“敏特记忆引擎”提高学生英语成绩的调查实验

敏特记忆引擎通过记忆引擎与大脑的人机交互，利用人脑记忆黄金序列法精确找到每个学习者的记忆遗忘点，并根据学习者的不同情况，逐渐调整到适合其自身的黄金序列，在学习时间接近学习者记忆遗忘点时，会重复学习者还没有形成长期记忆的内容，决定英语单词出现的频率和次数，直到记忆遗忘点消失，以达到母语式的终生记忆。     

英语学习轻松自如

潜移默化学英语是一款新颖的学英语软件，它采用了逆向法的“听、写、说、背、想”五法并举的学习方法，结合记忆规律曲线原理，利用收听、跟读、录音对比、自动测验、分组记忆、文本朗读等软件功能．来达到学好英语的目的，更符合学英语的实际需要。     

运用记忆规律科学地组织中专计算机教学

本文根据笔者的计算机教学经验论述了如何把记忆规律运用到中专计算机教学中，以科学地组织教学，提高学生学习的效率。     

运用记忆规律科学地组织中专计算机教学

本文根据笔者的计算机教学经验论述了如何把记忆规律运用到中专计算机教学中,以科学地组织教学,提高学生学习的效率。     

英语学习软件之单词篇

单词学习类软件充分依托计算机语音技术、多媒体技术和其它综合技术,在实现单词声形并茂的同时,致力于提高软件的智能化处理水平,如词汇量动态估测、自动难度进级、效果自适应复习、随机试题生成等,通过增加词库选择、词库转换、词库设置、动态测试、游戏训练等多项功能,提高英语单词学     

应用敏特英语学习系统，探索英语学习的应用创新

敏特英语学习系统应用和发展的回顾 2002年，北京凯迪晨光教育科技发展有限公司从美国引进敏特英语学习记忆智能引擎，以清华大学吴文虎教授为组长的多学科的专家组对该产品进行了综合论证，一致认为该产品以仿真人脑记忆的数据库和运算引擎为支持，实时监控每一个用户对每一个单词的记忆状态，仿真和优化用户的记忆过程，从而大大提高英语单词记忆速度。     

结合记忆与迁移学习的小样本学习

小样本学习是视觉识别中的一个受关注的领域,旨在通过少量的数据来学习新的视觉概念。为了解决小样本问题,一些元学习方法提出从大量辅助任务中学习可迁移的知识并将其应用于目标任务上。为了更好地对知识进行迁移,提出了一种基于记忆的迁移学习方法。提出一种权重分解策略,将部分权重分解为冻结权重与可学习权重,在迁移学习中通过固定冻结权重,仅更新可学习权重的方式来减少模型需要学习的参数。通过一个额外的记忆模块来存储之前任务的经验,在学习新任务时,这些经验被用来初始化模型的参数状态,以此更好地进行迁移学习。通过在miniImageNet、tieredImageNet以及CUB数据集上的实验结果表明,相对于其他先进的方法,该方法在小样本分类任务上取得了具有竞争力甚至是更好的表现。     

联想记忆网络的约束优化学习

本文提出了一种联想记忆网络的约束优化学习算法，学习算法是一个全局最小化过程，其初始解保证每个样本是系统的稳定状态，然后逐步增大样本的吸引域，使网络具有优化意义上的最大吸引域，在理论上，我们分析了样本的渐近稳定性和吸引域范围，以及学习算法的收敛性，大量计算机实验结果说明学习算法是行之有效的。     

学习英语，随时随地

背过英语单词的人都知道,要想拥有庞大的词汇量,最重要的是“细水长流”,除了整块时间的记忆外,善于利用边角料时间来背诵,效率会更高。为此不少人会使用小单词本或卡片随身带的方法,然而在这个掌上设备流行的时代,这种方法就显得过时了。利用随时携带的背英语软件,除了方便,更增添了多样的背诵方法,能让你的背单词之旅更轻松更有效。     

一种新的学习记忆模型的研究

基于传统的认知心理学的AS模型,提出了一种新的学习记忆模型。该模型基于AS的记忆原理,结合大脑皮层的记忆机制来细化记忆的过程,进而提出针对该模型的学习记忆算法。实验结果表明,该算法的性能良好,其机制符合人脑思维,实用、有效且可行。     

