初中生语文课堂注意力变化走势初探

本通过对不同教学情境下学生学习成绩的测试,探讨了初中生语课堂学习注意力变化走势,结果发现：①初中生语课堂学习注意力是随教学情境和调控的变化而变化的,教学情境和调控不同,则注意力的集中程度不同;②初中生语课堂学习注意力是随时间的推移而变化的,时间不同,则学习注意力集中程度不同;③初中生语课堂学习注意力变化的总趋势是“分散-集中-分散”。     

注意力开启学生学习大门——如何培养学生的注意力

课堂的40分钟时间很宝贵，在有限的时间里充分抓住孩子的注意力，提高课堂的教学效果就显得尤为重要.对于小学生而言，培养他们的注意力是尤为重要.采取多种方法来培养他们的注意力，从而提高课堂的教学效果.     

如何培养幼儿的注意力

注意力是孩子学习和生活的基本能力,注意力是好坏直接影响孩子身心各方面的发展及入学后学业成绩的高低.针对幼儿注意的特点,我尝试通过以下途径来培养幼儿的注意力:(1)有明确的活动目标.(2)有效地活动方式.(3)适宜的教学内容.(4)良好的兴趣.(5)适当的鼓励.(6)合理的安排时间,促进幼儿注意力的培养.     

陪玩请专心!家长不专心会导致孩子注意力不集中

正印第安纳大学心理学家近日警告称,在陪孩子玩的时候,父母分心摆弄手机会导致他们长大后注意力集中时间变短。研究发现,如果父母或者其他看护人在照顾幼儿、陪他们玩的时候分心做其他事,那么幼儿的注意力也很难集中,看护人在看某物时注意力集中的时长和幼儿看同一物体时注意力集中的时长有直接关联。领导这项研究的印第安纳大学学者陈玉(Chen     

基于ACapsGRU的短时交通流预测研究

针对交通流预测中的时空相关性进行研究.首先,根据城市交通路网建立速度矩阵,将每个时刻的速度矩阵输入胶囊网络进行空间特征的提取;其次,利用注意力机制结合近期交通流数据生成注意力权重;最后,将带有注意力权重的数据输入到门控循环单元学习交通流的时间特征,进行组合模型的短时交通流预测.使用西安市的交通流数据进行验证,结果表明:...     

基于眼动实验的情绪对驾驶员注意力的影响

为预防和降低由于驾驶员不良情绪而引起的交通事故,开展情绪对驾驶员注意力的研究。首先诱发驾驶员产生良好情绪和不良情绪,基于眼动实验分析驾驶员在良好和不良情绪下的注意力状况,得到驾驶员不同情绪下的眼动指标、注视轨迹图和热图分析情绪对注意力的影响关系,最后将实验数据导入SVM进行机器学习。结果表明:良好情绪下驾驶员注视到AOI的人数更多且注视到的AOI区域数更多,在AOI注视的时间更长,注视点个数更多;同时良好情绪下驾驶员首次注视到AOI的时间更短,体现出驾驶员良好情绪下注意力水平优于不良情绪;利用SVM预测驾驶员情绪与注意力状况,测试正确率达到83.34%。本研究对驾驶员不安全驾驶行为的预测和预防具有一定指导作用,有助于减少驾驶员驾驶过程的不安全驾驶行为。     

基于概率稀疏自注意力的航空发动机剩余寿命预测

航空发动机剩余寿命预测对其健康管理具有重要意义,针对长序列、多维度的航空发动机监测参数,提出一种基于概率稀疏自注意力（ProbSparse Self-Attention）的Transformer模型以实现航空发动机剩余寿命的准确预测。用ProbSparse Self-Attention取代原始Transformer中的常规自注意力机制,使得模型更关注时间序列中重要的时间节点,大幅缩减时间维度,减小了时间和空间复杂度;通过注意力层整合后的信息,进一步通过前馈神经网络层和卷积层,提取传感器的空间特征,编码层之间通过扩张因果卷积相连接,扩大了感受野,提高了模型对长序列信息的捕获能力。在新公开的N-CMAPSS数据集上验证算法,实验结果表明,相比于实验中的对比模型,所提模型的RMSE和Score值均有提升,推理速度也优于其他模型。     

常见驾驶行为下驾驶人注意力分配特征

为了获得驾驶人在常见驾驶行为下的注意力分配特征,借助驾驶模拟器采集特定交通流下的驾驶人眼动数据,利用注视时间和视觉信息搜索范围表征驾驶人注意力分配;分析不同驾驶行为下的驾驶人注意力分配特征,并探究来自不同方向的交通流对驾驶人注意力分配的影响。结果表明:驾驶人对前方正中心总是给予足够多的关注;自由流条件下,车辆转弯或换道时,驾驶人对正中心的关注下降,对转向一侧的关注增加,并且搜索范围由远处向近处转移;车辆沿曲率缓和的道路行驶时,交通流出现对驾驶人注意力分配的影响较小,而在转弯或换道时,交通流出现会对驾驶人注意力分配产生较大影响。     

