浅议提高专科学校工科学生实习质量

实践性环节对工科学生极为重要。本文认为，要提高工科学生实习质量，必须抓好以下几方面的工作：（１）提高认识，加强领导，强化指导教师队伍；（２）加强管理，精心组织，严格考核；（３）在实习过程中，要加强学生的思想政治工作；（４）加强厂校联系，密切厂校关系，建立巩固的实习基地。     

基于元学习的语音识别探究

目前,高准确率的语音识别需要在大规模语料库上进行学习才能获得,然而大规模语料库的构建成本较高,某些语言很难采集到充足的语料,因此,基于小规模语料库的语音识别已成为目前挑战性的研究问题.元学习是模仿人类利用已有经验快速学习新知识的机器学习方法,在机器视觉单样本学习任务中表现出明显的优势,已成为新的机器学习研究热点.将元学习应用于单样本语音识别是解决基于小规模语料库语音识别这一挑战性问题的有效途径,在TIMIT和佤语数据库上,开展了基于Reptile元学习算法的单样本孤立词语音识别研究.实验结果表明,该算法能有效地提升模型收敛速度与泛化精度,从而提升了模型的学习能力,说明元学习方法有助于解决小规模语料语音识别这一挑战性问题.     

汉英自动翻译主要问题探讨

探讨了用计算机进行汉英自动翻译的一些重要问题：（１）词的自动区分：（２）多意词的处理；（３）中介语言。     

磁防垢机理研究现状与进展

磁防垢技术已在工农业生产中得到了广泛的应用，取得了显著的经济效益。但是，对磁防垢的机理迄今没有得到充分的研究。影响着该技术的推广应用和快速发展。今后磁防垢机理研究中应解决几个问题：（１）磁场影响胶粒表面的吸附过程；（２）磁场对离子水化，离子活度系数的作用机理；（３）电解质溶液体系的计算机模拟方法；（４）磁场对多组分电解质溶液热力学参数的作用模型。     

语料库驱动下的自主学习模式应用初探

语料库以大量真实的语言运用实例为学习者提供丰富的学习资源，同时引导学生通过检索与分析语料主动解决问题，独立自主地进行探索式、发现式学习。将语料库应用于自主学习，首先需要建立将语料库索引和多媒体语料资源有机结合的多样化语料库，在语料库驱动的自主学习模式下，学生可以运用语料库自主解决学习中遇到的问题，也可以以语料库驱动学习的方式进行课文自主学习。     

果蝇条件化视觉飞行定向的动力学特征

采用飞行模拟器，研究果蝇在视觉飞行定向与热惩罚之间建立的条件化学习。主要结果为：（１）证明果蝇在实验的不同时间段的行为指数ＰＩ具有显著相关性；（２）从果蝇个体的飞行扭矩轨迹计算得到的特征函数，可以用来评估果蝇通过训练而形成的视觉空间定向能力；（３）发现从果蝇个体在预训练阶段的飞行扭矩轨迹计算的近似ＡｐＥ（２，ｒ，Ｎ）与第９个时间段的学习指数显著相关，所以预测练阶段的近似熵可以用来粗估训练后的学习指     

储层物性参数展布的相控模型

文章介绍了一种新的储层物性参数描述方法──相控模型。该方法与现有主要以数学插值为特点的方法相比具有以下特点：（１）建模紧密结合地质理论和研究区实际地质特点；（２）可以在钻井稀少但有一定沉积相研究基础的地区实施；（３）能够解决目前地震方法尚难以解决的问题。文中阐述了相控模型的基本思路、主要技术方法及软件，并简介该方法在塔北的应用。     

制造系统的神经自适应控制

制造过程的自适应有效控制对ＣＩＭＳ的发展具有极其重要的意义。本文作者在论述：（１）自适应控制在ＣＩＭＳ中的重要性；（２）传统自适应控制方法在制造过程控制中的困难与障碍；（３）神经网络、人工智能和模糊控制理论等在制造过程自适应控制中的应用的基础上，指出神经自适应控制是制造过程自适应控制发展的有效途径，并构造了基于自组织神经网络的神经优化型自适应控制模型．     

