腾讯课堂在线平台教学数据的分析与处理

腾讯在线教学平台使用者众多,在线上教学中发挥了重要作用.探讨离线签到APP的开发,并将其作为教学平台在网络阻滞时的辅助教学手段.此外,针对腾讯课堂学情数据的特点,开发了针对学情数据的处理程序,初步解决了在线教学后台导出数据的处理问题,提高了数据处理效率,减轻了教师在教学过程的工作负担,便于实时掌握学习者的学习进度,提高在线学习类课程的学习效果.     

基于深度学习的医疗电子数据特征学习方法

面向高维异构的医疗电子数据,如何才能有效开展特征学习以优化患者联合用药不良预后的风险预测？针对此问题,提出一种基于深度学习的医疗电子数据特征学习方法。首先结合深度学习长短期记忆网络模型和深度稀疏自动编码模型学习具有时序特性的患者联合用药数据的特征表示,并通过二分k-均值聚类方法形成联合用药综合表达因子。然后构建风险预测特征向量和风险相关特征向量,分别用于联合用药的不良预后风险预测和风险相关性分析。最后将该方法与已有的传统方法在真实医疗电子数据集上进行对比实验,结果表明：该方法在患者联合用药的不良预后风险预测中,准确率比传统方法提高了5%～10%,误判率降低了3%～5%,具有较好的风险预测性能。     

混合式教学模式中在线学习行为与高等数学成绩的相关性分析

以齐齐哈尔大学参与高等数学课程改革的55名学生为研究对象,依托其在校课程平台中的在线学习行为数据,利用相关性分析的方法,从学生的在线学习时间、在线测试成绩、阅读下载资料次数和参与问题讨论次数4个方面探讨在线学习行为与高等数学成绩的相关性.研究表明,这4种在线学习行为与高等数学成绩之间均存在显著正相关性.基于此结果,对课程平台的建设提出了建议.     

小波包分析和支持向量机用于直肠感知功能重建

针对临床上肛门失禁导致的直肠感知功能丧失,提出一种基于小波包分析和支持向量机( support vector machine,SVM)重建患者直肠感知功能的方法.分析人体直肠生理特征,将典型直肠压力收缩波形中的巨大移行性收缩作为产生便意的主要依据.利用小波包分析对直肠压力信号进行特征提取,以分解层结点的L2范数和标准差作为特征向量.通过提取的直肠压力信号特征向量对基于SVM的直肠感知预测模型进行训练,对SVM的惩罚因子和核函数宽度进行交叉验证优化,并利用训练后的模型进行便意预测,同时对比分析了基于前馈神经网络和基于不同核函数的SVM便意预测的准确率.实验结果表明,所提出的方法能帮助患者重建直肠感知功能.     

基于DMD-NARX模型的短期电力负荷预测方法

提出了一种基于DMD-NARX模型的短期电力负荷预测方法,深入地探索了负荷变化趋势和历史数据之间的内在关联,同时在短期预测的精度上有所提高。首先通过自相关函数(Autocorrelation function, ACF)并结合短期负荷波动的时间规律特性,在已有历史相关数据的基础上推导出相应日期的输入特征集合;然后将输入特征集合归一化后通过Hankel矩阵完成由单变量输入特征序列向多维数据矩阵的转换,以动态模态分解(Dynamic mode decomposition, DMD)为手段完成对上一步所得多维数据矩阵的动态模态估计和特征分解,同时对电力负荷底层的多尺度动态情况有了更加深入的掌握;最后使用基于外部输入的非线性自回归(Nonlinear autoregressive with external inputs, NARX)神经网络模型,同时以上一步取得的动态模态估值作为计算相应预测日期内各时段负荷分布的基础,并推导出最终预测结果。最终的测试数据证明,此方法较好地改善了模型的预测精度。     

基于受限玻尔兹曼机的个体行为预测模型的研究

个体行为预测能够有效地帮助用户预测最适合自己的运动行为,但在早期的研究中,往往只考虑了个人的历史行为因素和社会相关因素,忽略了用户多样性、动态行为以及隐藏的社会影响,这使目前的个体行为预测问题更加具有挑战性。本文提出了社会受限玻尔兹曼机(Social restricted Boltzmann machine,StRBM)作为一种新的预测模型,该方法将社会影响区分为显性社会影响和隐性社会影响的同时,将时间影响加到了显性社会影响权重上。使用YesiWell数据集以及合成数据集进行了对比实验,验证所提出方法的准确性,证明了提出的StRBM模型比其他基本模型具有更高的预测精度。     

基于最优样本子集的在线模糊LSSVM混沌时间序列预测

提出一种基于最优样本子集的在线模糊最小二乘支持向量机(least squares support vector machine,LSSVM) 混沌时间序列预测方法. 算法选择与预测样本时间上以及欧氏距离最近的样本点构成最优样本子集,并采用" 不敏感函数对其进行模糊化处理,通过模糊LSSVM 训练获得预测模型. 随着时间窗口的滑动,最优样本子
集和预测模型实时更新,模型更新采用分块矩阵方法降低运算复杂度. 实验中对时变Ikeda 序列进行预测,表明所提出的方法与离线和在线LSSVM 相比,训练速度更快,预测精度更高.     

