一种研究解决数学问题的方法——内隐加工分离方法

学生在完成数学问题时往往运用内隐加工.借鉴内隐学习研究的方法———加工分离程序,对学生完成数学问题过程进行研究,获得的内隐贡献值对问题解决起着证据性作用.研究结果表明,运用加工分离程序方法是可以证明数学问题解答过程中是否存在着内隐加工的.     

内隐学习与外语教学

自从20世纪60年代美国心理学家A.S.Reber开创内隐学习的研究领域,内隐学习研究热潮逐渐升温,在心理学界已经获取重要地位.80年代以来内隐/外显学习的研究在二语习得领域也开始受到关注.认知心理学的研究成果以及二语习得的相关理论显示:内隐学习是外显学习的必要补充,充分了解内隐学习将对外语学习和教学产生积极的影响.     

游戏类型对大学生内隐攻击性的影响

采用内隐联想测验研究暴力游戏、益智游戏和亲社会游戏对大学生攻击性的影响,并分析该影响是否具有性别差异.结果表明:亲社会游戏能够抑制大学生的内隐攻击性;暴力游戏和益智游戏显著提高大学生的内隐攻击性;游戏类型对大学生内隐攻击性的影响与性别无关.实验结果部分支持一般学习模型.     

非线性时间序列建模与预测的神经网络法

简述了人工神经网络的基本概念及计算特性,提出了用神经网络方法进行非线性时序建模的基本思路,分析了传统的BP学习过程,得出了BP学习算法的改进算法.然后讨论具有一层隐层的前向式神经网络,基于预测误差分析,提出了权值估计方法,使非线性时序建模的神经网络法规范化.     

内隐学习和外显学习对大学英语教学的启示

内隐/外显认知是目前心理学研究的热点之一.它在整个认知系统中具有中心地位.本文简要介绍了内隐/外显认知研究对英语语法教学的启示意义.大学英语教学应当尽可能让学习者去体验和感悟英语.从而使其内隐认知机制在英语语法习得中自动发挥作用,让内隐学习达到最佳学习效果.此外,内隐学习还要与外显学习紧密结合,只有两种学习方式相互配合,大学英语的教学质量才能真正提高.     

浅析内隐学习与外语能力培养

内隐学习一词最早由美国心理学家A.Reber于1965年提出,内隐学习就是无意识获得刺激环境复杂知识的过程。人能够按照两种本质不同的模式来学习复杂的任务,一种是外显学习,为人们所熟悉,另一种便是内隐学习。在内隐学习中,人们并没有意识到或者陈述出控制他们行为的规则是什么,但学会了这种规则。     

内隐学习理论在高职无机化学中的应用

内隐学习与学科教学的结合是近年来内隐学习研究取得的新进展.在高职无机化学教学中,教师应通过创设任务情景,重视知识形成过程.加强知识的应用,重视知识和能力的迁移过程.采用互动式教学,将内隐学习获得的隐性知识显性化,利用化学史进行情感态度和价值观的教育,积极指导学生进行内隐学习.     

内隐学习与运动技能习得

内隐学习是人类学习的一种方式,内隐学习具有直觉性和自动性、抽象性和迁移性、耐久性和抗干扰性,而且还具有积累效应。内隐学习的这些特性在运动技能的学习过程中具有无可比拟的优势。内隐学习理论启示我们在运动技能教学中应为内隐学习创造更多的条件,使得学生能够更快更好的掌握运动技能。     

注意资源数量对内隐序列学习的影响:来自ERP的证据

内隐学习有别于传统的外显学习,它是一种不知不觉的学习过程,是有机体与环境接触时,无目的、自动地获得事件或客体间结构关系的过程。内隐序列学习是内隐学习研究的主要范式之一。目前关于序列学习的脑机制的研究还比较薄弱,利用脑电事件相关电位(ERP)对序列学习进行的研究还比较少。本研究运用ERP的技术手段,通过操纵分心刺激的数量来考察注意资源数量对内隐序列学习的影响,结果从电生理层面支持了Shanks和Channo(2002)的观点。     

初、高中生内隐序列学习的年龄差异研究

通过两个实验对初、高中生内隐学习的年龄差异进行了考察.实验一采用单维度内隐序列反应时任务,发现初、高中生在简单内隐序列学习上不存在显著差异;实验二采用双维度内隐序列反应时任务,发现高中生可以进行较复杂的内隐序列学习,而初中生则不能.这种内隐学习的年龄差异可能源于不同的工作记忆发展水平.     

