硅和锗纳米线的原子排布和电荷分布的密度泛函紧束缚方法研究

低维硅锗材料是制备纳米电子器件的重要候选材料，是研发高效率、低能耗和超高速新一代纳米电子器件的基础材料之一，有着潜在的应用价值。采用密度泛函紧束缚方法分别对厚度相同、宽度在0.272 nm~0.554 nm之间的硅纳米线和宽度在0.283 nm~0.567 nm之间的锗纳米线的原子排布和电荷分布进行了计算研究。硅、锗纳米线宽度的改变使原子排布，纳米线的原子间键长和键角发生明显改变。纳米线表层结构的改变对各层内的电荷分布产生重要影响。纳米线中各原子的电荷转移量与该原子在表层内的位置相关。纳米线的尺寸和表层内原子排列结构对体系的稳定性产生重要影响。     

具身学习视角下的教学环节再思考——以“全等三角形判定”第1课时为例

《义务教育数学课程标准(2011年版)》(以下简称《课标》)指出,数学教学活动,特别是课堂教学应激发学生兴趣,调动学生积极性,引发学生的数学思考,鼓励学生的创造性思维.这就要求教师在设计教学环节时,以学生经验为逻辑起点,以学生经验生长为目的,重视学生的多感官参与,拒绝单一的听中学,创设环节帮助学生体悟学习过程,关注学生的学习过程,具身学习正是通过身体的感觉运动系统与周围环境的互动,促使学习者的认知、心理和情感水平发生变化,为我们提供了一个引导学生学习方式转型的新视角。     

基于联合神经网络学习的中文电力计量命名实体识别

随着电力计量业务的不断扩展，迫切需要由业务信息、技术知识、行业标准及其内在联系所组成的电力计量知识图谱，为电网的决策和发展提供更为全面有效的支持。命名实体识别是构建知识图谱的基础。针对电力计量领域需要，结合中文分词技术特点，基于联合学习思想，提出了一种基于联合学习的中文电力计量命名实体识别技术。该技术联合CNN-BLSTM-CRF模型与整合词典知识的分词模型，使其共享实体类别和置信度；同时将2个模型的先后计算顺序改为并行计算，减少了识别误差累积。结果表明，在不需要人工构建特征的情况下，方法的正确率、召回率、F值等均显著优于以往方法。     

游客情感计算的文本大数据挖掘方法比较研究

旅游文本大数据以其方便、快捷和低门槛的特点为游客情感计算提供了极大便利，已经成为旅游大数据的主要来源之一。基于大数据理论和情感理论，以文本大数据为数据源，在全面梳理国内外情感计算相关成果的基础上，利用人工智能中的逻辑/算法编程方法、机器学习方法、深度学习方法对旅游文本大数据进行挖掘，探索最佳的基于文本大数据的游客情感计算方法。研究发现：（1）基于情感词典的游客情感计算模型，其核心是构建情感词典和设计情感计算规则，方法简单，容易实现，适用语料范围广。（2）机器学习，用统计学方法抽取文本中的特征项，具有非线性特征，可靠性较线性特征的情感词典方法高。（3）基于深度学习技术的游客情感计算，效果良好，准确率在85%以上。训练多领域的文本语料易于移植，实用性强，且泛化能力好，较适合大数据时代游客情感计算研究。     

新型功能碳材料的高压截获

高性能功能材料在诸多领域具有广泛的应用前景,是人们一直关注的研究热点。高压可以有效地改变物质的原子间距和成键方式,是获得新型功能材料的重要途径。在碳材料的高压研究中,许多有趣的功能碳材料,如光学透明碳、高强度弹性碳和超硬非晶碳等,已经通过不同的碳前驱体合成。本文简要介绍了作者近年来在低维碳基纳米复合材料高压研究中取得的进展,基于设计的不同低维碳前驱体,高压下截获了具有超硬特性、新型压致共价聚合及发光增强的碳材料。     

基于快速神经网络架构搜索的鲁棒图像水印网络算法

为解决深度学习在图像水印算法中计算量大且模型冗余的问题，提高图像水印算法在抵抗噪声、旋转和剪裁等攻击时的鲁棒性，提出基于快速神经网络架构搜索（neural architecture search，NAS）的鲁棒图像水印网络算法。通过多项式分布学习快速神经网络架构搜索算法，在预设的搜索空间中搜索最优网络结构，进行图像水印的高效嵌入与鲁棒提取。首先，将子网络中线性连接的全卷积层设置为独立的神经单元结构，并参数化表示结构单元内节点的连接，预先设定结构单元内每个神经元操作的搜索空间；其次，在完成一个批次的数据集训练后，依据神经元操作中的被采样次数和平均损失函数值动态更新概率；最后，重新训练搜索完成的网络。水印网络模型的参数量较原始网络模型缩减了92%以上，大大缩短了模型训练时间。由于搜索得到的网络结构更为紧凑，本文算法具有较高的时间性能和较好的实验效果，在隐藏图像时，对空域信息的依赖比原始网络更少。对改进前后的2个网络进行了大量鲁棒性实验，对比发现，本文算法在CIFAR-10数据集上对抵抗椒盐噪声和旋转、移除像素行（列）等攻击优势显著；在ImageNet数据集上对抵抗椒盐高斯噪声、旋转、中值滤波、高斯滤波、JPEG压缩、裁剪等攻击优势显著，特别是对随机移除行（列）和椒盐噪声有较强的鲁棒性。     

正交匹配追踪算法的迭代残差重建方法

正交匹配追踪(Orthogonal Matching Pursuit, OMP)算法是一种重要的压缩感知重构算法. OMP算法在每次迭代中选择与当前残差最相关的原子. 针对每次迭代需要重新计算残差的问题, 本文考虑偶数次迭代下残差未知的情况. 首先, 研究了奇数次迭代的残差与下一次迭代的残差之间的关系, 得到了一种偶数次迭代时选择原子的标准. 然后, 引入一种回溯机制来处理前面所得的迭代结果, 这种机制通过剔除其中多余的原子来实现精确重建. 据此, 提出了可减少计算残差的改进型正交匹配追踪算法.     

对初中数学深度学习的理解与探究

初中生在数学学习过程中,往往更多地将注意力集中在数学知识的习得,以及数学习题的解答上.这样的认识实际上限制了学生学习主动性的发挥,再加上初中生受身心发展局限性的影响,他们的学习行为有时停留在浅层学习(Surface Learning)的层面,存在碎片化、浅表化、浮躁化的现象,学生很难深度加工知识信息、深度理解复杂概念、深度掌握内在含义,进而建构个人化和情境化的知识体系以解决复杂问题.要化解这些难题,关键之一就是要优化学生的学习方式,要将学生从浅层学习中解放出来,要让学生真正经历深度学习的过程.     

以自变量的和差为定值统领抽象函数的对称性和周期性

以“定值”的视角分析了函数具有对称性和周期性时所具备的特点,发现对称性和周期性的表达式在结构上高度相似.通过分析抽象函数的对称性和周期性的表达式,最后将对称性和周期性进行结合,阐述了双对称性与周期性的关系.通过揭示知识间的联系,帮助学生更好地掌握知识间的联系,促进学生的深度学习,亦为教师设计探究型作业提供一定的参考.