大学物理MOOC建设

<正>随着互联网技术的不断进步,网络在大学生生活中所占比重逐年上升,必然要求传统教育针对现状做出相应改变.2012年MOOC(大规模开放在线课程)以其开放性、实时性及方便学习等特点,一出现就受到大学生的欢迎[1].随着2013年清华大学、复旦大学和上海交大等高校先后加入MOOC平台,我国各大高校也纷纷着手建设适合自己学校的MOOC课程.与传统课堂教学模式相比较,MOOC模式具有显著的优势.首先,学习者可以在任何时间和地点,按照自己的节奏进行个性化的学习.学习者可以选择在自己最高效的时间进行学习,可以反复观看视频直到理解掌握为止.因此,从知识点传授     

基于“学习活动的混合式学习”模式的研究--以“学习元”平台应用为例

针对混合式学习教学实践中存在的问题,提出了一种“基于学习活动的混合式学习”设计过程模式,在学习元平台上的教学实践表明,该模式可有效提升在线学习参与度,实现更好的学习体验和更高的学习效率,改善学习者在线学习孤独感。     

基于感知器的图卷积推荐系统

互联网信息陡增，导致信息过载，为客户更加精准地推荐商品变得越来越困难．与传统推荐算法相比，基于图神经网络的推荐算法可以更好地提取客户与商品之间的关联关系．但是，在此类算法中潜在特征的乘法内积的简单线性组合无法准确捕获客户交互数据的复杂结构．针对这类问题，提出了基于感知器的图卷积推荐算法，即在利用图神经网络提取关联关系时，使用感知器分别对客户和商品的特征进行提取．使用召回率和归一化折损累计增益作为评价指标，在3组公共数据集中进行了对比实验．实验结果表明，该方法比已有相关算法的效果有所提升.     

基于小波变换的GM(1,1)-ARMA组合预测模型对悬索管桥的应变预测

ARMA模型采用差分处理对桥梁监测数据进行预测时,会出现数据丢失和预测精度降低的现象.为此,利用小波变换对信号进行离散化处理信息不会丢失的优点,将趋势明显的原始序列离散化,得到不同频带上的块信号.采用灰色GM(1,1)模型对趋势明显的低频信号进行趋势预测,用ARMA模型对平稳的高频细节信号进行细节预测,再将两部分预测值叠加得到最终预测值.对黄河悬索管桥在线监测系统获得的过去一段时间的应变数据进行验证,结果表明所提出的GM(1,1)-ARMA组合模型预测效果明显高于传统ARMA模型,这对实现同类桥梁的预警具有积极意义.     

一种基于特征组合和卷积神经网络的心脏病预测新方法

针对心脏病预测难的问题,提出了一种基于特征组合和卷积神经网络的心脏病预测方法。通过特征工程对数据进行预处理,减少噪声干扰;使用特征组合算法增强样本属性关联,生成特征矩阵;设计卷积神经网络对特征矩阵进行更高级抽象。该方法在UCI Heart Disease数据集上达到了0.898 9的预测精度,优于SVM、集成学习等传统机器学习方法,可作为相关领域专家判断的重要参考。     

DBN在测井解释中的研究与应用

测井解释就是将测井信息加工解释成地质信息,以往大多通过数学方法建立解释模型或者使用最基本的反向传播(back propagation,BP)网络来完成这项工作.针对BP网络存在学习训练效率不高的问题,提出了将深度置信网络应用于测井曲线解释.针对测井解释的特点,选择4条测井曲线数据作为输入进行泥砂分层以及孔隙度的预测实验,并与BP网络的预测结果进行对比分析.实验表明,深度置信网络可用于测井曲线解释,其分类精度较一般BP算法有所提高并且训练时间有所降低.     

融合多源信息的人民币汇率预测

通过有效融合与汇率相关的互联网搜索信息和宏观经济信息,提出一个新的汇率预测方法.一方面,根据信息丰富的互联网大数据,将选取的百度指数关键词信息合成能反映投资者关注度的百度综合搜索指数,再利用核主成分(KPCA)方法对宏观经济变量的信息进行提取,合成宏观综合影响指数,最后构建基于多源信息融合的汇率预测模型;另一方面,分别采用BP、KELM和SVM模型进行预测.为减小预测误差,对神经网络连接权重和阈值使用灰狼优化算法(GWO)进行了优化.通过对美元兑人民币汇率进行实证发现,融合多源数据信息之后,使用GWO-BP预测模型能获得更好的预测性能.     

