融合习题难度和作答经验的深度知识追踪模型

针对现有的深度知识追踪模型缺乏对习题和学生特征信息综合考虑的问题，文章提出融合习题难度和作答经验的深度知识追踪模型(DKT-DE)。该模型通过分析作答序列评估习题的难度和学生的作答经验来丰富模型输入层的特征信息，从而提高模型的预测性能。最后，在3个公共数据集(ASSISTments2009、ASSISTments2015、ASSISTments2017)上，对DKT-DE模型与5个基线模型(BKT、DKT、DKT+、DKVMN、SAKT模型)进行对比实验和消融实验。对比实验结果表明DKT-DE模型能够更准确地评估学生的知识掌握状态：与基线模型中表现最好的DKT+模型相比，DKT-DE模型在ASSISTments2009、ASSISTments2015、ASSISTments2017数据集上的AUC平均值分别提升了2.78%、2.44%、1.5%。而消融实验结果进一步证明习题难度和学生作答经验对提升模型预测能力都起到了积极的贡献。     

融合遗忘和知识点重要度的认知诊断模型

智慧教育是人工智能的重点研究方向，如何利用试题中知识点并对学生的认知过程进行刻画是重中之重。针对认知诊断模型对学生和试题及其交互信息挖掘不充分的问题，文中提出了融合遗忘和知识点重要度的认知诊断模型。该模型根据学生对试题和知识点的历史交互，结合知识点难度信息引入遗忘因素，缓解了对学生信息挖掘不充分的问题；通过注意力机制获取试题对知识点的考查重要度信息，缓解了对试题信息挖掘不充分的问题；通过Transformer学习学生与试题间的交互，缓解了学生与试题交互不充分的问题。在经典数据集上的实验结果表明，文中模型在Math1、Math2、Assistment数据集上的准确率Acc、均方根误差RMSE、受试曲线面积AUC值分别为0.716、0.445、0.776、0.725、0.432、0.807、0.741、0.427和0.779，优于现有的其他对比模型，说明了知识重要度和时效性对于认知建模的重要性。     

学习态势在试题智能推荐中的研究

在试题智能推荐的研究中定义了知识点Kpu矩阵、知识点的得分分配Skp模型、学习个体对知识点吸收数量等级kpL、学习个体潜在的学习特征向量M_(SA)等有效模型,针对试题推荐中精准率不够高和学习个体学习效果不够好的状况,基于经典DINA模型,改进建立了学习个体的学习态势SA situation模型,完善个体学习态势组成元组,对DINA-学习态势模型进行了评估,利用数据对学习态势准确计算,大大提高试题推荐的精度,并设计试题智能推荐的整体框架,通过对近几年的数据实验,验证得出试题智能推荐精准率、答卷准确率、召回率等变量之间的关系和规律,证明了基于学习态势的推荐方法有助于提高推荐效果,对个体的学习效果有明显提高,对大数据背景下的智能学习有实际的应用价值和科学意义.     

基于模糊认知诊断模型的学生认知状态研究

教育信息化时代,对个体特征进行精准化的分析成为个性化学习与因材施教的关键.基于不同民族学习群体的认知特点,该文以云南省某高校1 286名汉族学生和715名少数民族学生2019年“高等数学”课程成绩为例,运用模糊认知诊断框架结合4参数Logistic模型,对少数民族和汉族学生的认知状态进行研究.研究结果表明:模糊认知诊断方法能够精准、有效地分析出个体的认知状态,在“高等数学”课程学习中,汉族学生与少数民族学生在不同知识点方面上的认知差异有所不同.因此,考虑学生在学习过程中的认知状态,有利于尊重不同学生的认知差异,进而为个性化学习与精准教学奠定基础.     

量化管理在班级建设中的作用

量化管理在班级建设中的作用周翠玉（北京联合大学应用文理学院，北京，１０００８３）量化管理就是把影响学生培养目标的总体因素分解为各个具体因素，通过量的形式，用数学的方法表现出来；各项内容得分总和，即为学生的量化评估的总分；然后将四年的得分总合起来，就是...     

高分子材料专业连续性实验教学的实践与探索

为培养学生结合多门课程知识的能力和提高学生解决复杂工程问题的能力,进行了高分子材料专业实验课程的教学方法改革。在现有实验项目的基础上,在"高分子化学"、"高分子化学实验"、"高分子物理"、"高分子物理实验"四门课程之间找到关联知识点,综合考虑多门课程的教学目标,将连续性实验教学方法应用于部分实验项目中,力求关联多个学期不同课程的教学知识点,并对其实际效果进行分析评价。     

基于近邻模型与概率矩阵分解的高校选课推荐算法

为研究高校教务信息管理系统中学生自主在线选课的个性化推荐问题,采用基于近邻模型与概率矩阵分解相融合的改进算法.通过衡量学生(选课)之间的相似关系寻找相似学生(选课),再将与学生(选课)相似性最大的邻居集合应用到基于概率矩阵分解的协同过滤推荐算法中,最终依据预测评分值和限制条件给出Top-K推荐结果排序.原型系统测试实验结果表明:改进算法更适用于高校选课推荐应用,并能够有效地解决数据稀疏问题.     