BP人工神经网络在齿轮钢淬透性预测中的研究

针对齿轮钢在轧钢过程中淬透性控制存在不确定性的问题,将人工神经网络应用到其不确定性上,通过改进BP人工神经网络学习算法训练神经网络,构建最优化的齿轮钢淬透性控制神经网络模型。通过仿真实验证明,该算法有效解决了齿轮钢淬透性预测控制的问题。     

推荐系统研究综述

随着互联网技术的快速发展,如何对海量网络信息进行挖掘分析,已成为热点和难点问题。推荐系统能够帮助用户在没有明确需求或者信息量巨大时解决信息过载的问题,为用户提供精准、快速的业务(如商品、项目、服务等)信息,成为近年来产业界和学术界共同的兴趣点和研究热点,但是,目前数据的种类多种多样并且应用场景广泛,在面对这种情况时,推荐系统也会遇到冷启动、稀疏矩阵等挑战。深度学习是机器学习的一个重要研究领域和分支,近年来发展迅猛。研究人员使用深度学习方法,在语音识别、图像处理、自然语言处理等领域都取得了很大的突破与成就。目前,深度学习在推荐领域也得到了许多研究人员的青睐,成为推荐领域的一个新方向。推荐方法中融合深度学习技术,可以有效解决传统推荐系统中冷启动、稀疏矩阵等问题,提高推荐系统的性能和推荐精度。文中主要对传统的推荐方法和当前深度学习技术中神经网络在推荐方法上的应用进行了归纳,其中传统推荐方法主要分为以下3类:1)基于内容推荐方法主要依据用户与项目之间的特征信息,用户之间的联系不会影响推荐结果,所以不存在冷启动和稀疏矩阵的问题,但是基于内容推荐的结果新颖程度低并且面临特征提取的问题。2)协同过滤推荐方法是目前应用最为广泛的一种方法,不需要有关用户或项目的信息,只基于用户和诸如点击、浏览和评级等项目的交互信息做出准确的推荐。虽然该方法简单有效但是会出现稀疏矩阵和冷启动的问题。3)混合推荐方法融合了前2种传统推荐方法的特点,能取得很好的推荐效果,但在处理文本、图像等多源异构辅助信息时仍面临一些挑战与困难。依据神经网络基于深度学习的推荐方法主要分为4类:基于深度神经网络(DNN)的推荐方法、基于卷积神经网络(CNN)的推荐方法、基于循环神经网络(RNN)和长短期记忆神经网络(LSTM)的推荐方法、基于图神经网络(GNN)的推荐方法、将深度学习技术融入到推荐领域,构造的模型具有以下优势:具有较强的表征能力,可以直接从内容中提取用户和项目特征;具有较强的抗噪能力,可以轻易地处理含有噪声的数据;可以对动态或者序列数据进行建模;可以更加精准地学习用户或项目特征;便于对数据进行统一处理,并且可以处理大规模数据。将深度学习技术应用到推荐领域,可以积极有效地应对传统推荐方法面临的挑战,提高推荐效果。     

生物软组织黏弹性参数反演方法研究

针对黏弹性参数反演中的模型选择问题,提出应用黏弹性材料的应力松弛曲线作为待反演的参数,不涉及任何黏弹性本构模型,采用有限元仿真与人工神经网络相结合的方法:通过有限元仿真得到不同应力松弛曲线下的剪切波传播速度,然后将仿真得到的数据作为训练样本输入到人工神经网络中进行训练,建立起生物组织黏弹性参数和剪切波传播速度的神经网络输出模型,有效解决了模型选择问题。最后通过粒子群优化算法反演得到组织的黏弹性参数。     

