基于学业成绩的师范生教师资格获得预警研究

本研究指出,教师资格考试是我国教师准入管理制度的重要环节,师范生教师资格证的获得是师范生职业发展的第一道门槛.本研究通过建立教师资格证考试内容与大学学科课程的对应关系,采用基于密度的离群点检测算法模型,以数学与应用专业学生的课程成绩为实验样本进行数据挖掘分析,识别学业危机学生.研究结果表明,该预警方法可以识别出教师资格获得危机学生,引起学生对教师资格证考试备考的重视,为教师提供预警干预学生的依据,有利于教师精准施教.该预警方法对离群特征显著的学生预测可达到100％,对离群特征不明显的学生识别率较低,算法有待修正.     

云南少数民族地区精准扶贫大数据智能分析模型

通过分析云南少数民族地区贫困人口的主要特征属性,提取导致精准扶贫"不精准"的主要影响因素,对贫困对象存疑、扶贫措施不精准、动态退出不客观等问题进行分析,研究少数民族地区贫困人口特征、识别校验规则、帮扶措施信息、扶贫过程特征量等数据的特征规则库建立方法,探索贫困对象识别可靠性模型、精准帮扶措施模型、贫困动态评价指数模型的实现思路、数据分析、模型训练和验证方法,对少数民族深度贫困地区的精准扶贫大数据智能分析模型建设和实现具有实际指导意义.     

基于非干预式感知的个性化学业求助资源推荐研究进展

现代信息技术提供的强大移动终端、数据存储和计算平台,极大地促进了信息技术和教育学科的深度融合,有利地推动了"教育信息化2.0行动计划"的实施,也为研究学业求助提供了坚实的技术保障.借助多种新型的感知机理和实现技术,建立日常教学实践活动中非干预式的学业求助行为感知和分类,使实现自适应个性化的学业求助资源推荐成为可能.本文针对非干预式感知的个性化学业求助资源推荐研究状况,展开具体分析,并针对未来可能研究进行了展望:学业求助非干预式感知、学业求助多源异构数据分析、以及学业求助资源个性化推荐方法.以上研究内容充分利用和发挥了现代信息技术的优势,探索其在学业求助应用场景下切实可行的途径和方法.有利于实现对学习者学业求助需求的精准定位并提供自适应个性化的资源推荐,贯彻了我国教育信息化2.0建设中的精准教育理念,具有理论和实际的双重意义.     

基于FAHP分析的大学生学业发展预警系统构建研究

越来越多的高校大学生存在学习目标缺乏、学习动力不足、学习态度不端正、学习习惯较差等问题,而现有研究仅从学籍管理、专业促进等方面进行,存在"事后纠正"的现象,因此,对大学生的学业发展极其不利;为了实现从"源头"进行防患,更好地促进大学生学业发展,通过问卷调查和面对面咨询学生,将数据进行收集、整理和分析,基于FAHP模型,建立大学生学业发展预警系统,对学业困难学生、学业平常学生、学业优秀学生采用具有差异性的分层指导;通过FAHP模型的分析,让大学生学业发展预警实现了从定性到定量的可能,具有更强的实践性和操作性,通过对随机案例进行验证,提出的方法及体系构建可行,对学生在自我基础上实现最好的学业发展具有重要意义。     

一种融合多模态特征的视频暴力检测方法

暴力事件检测是视频内容智能分析的一个常见任务,在互联网视频内容审查、影视作品分析、安防视频监控等领域有重要应用.面向视频中暴力检测任务,提出了一个包含关系网络和注意力机制的方法来融合视频中的多模态特征,该方法首先使用深度学习提取视频中多个模态特征,如音频特征、光流特征、视频帧特征,接着组合不同的模态特征,利用关系网络来建模多模态之间的关系;然后基于深度神经网络设计了多头注意力模块,学习多个不同的注意力权重来聚焦视频的不同方面,以生成区分力强的视频特征.该方法可以融合视频中多个模态,提高了暴力检测准确率.在公开数据集上训练和验证的实验结果表明,提出的多模态特征融合方法,与仅使用单模态数据的方法和现有多模态融合的方法相比,具有明显的优势,检测准确率分别提升了4.89％和1.66％.     