采用shell命令和隐Markov模型进行网络用户行为异常检测

异常检测是目前网络入侵检测领域研究的热点内容.提出一种基于shell命令和隐Markov模型(HMM)的网络用户行为异常检测方法,该方法利用shell会话中用户执行的shell命令作为原始审计数据,采用特殊的HMM在用户界面层建立网络合法用户的正常行为轮廓.HMM的训练中采用了运算量较小的序列匹配方法,与传统的Baum-Welch训练算法相比,训练时间有较大幅度的降低.在检测阶段,基于状态序列出现概率对被监测用户当前行为的异常程度进行分析,并考虑到审计数据和用户行为的特点,采用了较为特殊的判决准则.同现有的基于HMM和基于实例学习的检测方法相比,文中提出的方法兼顾了计算成本和检测准确度,特别适用于在线检测.该方法已应用于实际入侵检测系统,并表现出良好的检测性能.     

特征提取算法KPCA的改进与设计

特征提取的本质就是变换.针对传统核主成分分析(KPCA)在分类问题中所提取出的特征组合的不足,提出了一种基于信息度量改进的KPCA算法.数据集使用广泛应用的KDDCUP99安全审计数据集,用训练样本各特征向量的类内聚集程度和类间离散程度所组成的信息度量来代替传统KPCA中的累积贡献率,选取有利于分类的特征组合.实验结果表明,改进的KPCA方法在较低的维数下就具有较明显的分类效果.     

基于运动历史图像与卷积神经网络的行为识别

针对人体行为识别难于兼顾速度与精度的问题,提出了一种结合运动历史图像(MHI)与卷积神经网络的行为识别算法.该算法首先从原始视频序列中计算MHI,不仅减少了待处理的信息量,还提取了行为识别中的关键时空信息;接着以MHI作为输入,搭建了深度卷积神经网络,可以更好地表达时空信息;最后利用随机梯度下降法与dropout策略训练网络,实现行为类别分类.对比不同卷积神经网络训练与测试实验,该算法在Weizmann行为识别数据集上取得了95%的平均识别率,相较于未改进的网络结构提升了1.2%;对于持续时间为1.6s的行为动作,该算法的识别时间为1.56s.实验结果表明,所提算法在维持较高识别准确率的同时,实现了人体行为的在线实时识别与分类.     

字典学习优化结合二维KCM选择的人脸识别方法

针对人脸识别中区域的高阶隐藏非线性结构发现问题,提出了字典学习优化结合2D Krawtchouk矩(KCM)选择的人脸识别方法.首先,利用二维KCM选择提取特征向量;然后,利用字典学习优化得到最优特征矩阵,并将特征进行组合;最后,使用最近邻分类器完成分类.实验结果表明,相比其他几种方法,该方法获得的平均精度高且鲁棒性更好.     

基于BIM的变电站安装工程施工风险评估模型

为了提高变电站安装工程施工风险评估能力,提出并构建了基于建筑信息模型(BIM)的变电站安装工程施工风险评估模型.构建变电站安装工程施工风险评估的回归分析模型,采用大数据特征采样方法进行变电站安装工程施工风险大数据信息融合,对变电站安装工程施工风险统计数据进行采集,利用多元回归分析方法分析变电站安装工程施工风险特征,在此基础上,对变电站安装工程施工风险进行预测,根据预测结果,结合建筑信息模型(BIM)完成变电站安装工程施工风险评估.仿真结果表明,采用该方法进行变电站安装工程施工风险评估的准确性较高.     

基于混合神经网络的协同过滤推荐模型

数据稀疏性是推荐系统中严重影响推荐结果准确性的重要因素之一.针对数据稀疏性提出了融合卷积神经网络（convolutional neural network,CNN）和降噪自编码（denoisingauto-encoder,DAE）神经网络混合的神经网络评分预测模型（convolutional-denosing autoencoder,CDAE）对用户未评分项目进行预测评分,从而解决数据稀疏性问题.首先将向量化后的用户评论数据通过卷积神经网络训练得到用户特征向量矩阵,其次将用户特征向量矩阵作为降噪自编码神经网络的初始权重,结合用户评分数据经过降噪自编码神经网络训练,得到用户-项目预测评分,然后在此基础上进行基于用户的协同过滤推荐.最后使用movielens-1M实验数据集对比验证了提出的混合神经网络协同过滤推荐（convolutional-denosing autoencoder collaborative filtering,CDAECF）模型.实验证明,所提出的CDAECF模型能够有效地结合隐性反馈和显性反馈数据,具有较高的推荐准确率.