木糖醇发酵液脱色的优化工艺

根据木糖醇发酵脱色实验,借助均匀设计法,确定人工神经网络的隐层神经元数、学习速度和动量因子等模型参数,构建一个能用于预测、优化木糖醇发酵液脱色过程的３层数学模型（５－８－１）,并通过遗传上算法寻优,获得效果更好的脱色工艺。     

基于神经网络的物流量预测

应用不同的人工神经网络模型进行物流量预测。分析影响物流发出量、吸引量和周转总量的各相关因素及神经网络预测的基本思想,研究神经网络静态前馈模型和简单动态模型预测物流量的局限性,认为采用二者结合的综合预测方法能对物流量进行准确的预测。给出动态反馈的实时递归法仿真计算步骤,仿真结果与实际结果比较,具有较高的可信度。     

一种基于小波神经网络的图像融合方法

图像融合结合图像处理、信号处理、计算机和人工智能等相关技术．通过对多源图像数据信息的提取合成,从而获得同一场景目标较为准确全面的图像描述．神经网络具有强大的非线性映射逼近能力,将神经网络用来进行滤波融合,避免了传统滤波图像变模糊问题．通过小波神经网络自适应动量快速学习算法进行图像滤波融合,能从根本上避免局部最优,且加快收敛速度,具有很强的学习和泛化能力,也避免了网络结构盲目设计．仿真实验表明,用本方法实现的融合图像更加符合人的视觉特性．     

在片学习及权值刷新神经网络硬件实现方法

提出几种电流模式电路块，并用这些模拟电路块构成一个电流模型式ＢＰ人工神网络，该ＢＰ神经网络具有在片学习和在片权值存储能力。对所设计的模拟电路块进行了理论对构成的ＢＰ神经网络作了应用实例研究，并提供了ＰＳＰＩＣＥ仿真结果。     

人工神经网络的互连权空间的演化方程学习算法

本文把人工神经网络的互连权视为广义的自旋变量，网络的学习问题看作互连权空间的优化问题，进而将通常在人工神经网络组态空间的连续时间动力学方程组推广到人工神经网络的互连权空间，并在方程组中引入类似Ｍｅｔｒｏｐｏｌｉｓ的ＭｏｎｔｅＣａｒｌｏ算法机制改进此方程组了以提高寻优能力，提出了一个人工神经网络的演化方程学习算法，该算法在很大程度上摆脱了局域极值的束缚，得到最优或接近最优的互连权，本文集中研究单层反     

基于解释的人工神经网络集成学习方法

基于知识的人工神经网络是集成学习方法领域中最主要的研究方向，它利用领域知识决定神经网络的初始拓扑结构和联接权值的设置。一方面利用领域知识加速了网络的学习，另一方面利用神经网络的鲁棒性减少了领域理论不完善和数据噪声的影响，从而较好的解决了不完善领域理论的学习问题。本文对这方面的几个主要系统ＫＢＡＮＮ、ＲＡＰＴＵＲＥ进行了分析和评价，指出了它们在网络拓扑结构的动态改变、深层网络的加速学习和结果网络到规则的转译等方面的弱点，并因此提出了一种有效的集成学习方法——基于解释的人工神经网络。     

基于配线法的BP神经网络求解Theis模型

利用非稳定流抽水试验资料确定含水层水文地质参数的配线法在具体应用中存在较大的随意性,用一种改进的反向传播(BP)神经网络方法来进行承压完整井非稳定地下水运动Theis公式中的水文地质参数识别,在一定程度上解决了现有的BP神经网络方法求解含水层参数中存在训练区间选择、网络拓扑结构复杂、网络泛化性能较低和过度拟合等问题.实例计算结果表明,提出的基于配线法的BP神经网络是求解水文地质参数的一种高效方法,对其他水文地质问题求解具有推广应用价值.