多变量模糊推理系统的神经网络实现

以双缸连通液面Ｆｕｚｚｙ控制系统为模型，研究了多变量Ｆｕｚｚｙ推理系统的神经元网络实现问题。这里主要考虑如下二个问题：（１）ＢＰ网络在语言环境下实现多变量Ｆｕｚｚｙ推理系统的有效性；（２）神经网络结构（隐层节点个数及输出层激发函数）对推理结果的影响。仿真结果表明，在语言环境下ＢＰ网络具有很强的近似推理能力，基于ＩＦ－ＴＨＥＮ的多变量Ｆｕｚｚｙ推理系统可由一个ＢＰ网络训练学习而加以实现，从而为有效的实现多变量复杂系统的Ｆｕｚｚｙ控制奠定了基础。     

一种局域连接前向人工神经网络结构的研究

双隐层标准前馈（ＢＰ）网络只要其隐层节点数足够多就能解决任何形式的分类问题．应用标准（ＢＰ）网络识别多模式类分类问题时存在以下缺陷：（１）对不同模式类均使用相同数目的隐层元；（２）增加新模式类后，网络要重新学习；（３）网络识别的机理研究困难．笔者提出了一种局域连接前馈神经网络（ＬＣＮＮ）结构，其隐层神经元与输出神经元之间为局域连接，学习算法与ＢＰ算法类似．ＬＣＮＮ具有以下特点：（１）便于自构网络结构，提高网络的推广能力；（２）便于提取各模式类的不变特性；（３）具有较强的记忆能力，便于实现追加学习．以五种海底沉积层介质类型的分类识别为例，分别利用标准前馈（ＢＰ）网络与ＬＣＮＮ网络进行分类识别，结果表明：ＬＣＮＮ便于自构网络结构，具有追加学习的能力．     

无监督的句法可控复述模型用于对抗样本生成

针对使用句法可控的复述生成模型生成对抗样本时模型性能受限于复述平行语料的领域和规模的问题, 提出仅需要单语语料训练的无监督的句法可控复述生成模型, 用以生成对抗样本。采用变分自编码方式学习模型, 首先将句子和句法树分别映射为语义变量和句法变量, 然后基于语义变量和句法变量重构原始句子。在重构过程中, 模型可以在不使用任何平行语料的情况下学习生成句法变化的复述。在无监督复述生成和对抗样本生成任务中的实验结果表明, 所提方法在无监督复述生成任务中取得最佳性能, 在对抗样本生成任务中可以生成有效的对抗样本, 用以改进神经自然语言处理(NLP)模型的鲁棒性和泛化能力。     

一种结合有监督学习的动态主题模型

针对传统主题模型存在的不足, 提出一种新的结合有监督学习的动态主题模型(Supervised Dynamic Topic Model, S-DTM)。该模型不仅能够随时间的变化对语言进行动态建模, 而且结合有监督学习技术, 在主题变分推理中加入标签约束, 从而建立主题与标签之间的映射关系, 提高主题的表达解释能力。通过在一个跨越25年“以自然语言处理领域的中文期刊论文为主导”的中文语料库上的实验, 证明该模型相较于静态的有监督主题模型和无监督的动态主题模型, 具有更好的语义解释概括能力, 能更准确地反映文档的主题结构, 更精确地捕捉主题?词汇概率分布的动态演化。     

大学英语自主学习研究——基于语料库的数据驱动学习模式

以建构主义和第二语言习得理论为依据,运用实证研究的方法,探讨基于语料库的数据驱动学习模式对非英语专业大学生自主学习的影响。结果表明:数据驱动模式不仅能提高学习者的词汇学习能力,而且有助于培养学习者自主学习能力和小组协作意识。     

基于Deep Learning的代词指代消解

针对指代消解一直是自然语言处理中的核心问题, 提出一种利用DBN (deep belief nets)模型的Deep Learning 学习机制进行基于语义特征的指代消解方法。DBN模型由多层无监督的RBM (restricted Boltzmann machine)网络和一层有监督的BP (back-propagation)网络组成, RBM网络确保特征向量映射达到最优, 最后一层 BP 网络可以对RBM网络的输出特征向量进行分类, 从而训练指代消解分类器。在 ACE04 英文语料及ACE05中文语料上进行测试, 实验结果表明, 增加RBM训练层数可以提高系统性能。此外, 引入对特征集 合的抽象分层因素, 也对系统性能的提升产生积极作用。     