《“敏特记忆引擎”促进英语学习的研究》课题结题

2005年11月23日，在中央电化教育馆多功能厅举行了《“敏特记忆引0擎”促进英语学习的研究》课题结题会，标志着该课题研究取得了预期的研究效果。     

探究小学英语单词记忆的有效方法

英语词汇是语言的建筑材料,是整个语言学习的基础。小学生是英语的初学者,一开始就要高度重视词汇的学习,并努力探寻适合英语的词汇学习方法,以使学生的英语学习事半功倍,学生获得成功感,学习英语的积极性大增。词汇教学是小学英语教学的一个重点,也是一个难点,小学生抽象思维能力较差,主要以机     

基于记忆学习方法在自然语言处理中的应用

1 背景介绍在诸多自然语言处理应用问题中,传统手工规则的失败暴露了经典人工智能IF-THEN推理模式在自然语言知识体系尚未完全把握的情况下的缺陷。由此,在一定知识推理机制体系下,自然语言的知识表示和知识获取作为自然语言处理中的关键问题已经成为困扰其形式化的主要瓶颈。     

语音词汇网单词联想记忆

语音联想记忆是一种高效的记忆方法。为了给学习者提供语音联想的素材,引导学习者进行语音联想,熟悉读音规则,加深对单词拼写和发音的记忆,帮助学习者建立字母组合与相关发音间的双向认知,提出一种基于语音的词汇网。语音词汇网是基于常见字母组合和单词读音之间的差异构建的,因此其中既包含了语音近似度信息,也包含了一定的单词结构信息。利用该网络,学习系统不但可以实现语音联想功能,还能提供语音方面的相关统计信息。语音词汇网的引入能进一步完善单词学习系统的联想记忆功能。     

一种新的双向联想记忆的学习算法

提出了一种新的用于双向联想记忆的学习算法，该算法利用了输入向量各元素之间的关联信息，在联想的过程中，动态地调整权值矩阵，增强了网络适应能力，利用了更多的已知信息，从而提高了网络的性能．     

异联想记忆模型的优化学习算法

本文提出了一种异联想记忆模型的优化学习算法.首先,我们将反映神经元网络性能的标准转化为一个易于控制的代价函数,从而将权值的确定过程自然地转化为一个全局最优化过程.优化过程采用了梯度下降技术.这种学习算法可以保证每个训练模式成为系统的稳定吸引子,并且具有优化意义上的最大吸引域.在理论上,我们讨论了异联想记忆模型的存储能力,训练模式的渐近稳定性和吸引域的范围.计算机实验结果充分说明了算法的有效性.     

多模式对模糊联想记忆学习算法的优化

一、引言 人脑神经系统信息活动的一个重要特征是能够接收和处理模糊的、连续随机的信息,并在输出时不追求绝对精确解而只要求能找到问题的满意解。模糊联想记忆神经网络是Bart Kosko于1987年提出的采用模糊赫布型学习规则的一种单状态异联想记忆神经网络,在模糊控制、模式识别、专家系统等领域曾引起人们的关注。由于该网络的子集联想特性和不能有效地联想存储多个训练模式对而影响了它的应用[1-3]。本文提出模糊合成运算的一种微分法则,用一代价函数以反映网络性能,将梯度下降搜索技术与模糊赫布型学习规则相结合,建立了在单个模糊联想记忆神经网络中联想存储多个模式对的一种优化学习算法。理论分析和实例计算均证明该算法优于Kosko的学习规则。     

应用记忆演化学习的Agent协商研究

在多Agent系统（MAS）环境中,协商是一个复杂的动态交互过程。如何提高协商效率,成为了研究者关注的焦点。应用记忆演化理论的强化学习思想,提出一种Agent协商算法。它与基本强化学习相比,3阶段的记忆演化的强化学习,使得Agent可以在实时回报与延迟回报间更好的做出平衡,并为Agent记忆社会化交互创造条件,使强化学习更适合MAS的要求。通过模拟实验证明该协商算法是有效性的。