MRTP:时间-动作感知的多尺度时间序列实时行为识别方法

针对行为识别中时空信息分布不均衡以及对长时间跨度信息表征获取难的问题,提出了一种时间-动作感知的多尺度时间序列实时行为识别方法MRTP。以RGB视频为输入,使用两个并行的感知路径在不同的时间分辨率上对视频进行空间特征与动作特征提取。在空间路径中,使用基于特征差分的动作感知寻找并加强通道动作特征表征;在动作路径中,基于动作感知的权重对通道进行筛选,并加入通道注意力和时间注意力加强关键特征;在两个路径提取出特征后,对特征进行融合,融合后的特征通过激活函数映射出样本在各个类别的得分,取得分最高的类别为最终识别结果。实验结果表明：所提方法在UCF101数据集上达到了95.6%的准确率,优于未使用时间注意力的方法;在AVA2.2数据集上的平均精度达到了28%,优于未使用动作感知和时间注意力的方法。与目前主流的基于光流法的双流网络、以Slowfast为代表的3D卷积网络、Transformer等方法进行了准确率、参数量、处理速度对比,结果表明所提方法具有更良好的识别效果和鲁棒性。     

专注智能油藏储量预测的深度时空注意力模型

现有油藏储量预测方法的精度远不能满足实际应用的需求。受循环神经网络和注意力机制的启发,提出一种专注智能油藏储量预测的深度时空注意力模型。该模型通过时间注意力模型来捕获输入数据之间的关键信息,空间注意力模型捕获隐藏状态之间的关系紧密程度,能够缓解数据波动对预测结果的不利影响,从而大幅减小预测误差。结果表明,相比传统方法和已有的深度学习方法,该模型预测精度有显著提高,为今后油藏储量预测提供一种更优的选择。     

一种有效的MPEG视频运动注意力区域提取方法

提出了一种直接从MPEG压缩码流中提取运动注意力区域的方法，其核心思想是根据运动注意力区域本身的特性，利用位置、清晰度和运动矢量3部分信息以及相应的数学表达形式，构造出一个运动注意力参数，并在此基础上进行注意力区域的提取．由于该方法同时考虑了运动注意力区域在空间和时间两方面的特性，并且直接在压缩域中进行操作，因此在提取准确度和运算效率上均有较大提高．模拟结果表明，与现有仅考虑运动信息的提取方法相比，采用该方法提取的准确度可提高30％以上，基本上与人眼实际观测的结果相吻合；与传统的像素域中运动对象提取方法相比，运算时间可减少1／2左右，而且提取出的目标区域更加符合基于内容的视频分析要求．     

基于二向注意力循环神经网络的PM2.5浓度预测

针对PM2.5浓度预测模型效果不稳定、泛化能力差的问题,以循环神经网络和注意力机制为基础,提出了二向注意力循环神经网络（TDA RNN）。首先,TDA-RNN模型通过注意力机制获取输入数据的时序注意力和类别注意力,并将其进行融合;然后通过特征编码器对融合后的数据进行编码,获得中间特征;最后将中间特征与PM2.5浓度的历史信息融合,并通过特征解码器获取预测值。对北京地区的PM2.5浓度进行了预测。结果表明,相比前向型神经网络、长短期记忆神经网络、门控循环单元模型和滑动平均模型,TDA-RNN模型预测精度更高;在抗干扰测试中,当输入数据存在无关因素时,TDA RNN模型的预测精度出现轻微下降,但仍高于其他模型。该二向注意力循环神经网络特征提取能力强,预测精度高,同时可适用于其他场景的多变量时间序列预测。     

3D多重注意力机制下的行为识别

为解决传统3D卷积中难以提取时空信息的缺点,提出一种适用于3D卷积网络的多重注意力机制模块.该模块是由通道结合时间子模块和空间子模块组成的多维度特征调整模块.在通道结合时间模块中,通过调整池化层和卷积层的顺序,保留更多的有效通道信息和时间信息;在空间模块中,压缩冗余时间信息以减少计算量.该模块的整体计算量较少,可嵌入到各3D卷积网络中.为验证多重注意力机制模块的性能,基于3D ResNet网络设计部署了该多重注意力机制模块,并在UCF-101和HMDB-51两个行为识别数据集上分别进行训练.结果表明,改进后的3D ResNet在UCF-101上可提升1.50%的精度,在HMDB-51可提升1.24%的精度,而参数量只增加0.24%.     