基于视频图像检测的高速公路车型分道行驶监测系统

为解决交通监管部门对于高速公路客货混流问题监管效率低效果差的问题,通过视频图像检测法对高速公路进行研究和应用,构建了基于机器学习和计算机视觉的视频图像检测模式,以提高视频检测的稳定性和准确率,提出了基于尺度不变特征变换(scale invariant feature transformation,SIFT)池化的车辆特征提取模型,摒除传统视频背景建模稳定性和准确率不高的缺陷,获取车辆车型特征数据和分道行驶参数,经过试点样本训练后,实验结果表明:车型识别的准确率高达95％以上,车辆分道检测的准确率达到90％左右.     

学分制环境下本科生学业预警帮扶系统的设计与实现

针对学分制环境下学业有困难的学生而设计了一套帮扶管理流程,依托本科教务管理系统的数据信息,设计并研发出一套本科生学业预警帮扶系统.该系统基于事先设置的预警阈值条件,于每学期及时筛选出阈值以下的学生,并通过协调员、辅导员、教师之间的相互沟通,共同采取针对性防范措施,从而形成有效的反馈机制,督促并帮助学生摆脱学业困境,顺利完成学业.该系统为监控、分析、反馈学业困难学生的数据提供了有效的平台,为学校、教师、学生和家长之间的沟通与协作提供有效渠道,为全员育人、合力预防大学生偏离正常学业轨道提供有力的手段.     

基于CA-ResNet网络与nadam优化的入侵检测算法

[目的]针对深度学习模型在网络入侵检测中进行参数训练时因梯度消失而导致深度学习模型过拟合在测试集上准确率下降的问题.提出一种结合LeakyRelu激活函数与ResNet的网络入侵检测算法,即CA-ResNet,并采用nadam优化器对模型进行优化.[方法]该模型在DNN的基础上增加了网络的层次,结合了ResNet和LeakyRelu激活函数.[结果]解决了模型训练时梯度消失的问题,保证了该模型在测试数据集上的表现,使得训练的模型的泛化能力更强,同时通过增加网络的单层维度和总层次的深度,提高了网络的特征提取能力和对尺度的适应性.[结论]使用KDD Cup99数据中的Corrected数据集对算法进行验证.实验表明,该算法与CNN和CNN-BiLSTM算法相比具有更高的准确率和F1-score,准确率能够达到95.0％,F1-score能够达到97.5,时间复杂度为线性时间复杂度.     

基于多任务学习的青光眼智能诊断

为了提高青光眼检测的准确率,降低青光眼的危害,本文提出一种基于多任务学习的青光眼智能诊断方法,将U-Net网络和VGG16网络结合,U-Net网络和VGG16网络共用U-Net网络的编码器部分,通过U-Net网络得到杯盘比(cup-to-discratio,CDR),并且将CDR作为眼底图像的特征之一输入VGG16网络,实现眼底图像的青光眼分类。实验使用REFUGE挑战数据集进行验证,网络模型在训练后得到的工作特性曲线下面积为0.978 8,且视盘和视杯的分割准确率分别达到0.874 5和0.962 4,对比其他使用相同数据集的方法,本方法具有更高的青光眼分类准确率。     

基于注意力机制BiLSTM的设备智能故障诊断方法

状态监测与故障诊断是保证机械设备安全稳定运行的必要手段.本文提出一种基于注意力机制双向LSTM网络(ABiLSTM)的深度学习框架用于机械设备智能故障诊断.首先,将传感器采集的设备原始数据进行预处理,并划分为训练样本集与测试样本集;其次,训练多个不同尺度的双向LSTM网络对原始时域信号进行特征提取,得到设备故障多尺度特征;再次,通过引入注意力机制,对不同双向LSTM网络提取特征的权重参数进行优化,筛选保留目标特征,滤除冗杂特征,以实现精准提取有效故障特征;最后,在输出端利用Softmax分类器输出故障分类结果.通过利用发动机气缸振动实验数据和凯斯西储大学滚动轴承实验数据进行故障诊断实验,故障识别准确率均达到99%以上.实验结果表明,ABiLSTM模型可以实现对原始时域信号的多尺度特征提取和故障诊断,通过与深度卷积网络(CNN)、深度去噪自编码器(DAE)和支持向量机(SVM)等方法进行对比,ABiLSTM模型的故障识别性能优于各类常见模型.另外,通过利用凯斯西储大学滚动轴承在不同工况条件下的数据,对ABiLSTM模型进行泛化性能实验,变工况样本的故障识别准确率仍然能够达到95%以上.