级学习器,训练得到三部分的节点嵌入拼接后作为新数据集;然后,选择图卷积网络(graph convolutional network, GCN)作为次级学习器对新数据集和网络结构进行stacking集成得到最终的节点嵌入,GCN处理半监督分类问题有很好的效果,因为网络表示学习具有无监督性,所以利用网络的一阶邻近性设计损失函数;最后,设计评价指标分别评价初级学习器和集成后的节点嵌入。实验表明,选用GCN集成的效果良好,各评价指标平均提升了1.47~2.97倍。     

探究性学习方式在信息技术学科中的应用——谈信息技术课教学设计的优化

以网络作为学习环境的一个有机组成部分，将探究性学习方式应用于小学信息技术“网络的简单应用及网页制作”知识模块的教学，是笔者自2000年11月起进行的一项实验研究。本文结合教学实验，就网络学习环境下小学生探究性学习的基本概念及特点、课程实验的整体实施计划、探究性学习在信息技术课中的教学设计及教学实验中应注意的问题4个方面进行论述。     

双Q网络学习的迁移强化学习算法

深度强化学习在训练过程中会探索大量环境样本,造成算法收敛时间过长,而重用或传输来自先前任务(源任务)学习的知识,对算法在新任务(目标任务)的学习具有提高算法收敛速度的潜力.为了提高算法学习效率,提出一种双Q网络学习的迁移强化学习算法,其基于actor-critic框架迁移源任务最优值函数的知识,使目标任务中值函数网络对策略作出更准确的评价,引导策略快速向最优策略方向更新.将该算法用于Open AI Gym以及在三维空间机械臂到达目标物位置的实验中,相比于常规深度强化学习算法取得了更好的效果,实验证明提出的双Q网络学习的迁移强化学习算法具有较快的收敛速度,并且在训练过程中算法探索更加稳定.     

基于协作学习的网络技术与应用实验课程教学模式

网络技术与应用实验教学中一个严重的问题是缺乏适合课程特征的教学模式。针对这一问题,本文提出一种适合网络技术课程特征的基于协作学习的实验课程教学模式,并以路由器相关实验为例,从实验项目设计、实验环境配置、实验过程组织以及实验结果评价等方面进行了详细阐述。     

基于遗传算法的贝叶斯网络模型研究

目前贝叶斯网络缺乏支持结构建立,参数学习、知识推理的一致算法,使知识建立与应用过程无法联接.针对这一现状,通过设计适合于贝叶斯网络学习的遗传算法编码方式、具有调整策略的交叉与变异算子,能进行推理误差反馈的适应函数,实现样本支持下的结构确定、参数学习、推理检验、反馈修正的贝叶斯网络全过程建立.实验结果表明,新算法不仅同步优化网络结构与参数,且可以自适应推理误差的学习修正,有着更满意的知识推理正确率.     

限定记忆的前向神经网络在线学习算法研究

从理论上分析了隐含层激励函数满足Mercer条件的前向神经网络的数学本质,给出了网络学习的指导方向.提出3种网络在线学习算法,它们通过动态调整网络结构和权值来提高网络在线预测性能.算法完全符合统计学习理论提出的结构风险最小化原则,具有较快的学习收敛速度和良好的抗噪声能力.最后通过具体数值实验验证了上述算法的可行性和优越性.     

基于GAN异质网络表示学习的疾病关联预测算法

分析疾病与基因、miRNA等生物实体之间的关联是生物研究领域的重要目标,然而利用海量的数据进行生物学实验成本过高。提出一种基于网络表示学习的关联预测算法,通过多源数据集构建生物异质网络,并给出基于生成式对抗网络的异质网络表示学习算法学习鲁棒的向量表示,算法中的判别器和生成器考虑网络中的关系来捕获丰富的异质语义信息,并通过对抗学习进行训练,在此基础上通过衡量实体向量的相似性预测疾病和基因、miRNA之间的关联。实验结果表明,与HSSVM、GAN等算法相比,该算法在两个关联预测任务上均取得了最高的AUC值,具有更好的预测结果,并且通过引入更多异质数据进行训练,有效提升了算法性能。     

一种并行蚁群Bayesian网络学习的算法

Bayesian网络学习的一种方法是根据输入数据集使用某种打分机制找到与数据集相拟合的候选网络.ACOB算法(蚁群优化B算法)是其中一种基于元启发引入蚂蚁机制来进行Bayesian网络学习的方法.本文在该算法基础之上提出一种改进算法--PACOB,并行进行Bayesian网络学习.实验结果表明,该并行算法相对于其串行算法具有一定的优势,提供了一种Bayesian网络学习问题的有效手段.     

影响网络学习因素研究

网络学习已面向中学教学,中学生在网络学习中会受到多方面因素的影响,这些影响因素对中学生的网络学习又会产生不同的学习效果。文中为了了解影响网络学习因素,采用问卷调查的方法,以安庆地区中学生为研究对象,对学生的自主学习能力状况、家庭学习条件状况和学校学习条件状况等方面来研究影响网络学习因素,并根据调查结果分析影响网络学习效果的因素,及提高网络学习效果的方法。