基于非负矩阵分解的OD矩阵预测

提出了一种非负矩阵分解-自回归模型,并用该模型对居民出行流量进行预测.该模型首先利用非负矩阵分解方法挖掘城市区域内的居民出行特征,而后在非负矩阵分解获得的特征矩阵和系数矩阵基础上对时序系数矩阵建立自回归模型,进而对起讫矩阵进行预测.以北京市出租车数据为基础,与时空权重K近邻、传统K近邻、反向神经网络、朴素贝叶斯、随机森林和C4.5决策树回归模型对比,实验结果表明,该模型的预测准确率有显著提升.     

基于偏振成像的乳腺癌病理切片检测方法

生物组织具有与其结构和功能相关的固有光学特性,偏振成像技术能够根据组织正常和恶性变化之间的微观结构差异,表现出不同的偏振特性,从而实现两者区分。本研究设计了一套采集组织背向散射光Mueller矩阵的自动成像系统,对两种常见的乳腺癌病理组织切片分别进行Mueller矩阵成像实验,并对所得到的Mueller矩阵图像数据采用Mueller矩阵分解方法,分别提取出样本Mueller矩阵中具有清晰物理意义的参数图像。实验结果表明,相应的Mueller矩阵分解参数图像可以区分癌变组织和非癌变组织。这为乳腺癌的快速病理诊断提供了一种新的思路。     

偏振成像的乳腺癌病理切片检测方法

生物组织具有与其结构和功能相关的固有光学特性,偏振成像技术能够根据组织正常和恶性变化之间的微观结构差异,表现出不同的偏振特性,从而实现两者区分。设计了一套采集组织背向散射光Mueller矩阵的自动成像系统,对两种常见的乳腺癌病理组织切片分别进行Mueller矩阵成像实验,并对所得到的Mueller矩阵图像数据采用Mueller矩阵分解方法,分别提取出样本Mueller矩阵中具有清晰物理意义的参数图像。实验结果表明,相应的Mueller矩阵分解参数图像可以区分癌变组织和非癌变组织。这为乳腺癌的快速病理诊断提供了一种新的思路。     

融合矩阵分解和XGBoost的个性化推荐算法

针对传统的协同过滤推荐算法中评分矩阵过于稀疏和算法准确度不高的问题,提出一种融合矩阵分解和XGBoost算法的推荐算法(MFXGB,Matrix Factorization XGBoost),其特点是利用SVD++算法(SVD,Singular Value Decomposition)对用户项目评分矩阵进行填充,避免过多的缺失值对算法精确度的影响,再利用XGBoost(eXtreme Gradient Boosting)算法训练有监督的模型用于预测用户评分.为了克服计算成本过高的困难,提出利用K-均值聚类方法进行特征提取用于训练XGBoost模型.将MFXGB算法应用于MovieLens数据集进行实验分析,结果显示,MFXGB算法的推荐精确度比传统的3种方法分别提高了8.91％、10.18％和11.79％,效果明显优于传统的推荐算法.     

基于知识表示学习的协同矩阵分解方法

针对协同过滤算法中用户反馈数据的稀疏性问题,提出一种基于知识库的协同矩阵分解方法.该方法从物品的知识图谱中学习其向量表示,并在此基础上联合地分解反馈矩阵和物品关联度矩阵,两种矩阵共享物品向量,利用物品的语义信息弥补反馈数据的缺失.实验结果表明,该方法显著地提升了矩阵分解模型的推荐效果,在一定程度上解决了协同过滤的冷启动问题.      

拟行(列)对称矩阵的Schur分解及正交对角分解

考虑拟行（列）对称矩阵的Schur分解、 正交对角分解、 Hermite矩阵分解和广义逆, 给出拟行（列）对称矩阵的Schur分解、 正交对角分解、 Hermite矩阵分解和广义逆的计算公式. 实例计算结果表明, 该方法既减少了计算量与存储量, 又不会降低数值精度.     

拟行(列)对称矩阵的Schur分解及正交对角分解

考虑拟行（列）对称矩阵的Schur分解、 正交对角分解、 Hermite矩阵分解和广义逆, 给出拟行（列）对称矩阵的Schur分解、 正交对角分解、 Hermite矩阵分解和广义逆的计算公式. 实例计算结果表明, 该方法既减少了计算量与存储量, 又不会降低数值精度.     

