CNN海况等级分类方法的性能

采用经典的LeNet网络对实测IPIX雷达数据、SPPR-50雷达数据、一型试验雷达数据通过多种组合方式进行交叉实验验证，分析训练集和测试集采用相同类型实测数据、不同类型实测数据时对分类准确率的影响，从而分析网络对雷达信号层数据处理的泛化能力。实验结果表明，不同类型的实测数据对分类准确率影响较为明显，并且当数据具有一定的相似性时分类效果显著。因此，在样本数据集不足时，可考虑通过迁移学习来加快并优化模型的学习效率，提高神经网络模型分类的准确率。     

Prefix-LSDPM：面向小样本的在线学习会话退出预测模型

在线学习会话退出预测旨在准确预测在线学习过程中的学习会话退出，是智慧教育领域中十分重要的一项研究任务。针对现有模型在小样本场景下预测准确率较低的问题，提出了基于前缀提示的在线学习会话退出预测模型Prefix-LSDPM。该模型为获取单个学习行为内部特征及连续学习行为之间的隐含关联信息，在改进了键值向量的Transformer网络中对提示形式的合成序列进行掩码学习；为降低模型训练涉及的参数量以适应小样本学习，将学习会话退出预测任务建模形式靠近预训练任务，并在冻结的预训练参数基础上对提示参数进行调优。基于多个数据集的实验结果表明，Prefix-LSDPM的预测准确率优于现有模型，且在小样本学习中仍能达到较好的预测效果。