基于自监督学习的序列推荐算法

针对现有序列推荐算法易受数据稀疏影响以及对用户短期动态偏好建模不充分的问题,提出基于自监督学习的序列推荐算法。针对短期序列中的原始项目关系更易受到随机数据增强破坏的问题,对长短期序列使用不同的数据增强方法来构建更有效的自监督信号;利用对比式自监督学习框架对用户长期偏好和短期偏好进行多任务联合建模;针对现有自注意力机制无法建模序列中项目相对位置关系的问题,将自然语言处理领域中的解耦注意力机制引入到用户短期偏好学习过程中,充分捕获用户短期序列中项目的相对位置信息。实验结果证明了所提算法的有效性。     

基于无监督学习的实时公交动态调度的研究

针对广州智能公交调度的优化问题,提出一种基于无监督学习的实时公交动态调度算法,结合乘客利益和公交公司利益总体最优为目标,通过无监督学习方法学习到公交客流出行特征表达的提取,利用吸引子传播(affinity propagation,AP)聚类算法的优化数据集与支持向量机(support vector machine,SVM)的训练样本集相结合建立预测模型训练,运用公交线网发车间隔和加权系数的目标函数优化调度数学模型,将多源信息融合及多策略的实时公交动态调度算法引入到求解模型中,利用深度学习的异常突发事件分类检测方法实现调度优化模型的实时调整。实验结果表明,AP聚类算法程序运行耗时16 s、高峰发车间隔5 min,比遗传算法运行效率更高、时间间隔更精确,实例证明模型和算法具有实用性和可靠性。     

电话交谈语音识别中基于 LSTM-DNN 语言模型的重评估方法研究

近年来,神经网络语言模型的研究越来越受到学术界的广泛关注.基于长短期记忆(long short-term memory,LSTM)结构的深度神经网络(LSTM-deep neural network,LSTM-DNN)语言模型成为当前的研究热点.在电话交谈语音识别系统中,语料本身具有一定的上下文相关性,而传统的语言模型对历史信息记忆能力有限,无法充分学习语料的相关性.针对这一问题,基于LSTM-DNN语言模型在充分学习电话交谈语料相关性的基础上,将其应用于语音识别系统的重评估过程,并将这一方法与基于高元语言模型、前向神经网络(feed forward neural network,FFNN)以及递归神经网络(recurrent neural network,RNN)语言模型的重评估方法进行对比.实验结果表明,LSTM-DNN语言模型在重评估方法中具有最优性能,与一遍解码结果相比,在中文测试集上字错误率平均下降4.1％.     

基于灰狼算法优化深度学习网络的网络流量预测

针对深度学习网络在网络流量预测建模过程中的参数优化难题, 以改善网络流量预测结果为目标, 提出一种基于改进灰狼算法优化深度学习网络的网络流量预测模型. 首先, 收集网络流量历史数据, 并对数据进行相空间重构、 归一化等预处理; 其次, 引入灰狼算法快速搜索到全局最优深度学习网络的相关参数, 并根据最优参数对预处理后的网络流量历史数据进行学习, 建立能挖掘网络流量历史数据变化规律的预测模型; 最后, 与其他算法优化深度学习网络的网络流量预测模型进行对比分析. 实验结果表明, 基于改进灰狼算法优化深度学习网络的网络流量预测精度超过90%, 远高于其他对比模型, 且预测建模过程的建模时间少于对比模型, 可满足网络流量管理的高精度和实时性要求.     

基于模糊竞争学习和UD分解的模糊建模

为解决复杂系统模糊建模问题,研究了利用模糊竞争学习实现非线性系统的模糊建模方法.首先,利用模糊竞争学习方法划分输入变量的模糊输入空间,确定模糊模型的规则数、规则,实现模糊模型的结构优化.另外,为了克服递推最小二乘出现的误差积累、传递现象,采用基于矩阵UD分解的递推最小二乘方法确定模糊模型的结论参数,从而实现模糊模型的结构和参数优化.采用该方法对M ackey-G lass混沌时间序列进行建模研究,结果表明可以在线或者离线对M ackey-G lass混沌时间序列进行准确预测,效果较好.     

基于需求分析的高级英语课堂教学建模研究

通过对英语专业高级英语课堂教学学生主体的需求分析入手,进行问卷调查,结果显示：在语言技能方面,听、读、写仍然有很高的需求;在学习方式方面,个人展示、小组合作、个人自学都有很高的期望;在学习目标方面,语篇分析和文体欣赏有更多的需求.针对这一现象,文中从理论上阐述了在中国语境下英语专业高级英语课堂教学建模的可行性与建模基础,旨在为进一步运用数学建模的相关理论和分析手段验证该模式的发展开辟路径.