基于潜在因子多样性的非负矩阵分解协同过滤模型

基于非负矩阵分解的协同过滤模型在高维稀疏数据的预测和填补上十分有效，该模型具有推荐个性化、有效利用其他相似用户回馈信息的优点，但也存在预测精度较低等不足。针对用户或项目在不同情景下的评分差异性，提出了一种改进的基于潜在因子多样性的非负矩阵分解的协同过滤模型。该模型充分考虑在不同情境下，用户和项目潜在特征矩阵的多样性，在模型的训练中，采用了单元素非负乘法更新规则和交替方向法，保证了目标矩阵的非负性，且提高了模型的收敛率。在真实的工业数据集上的实验结果表明，相比于经典的非负矩阵分解模型，该模型的预测精度有了明显提高。     

基于流形正则化非负矩阵分解预测药物-靶蛋白作用关系

识别药物-靶蛋白作用关系是当前药物研究的重要内容,其可帮助识别已有药物的新功能,发现药物的"偏靶蛋白"等。现有预测算法对新药物的作用靶蛋白,及新靶蛋白的作用药物预测存在困难,由此提出一种新奇的基于流形正则化非负矩阵分解的新药物/新靶蛋白作用关系预测算法,该方法首先通过聚类算法构建新药物/新靶蛋白的初始作用标签,然后设计引入流形学习正则化约束的非负矩阵分解算法预测药物-靶蛋白作用关系,最后在四个经典数据集中测试,并与最新预测算法BLM-NII、RLS-WNN和WKNKN+WGRMF算法进行比较,证明本文算法可获取较高的预测精度。     

多级评分CAT的认知诊断方法

认知诊断因其能识别被试认知状态已成为CAT研究的重要部分之一,但目前研究大多都基于0-1评分,这与我国试题也采用多级评分现状不相适应.因此,研究基于多级评分的认知诊断具有重要意义.该文主要研究开发多级评分模型下有认知诊断功能的CAT测试系统,采用等级反应模型(GRM),使用先认知诊断后估计能力的方法.该系统的认知诊断正确率较高,且诊断结果较稳定,能力估计也较准确,测验安全性好.     

广域级电网在运智能电能表的烧损故障关联分析和预测方法

针对智能电能表在运行过程中出现烧损的现象，在对各类因素进行关联分析后， 提出了一种基于XGBoost算法的智能电能表烧损预测方法，以某省份2019—2020年的数据为例进行了测试验证. 采用该方法结合电能表基本信息数据、运行数据和环境数据进行烧损识别，并与K最邻近法（K-NearestNeighbor，KNN）、朴素贝叶斯和支持向量机等传统机器学习算法进行对比. 结果表明，基于极限梯度提升算法（eXtreme Gradient Boosting， XGBoost）的算法精度达到91%，召回率达到66%，综合指标F1达到76.51%，远高于传统算法. 算法模型在进行系统部署的过程中，运用长短期记忆算法（Long Short Term Memory， LSTM）对部分缺失值进行了填充，经试点验证，该模型可较为准确地预测低压台区电能表烧损现象.     

时空感知下基于结构相似度的Web服务质量预测

随着云计算等新型服务计算的兴起,Web服务数量日益增长,相同或相似功能的Web服务也逐渐增多.为了向用户推荐更高质量的服务,精确地预测Web服务的QoS值成为亟待解决的重要问题.传统的协同过滤方法已经被广泛应用于QoS预测和Web服务推荐中,但因为数据稀疏和噪声问题导致QoS预测性能不好.为提高QoS预测的性能,文中通过分析用户服务QoS矩阵的时空特征,提出了一种基于全局和局部结构相似度的稀疏矩阵分解模型.该方法将QoS矩阵的相邻时间相似用户的网络环境相似性这一特征融入到矩阵分解中,并利用分解的因子对QoS矩阵进行低秩填充.这种方式在一定程度上消除了数据稀疏和噪声的影响.在真实Web服务调用数据集上进行实验,结果表明,该方法在预测精度上优于典型的协同过滤算法(相比于NMF,其MAE值最大下降了3.25％,RMSE值最大下降了6.65％;相比于SVD,其MAE值最大下降了3.67％,RMSE值最大下降了7.01％),能够有效地解决数据稀疏和噪声的问题.     

航空液压系统流量智能预测方法研究

液压系统是飞机重要机载系统之一,它为飞机输出能源驱动,其性能、稳定性和可靠性直接影响飞机的安全性。流量是衡量液压系统稳定性的重要判据,实时监测液压系统管路流量可对系统特性分析、故障诊断提供有力的支持。但由于流量传感器造成的流阻对系统特性有显著影响,因此在航空液压系统中未广泛使用。针对传感器带来的流阻问题,深入分析了与流量相关的参数,提出基于梯度提升回归树的航空液压系统流量预测模型,通过关键参数预测液压系统的流量。最后试验结果表明, GBRT模型相比最小二乘线性回归模型、决策树回归模型、极端梯度提升树XGBoost模型,在预测准确度、训练时间、测试时间等指标中取得了较好的表现,验证提出方法的有效性。