混合学习模式下跨境电商教学中学习者情绪分析

分析混合学习环境中学习者情绪状态,教师根据学生在线上和线下交互活动中的情绪变化结果,适时调整教学策略,并引导与辅助他们调节自身心理情绪,确保学生在学习过程中处于积极行为动机.以混合学习情绪分析法为切入点,采用情绪自我报告、访谈、面部表情识别与情绪文本挖掘等四种方法考察学习者的学习动机,研究跨境电商课程教学中的学习情绪变...     

基于深度学习的篮子期权定价数值算法

在标的资产价格服从Heston模型的条件下,对欧式篮子期权定价问题进行了研究.推导出篮子期权价格满足的偏微分方程,利用基于深度学习的倒向随机微分方程求解算法,克服维度诅咒,得到了篮子期权价格的近似数值解.通过与蒙特卡罗结果的对比,表明该算法克服了维度灾难,在高维情况下是准确且稳定的,为期权定价研究提供了新的方向.     

基于深度学习的MIMO系统联合信号检测与信道译码

为进一步提高多输入多输出(multiple-input multiple-output,MIMO)系统性能,研究了深度学习方法来联合解决MIMO系统信号检测与信道译码问题.通过将深度神经网络、自动编码器神经网络与传统MIMO通信系统的物理层架构进行有机融合,构建了基于神经网络的MIMO系统模型,可获取系统发射端的信息比...     

多维度深海鱼类识别算法

针对深海光线分布不均匀导致鱼类识别检测困难的问题,提出了符合视觉认知的多维度深海鱼类识别算法.该方法从时间维度优化传统的高斯混合模型(GMM)初步确定变化区域,从空间维度构建目标特征,完整提取运动目标,从时空关联维度建立深度学习的鱼类识别框架,试验结果表明:本算法可在多种复杂条件下准确提取运动目标,面积交迭度(AOM)...     

一类受到未知外部干扰的多智能体系统学习协同控制

针对一类受到未知外部干扰的多智能体系统,在迭代学习控制框架下,结合自适应控制,首先设计了具有微分型参数自适应律的时变增益,同时,为了补偿未知外部干扰,设计了辅助控制器;通过构造复合能量函数,基于类Barbalat引理,证明了区间[0,T]上的完全一致性.其次,借助坐标变换,将编队问题转化为一致性问题.最后,通过一个仿真...     

神经信息检索模型建模因素综述

信息检索模型被广泛运用于搜索引擎中,且在工业领域被广泛应用.信息检索任务中,模型对信号量的侧重建模导致模型指标差异巨大.目前模型大部分基于以下部分或全部信息建模:精确信号量、相似信号量、信号量区分度、查询词权重、临近量、文本结构信息、不同分布假设.本文介绍各个建模因素的具体含义,并通过引用相关实验例证该因素对于建模起到...     

一种新的模糊神经网络删剪策略

模糊规则的数量直接决定模糊神经网络结构的复杂度和效率.基于神经网络自构行学习(NNSCL)算法,用共轭剃度预条件正则方程算法求取删除隐层神经元后的剩余权值,得到改进的NNSCL-1算法.将此算法应用到模糊神经网络的规则推理层,可以极大地优化网络的规则及结构,并且结构优化后不需要重新训练也能保持网络的精确度和泛化能力.仿真结果显示了此算法的有效性和可行性.     

胸部X光片多特征融合的冠状病毒诊断

针对目前网络模型从X光片提取的特征过于单一,并且监督学习网络太过依赖疾病诊断标签,得到的X光片特征不利于冠状病毒诊断。提出一种胸部X光片多特征融合的冠状病毒诊断框架Covid-19Net。使用EfficientNet网络作为提取X光片特征的主干网络,采用教师—学生对比学习网络优化X光片特征,利用X光片肺分割生成的肺掩膜图像特征和X光片中提取关键点特征,聚合X光片提取的多种特征进行冠状病毒诊断。实验结果表明,Covid-19Net方法可以提高冠状病毒诊断性能。     

小数据集下基于DRKDE-ICSO 的BN结构学习

为了解决在小数据集条件下进行数据拓展时产生数据高度相似的问题,提出了基于降维核密度估计的小数据集拓展方法,从而得到较为准确的拓展数据。另外,针对鸡群优化算法求解效率低下和收敛性不足的问题,提出改进的鸡群优化算法进行结构学习:在雄鸡的位置更新公式中引入莱维飞行,使鸡群算法具有更强的跳跃能力;采用指数递减的动态调节惯性权重,以加速局部搜索和提高收敛速度;通过引入最优个体引导策略,增加找到较优位置的概率。实验结果表明,所提算法在小数据集条件下,BIC评分、准确率及汉明距离等指标均优于MCMC算法、BPSO 算法、CSO 算法、ADLCSO-I算法和SA-ICSO 算法。     

关于等价电子杨盘的杨算符的约化

给出了等价电子的正则杨盘的投影函数为Slater函数,杨盘的置换算符对Slater函数的运算规则.由杨盘基的归一化将杨盘的杨算符区分为消去算符和有效置换算符,从而极大的简化了杨盘置换算符的个数,为用新的杨盘方法确定等价电子杨盘基提供了理论支持.