基于触屏点击的舒尔特方格注意力训练及效果量化分析

摘要 注意力问题是青少年儿童乃至成人常见的问题。本研究设计了一种基于触屏点击的舒尔特方格训练方案，记录训练中反应时和眼动数据。实验组每3天一次进行为期一个月的注意力训练。受试者在训练前后进行IVA-CPT注意力测试。研究对比分析了训练过程中受试者反应时间、注视点分布、注视时间、扫视长度等参数，还对比了训练前后实验组和对照组IVA-CPT商数的变化。实验结果表明，实验组注意力训练后任务反应时显著缩短，眼动多种参数改善且具有统计学差异。训练后其综合尺度注意力商数等指标相较对照组有较大提升且具有统计学差异。本研究为注意力训练和训练效果研究提供一种理论依据和技术支持。     

基于双通道模型的航空发动机剩余寿命预测

针对现阶段航空发动机单一剩余使用寿命预测模型数据挖掘深度不足导致预测精度低的问题,提出一种双通道模型的预测方法。首先,构建双通道网络结构：通道一使用时间卷积网络,通过残差结构和空洞卷积使得网络具有更大的感受野和计算速度;通道二使用卷积长短时间记忆网络,提取多维时空特征,捕捉数据长期依赖关系。其次,利用多头注意力机制为双通道网络特征重新赋予权重。最后,将双通道网络进行特征融合输出,实现对航空发动机剩余寿命预测。使用涡扇发动机退化数据集进行实验验证,并与其它文献中提到的卷积双向长短时间记忆网络模型、多特征注意力模型、多头注意力模型、卷积门控单元循环神经网络模型进行对比。结果表明,所提模型在3种评价指标上均取得更好的表现,为航空发动机剩余寿命预测提供了一种新思路。     

基于局部信息增强注意力机制的网络流量预测

针对网络流量具有强烈的非线性和不确定性导致传统统计方式或者机器学习方法难以准确预测的问题,为进一步提升网络流量预测精度,在传统时序序列预测模型的基础上设计实现了一种局部上下文信息增强的注意力机制,通过卷积计算将输入转换为注意力机制中的Query和Key,从微观角度对时间序列进行解释,提高了预测模型的局部感知能力。进而将提出的注意力机制分别与长短期记忆人工神经网络和门控循环单元两个时序预测模型相结合并将结合后的模型用于某运营商提供的两个不同网络流量数据集进行网络设备流量预测。实验结果表明基于局部上下文信息增强注意力机制的预测模型具有更好的预测效果。     

数学差生行为特征的诊断与治疗

观察数学差生的行为并与普通生对照,会发现在学习过程与对外部刺激的反映方面,有其自己的特征,分析和研究这些特征,将会对数学差生的转化提供有益的信息,从而有利于对差生的诊断与治疗。 数学差生的行为有以下主要特征: 一、分心 数学差生不论听课还是做一项工作,注意力集中的时间短暂,一点微弱的声响,也会吸引其注意力,数学差生的有意注意力尤其差,很难在较长时间把注意力集中在听课和应该集中的事情上,相反,对无意注意力倒过分敏锐,党为听课过程中的一些无关枝节所分心。据统计,数学差生有此行为特征者占95％,而且,年级越低,意志品质越弱者,此特征越明显。     

注意力叠加与时序特征融合的目标检测方法

提出一种基于注意力叠加与时序特征融合的目标检测方法.在端到端目标检测(DETR)网络的基础上,依据注意力机制特性,使用注意力权重叠加的方式提取目标物像素级标识,用于实例轨迹的划分.为使目标检测与轨迹跟踪协同作用,通过时序特征融合的方式融合之前轨迹跟踪信息,调整当前帧目标检测效果,从而充分利用视频载体提供的时间维度信息.在公开数据集上,对文中方法进行验证,结果表明：文中方法能有效识别被遮挡的目标物,具有较强鲁棒性.     

实习教学中学生注意力和记忆力的培养

有意注意是伴随人的认识活动的一种有意识的注意。没有这种注意，就不能培养学生有目标地发展观察力，不利于学生积极地记忆、反复地专心思考所学知识。因此，生产实习指导教师应通过生产实习的途径，发展学生注意力的广度，增强他们注意力的稳定性，并扩大注意力的分配能力。培养学生有意注意分配的能力十分重要，其分配可分为三个方面： 一是时间分配，就是让学生在把主要时间集中注意主要目标的同时，不断地抽出部分时间去注意有关的方面。 二是感官分配，就是用不同的感官分别注意不同的情况。 三是动作分配，就是操作的熟练程度越高，…     

汽车驾驶员注意力分配定量研究

驾驶员的注意力分配对行车安全至关重要。目前基于驾驶员注意力分配的研究大多是基于定性的,本文从定性和定量两个角度,结合实际道路场景,借助眼动仪进行实车试验,记录并统计驾驶员在不同道路环境及驾驶环境(直行路段、掉头路段、人行横道(非路口)路段、超车、起步、靠边停车)下眼动数据,分析其注视点、注视时间及注视区域的特性,并得出在不同道路环境及驾驶环境下注意力的分配模式,揭示驾驶员在驾驶过程中的注意力分配特点。本文研究结果对驾驶员安全驾驶、车辆辅助系统、无人驾驶系统及驾驶员驾驶培训考核标准的改进有着十分重要的意义。