深度学习在高能物理领域中的应用

深度学习是一类通过多层信息抽象来学习复杂数据内在表示关系的机器学习算法。近年来,深度学习算法在物体识别和定位、语音识别等人工智能领域,取得了飞跃性进展。文章将首先介绍深度学习算法的基本原理及其在高能物理计算中应用的主要动机。然后结合实例综述卷积神经网络、递归神经网络和对抗生成网络等深度学习算法模型的应用。最后,文章将介绍深度学习与现有高能物理计算环境结合的现状、问题及一些思考。     

基于DCGAN的拉曼光谱样本扩充及应用研究

拉曼光谱检测方法依赖于化学计量学算法,深度学习是当下最炙手可热的方向,可应用于拉曼光谱进行建模.但是深度学习需要大样本进行训练,而拉曼光谱采集受制于器材和人力成本,获取大批量的样本需要更大成本,且易受荧光等因素干扰,这些问题都制约了将深度学习应用于拉曼光谱.针对以上问题,通过引入深度卷积生成对抗网络(DCGAN)提取拉...     

深度学习在超声检测缺陷识别中的应用与发展*

深度学习（Deep Learning）是目前最强大的机器学习算法之一,其中卷积神经网络（Convolutional Neural Network, CNN）模型具有自动学习特征的能力,在图像处理领域较其他深度学习模型有较大的性能优势。本文先简述了深度学习的发展史,然后综述了深度学习在超声检测缺陷识别中的应用与发展,从早期浅层神经网络到现在深度学习的应用现状,并借鉴医学影像识别和射线图像识别领域的方法,分析了卷积神经网络对超声图像缺陷识别的适用性。最后,探讨归纳了目前在超声检测图像识别中使用CNN存在的一些问题,及其主要应对策略的研究方向。     

基于变构学习模型的大学物理深度学习研究——以大一学生解决某一力学问题为例

变构学习模型提倡在原有心智结构解构的基础上进行新知识的有效建构,与深度学习理论相适切。本研究基于变构学习模型理论和深度学习理论,以大学物理力学部分的教学为例,采用质性和量化相结合的研究方法对大一学生在解决一道力学问题时的心智处理和思维结构展开分析,进而对学生力学知识的变构和学习深度进行研究。结果表明：大一学生强大的中学力学心智结构对大学物理的学习具有阻碍作用,而采用“师生对质”的教学模式有利于变构学习的产生,变构学习的产生也更有利于深度学习的达成。     

面向深度学习的大学物理学习评价——以大一学生解决某一力学问题为例

赋分评价法常被教师用于大学物理课程的学习质量评价,随着深度学习理论的发展,该种方法的适用性值得思考.而SOLO(Structure of the Observed Learning Outcome,即“可观察的学习成果结构”)分类评价将学生在解题过程中的思维能力分为5个层次,深度学习理论将这五个层次分为深度和浅层两种学习水平.基于SOLO理论,本研究对大一学生解决某一力学问题时的思维能力进行分类,并对其学习的深度进行评价,再与赋分评价法进行比较,发现SOLO分类评价不仅有明确的等级评定和详细全面的评价,还可通过可视的思维结构直观地测量学生达到教学目标的程度和学习的深度,因而更具科学性和可观察性,更适用于深度学习评价.     

指向深度教学 提升核心素养——以“验证牛顿第二定律”教学为例

深度教学主要针对目前课堂教学中存在的对知识浅层学习的现状及问题,主张通过知识的深度处理,引导学生深度学习.深度教学是有效提升学生核心素养的重要路径.通过以"纸带"为思维发散中心,促进知识的深度整合;展开小组讨论反思,激励学生提出"问题簇",逐步深入探索知识的逻辑形式;建构力学实验物理模型,培养学生迁移应用能力;及时显化科学方法,引导学生感悟科学思维的4个基本策略,在"验证牛顿第二定律"教学中,逐步实施深度教学,提升学生核心素养.     

