开放性社会学习者模型实证研究

为帮助学习者准确了解自己和其同伴在学习过程中进展,并引发学习者元认知和社会比较学习体验,笔者运用社会比较理论,设计并开发了基于表格的开放性社会学习者模型TableOSLM,其采用表格可视化形式呈现学习者本人、组和学习同伴的学习进展,在实证研究方面,通过问卷调查、实验研究法和面对面访谈等方式收集数据,评价结果表明:TableOSLM能引发学习者在学习规划和自我反思两个维度上的元认知学习体验和在比较方式和自我完善两个维度上的社会比较学习体验;学习者对TableOSLM在有用性、易用性和满意度3个方面都表现出较高的认可度.     

电缆槽对电缆间串扰的影响研究

电缆在使用时一般会铺设在电缆槽中,而电缆槽对铺设其中电缆之间的串扰会形成影响.针对电缆槽中电缆之间的串扰问题,提出一种结合多端口网络理论及分块级联思想的建模方法,使用基于波导格林函数的矩量法来提取电缆槽中电缆间的分布参数,并用虚拟节点理论将提取的分布参数矩阵转化为模型中的传输函数.通过与商业电磁仿真软件的仿真结果进行对比,验证了本文的模型及算法在分析电缆槽中电缆间的串扰问题时具有较好的精确度,最后运用此方法分析了电缆处于电缆槽中不同位置时的线间串扰大小,并结合铁路现场的实际情况对电缆槽中电缆的布线方式提出了建议.     

基于深度学习的牙刷姿态识别方法

针对牙刷分拣中的定位问题,在确定牙刷位置的基础上采用深度学习实现牙刷姿态识别.对牙刷图像进行去噪增强,通过阈值分割提取感兴趣区域,计算图像的几何矩获得牙刷的方向角和外接矩形,以外接矩形的中心作为牙刷位置.用矩形框内的牙刷图像训练残差网络模型,当模型正确率达到要求时保存该模型,用于判断图像中牙刷的姿态.测试结果表明,该方法可以快速准确地实现牙刷的位置确定与姿态识别,为机器人分拣提供牙刷位姿信息.     

科技创新三螺旋模式中政府的适切功能与定位

三螺旋理论被学界认为是科技创新研究的新领域、新模式.其一经提出受到了西方发达国家得到广泛关注并得到了深入研究及应用.我国从21世纪初开始有学者引进三螺旋的概念及理论,此后不断有新的研究成果问世.然而相关研究略显分散,且与国内科技创新实际紧密结合的研究和实践还比较滞后.科技创新三螺旋模式中大学—产业政府三者是相互独立,且都可以成为领导性机构的.而这与包括我国在内的众多发展中国家的国情不相符合.在科技创新三螺旋模式的研究中准确把握我国政府的适切功能与定位是正确运用该理论的前提.通过分析并研究3个科技创新主体的相互作用的过程,提出我国政府在科技创新活动中应准确把握三螺旋主体的内核边界,不断促进大学、产业创新要素增长,有效推动三螺旋主体内、外的循环发展.     

团簇Co3FeP异构化反应的热力学与动力学研究

为了寻找团簇Co₃FeP的稳定性、结构和内部作用力等规律，利用密度泛函理论，在B3LYP/Lanl2dz的量化水平下对团簇Co₃FeP进行理论计算，得到5种优化构型，并从化学反应热力学与动力学的角度对其异构化反应中的反应物、过渡态和生成物进行了讨论分析。结果表明，所有构型均为C1对称且构型的空间结构对其熵值有影响；构型的稳定性主要由金属原子与非金属原子所决定，并且在常温常压下构型1^（3）、2^（3）和3^（3）可以稳定存在，是大部分异构化反应的最终产物。因此，在实际材料的开发中，不仅需要注意金属原子与非金属原子之间的作用力以确保构型的稳定性，还应首先考虑对稳定构型1^（3）、2^（3）和3^（3）进行相关研究。     

基于深度学习的中医古文献临床经验抽取

中医古文献蕴藏着丰富的临床经验，是古代中医在行医过程中对临床诊疗的经验性总结，体现了中医学形成和发展的理论框架和思想基础.然而这些宝贵的临床经验不仅量大，而且分散在不同的文献中，使得中医从业者手工很难快速全面地获取它们，文献检索工具也只能提供文档级别的信息筛选，无法为这种细粒度的信息获取提供支持.此外，古汉语相对于现代汉语的不同特点也限制了主流文本分析工具的使用效果.为此本文提出面向临床经验获取的中医古文献信息抽取任务，用于识别古文献中描述临床经验的文本片段，手工标注了样本数据用于这种抽取模型的训练和测试，并设计了基于深度学习的序列标注器用于完成该任务.考虑到标注数据量小可能带来的过度拟合问题，本文引入对抗训练和虚拟对抗训练来增强模型的泛化能力.一系列充分的实验验证了模型的有效性，表明利用信息抽取技术从古文献获取中医临床经验具有可行性，为这一新的信息抽取任务提供了有希望的研究基线和可复用的标注数据集.     

基于概率神经网络的地铁车站易损性分析

基于深度学习方法提出了一种地震响应概率模型，并基于此模型推导了地铁车站结构极限状态超越概率的计算公式，以评价结构的地震易损性。首先采用主成分分析对地震强度指标进行正交化和降维；为了克服传统地震响应概率模型中地震动强度指标与结构地震响应指标服从对数空间线性分布假设的局限性，基于BP神经网络建立趋势模型以预测结构的地震响应；基于概率神经网络建立误差模型以描述基于统计的趋势模型与基于物理机制的数值模型之间的误差，以拓展残差的齐次方差正态分布假设的严格限制。最后，以上海典型2层三跨地铁车站为算例，计算得到其易损性曲线。结果表明，基于深度学习建立的趋势模型较好地模拟了地铁车站结构地震响应随地震强度指标第一主成分的非线性变化特征；建立的误差模型准确地描述了趋势模型预测值的残差随地震强度指标第一主成分的方差非齐次特征。     

基于深度学习的Stack Overflow问题帖分类方法

针对基于正则表达式和传统机器学习的分类方法分别存在模式手工提取困难和性能瓶颈的问题, 提出一种基于深度学习的问题帖分类方法, 采用深度文本挖掘模型TextCNN和融合注意力机制的TextRNN构建分类模型. 实验结果表明, 基于深度学习的方法在多数问题目的类别上的分类性能优于已有基准方法, 且使用的Adam优化器优于SGD优化器, 使用Glove预训练的词向量优于使用随机生成的词向量. 该方法以提问目的对帖子进行分类, 可为分析Stack Overflow(SO)上的帖子讨论主题增加新维度.