基于深度学习的认知成像激光雷达(特邀)

为提升传统成像激光雷达系统对场景的感知能力和信号处理算法的泛化能力,提出了一种基于深度学习的认知成像激光雷达方法,通过深度学习点云目标检测算法的处理结果进一步调控核心成像参数,形成认知反馈,提升系统成像质量和环境感知能力。为验证该方法的可行性,设计并实现了一套认知成像激光雷达演示模块,通过实验对比分析,选择激光器的发射功率、成像系统的扫描视场和扫描角分辨率三个成像参数进行认知反馈,并结合深度学习方法实现了与场景的动态交互学习,解决了传统激光雷达成像参数固化的问题。实验结果表明,采用基于深度学习的认知成像工作模式有效提升了现有深度学习点云目标检测算法的泛化能力和目标检测精度。     

基于UbD理念促进深度学习的实践与反思——以人教版“通电导线在磁场中受到的力”教学为例

追求理解的教学设计(Understanding by Design,简称UbD)旨在让更多的学生真正理解他们所学习的内容.UbD理念注重"以终为始",即先确定预期结果,再确定合适的评估证据,最后设计学习活动和体验;强调基于核心问题对大概念进行意义建构,迁移解决实际问题,达成深度学习层次.以"通电导线在磁场中受到的力"教学为例阐述基于UbD框架促进深度学习的教学设计和策略.     

基于实验方案设计与优化的课堂深度学习——以“探究光的反射定律”为例

深度学习是相对浅层学习而言的,深度学习旨在培养学生的高阶思维能力.以深度学习理论为指导,以“探究光的反射定律”一课为例,关注学生思维加工的程度,优化实验方案的教学设计,促进学生深度学习.     

物理课堂引导学生深度合作的尝试

在小组合作学习的高效性受到越来越多的教师认同后,如何引导学生将合作走向深入、走向创新应该成为广大教育工作者的重要课题.本文在教学实践研究的基础上指出:教师引领学生进行深度合作,要让小组合作不仅讨论如何解决问题,而且要讨论如何设计问题,让学习小组成为研究小组,并就深度合作的选择、提高深度合作效率、深度合作中的生成创新作了具体的探讨与阐述     

深度学习在计算成像中的应用

近年来,深度学习被广泛应用于计算成像中,并取得了令人瞩目的成果,已成为该领域的研究热点。为了深入了解现有基于深度学习的方法是如何解决众多计算成像问题的,主要介绍了该方法的基本理论和实施步骤,然后以散射成像、数字全息及计算鬼成像中的应用为例具体介绍该方法的有效性和优越性。汇总对比了一些典型应用,并对基于深度学习的计算成像方法进行了总结和展望。     

时频谱图和数据增强的水声信号深度学习目标识别方法

水声目标识别一直是水声领域研究的重点问题之一,深度学习方法可以有效地解决目标识别问题,然而,水声样本的稀少限制了该方法的应用.该文提出一种基于数据增强的水声信号深度学习目标识别方法,该方法以Mel功率谱作为网络的输入特征,通过对原始信号在时域和时频域的拉伸和掩蔽等变换,实现数据扩展和增加泛化性能的目的,最后,利用改进的...     

基于形态学水线区域的深度图像分割

深度图像分割是基于特征关系图匹配的曲面物体识别中的关键技术之一,针对已有深度图像分割方法存在的问题,提出了一种基于二值形态学的水线区域增长算法对深度图像进行分割。首先用结构元素迭代腐蚀深度图像形成距离图像;然后根据距离图像计算极限腐蚀的集合,提取出目标的种子点;最后用条件粗化从种子点开始生长回到原尺寸但不使各区域相连,完成深度图像的分割。实验证明,算法的分割结果与人的主观视觉感知具有良好的一致性。     

图像场景识别中深度学习方法综述

场景识别是一种用计算机实现人的视觉功能的技术,它的研究目标是使计算机能够对图像或视频进行处理,自动识别和理解图像和视频中的场景信息。由于场景识别技术拥有广泛的应用前景,因此得到了许多关注。随着大数据时代的来临和深度学习的发展,使用深度学习方法解决场景识别问题已经成为场景识别领域未来的发展方向。文章首先概述介绍了场景识别技术的主要研究内容和发展情况,之后阐述了在图像场景识别中深度学习方法的应用情况,然后介绍了一些在图像场景识别中深度学习方法应用的具体的典型案例,同时给出了这几种方法具体的对比与分析。最后给出了文章的结论,总结了当前图像场景识别中使用深度学习方法的发展情况,并且对未来的发展方向给出了一些展望和建议。     

基于深度学习的粒子场数字全息成像研究进展

粒子场的数字全息成像中,由一幅粒子场全息图重建出高精度的三维粒子场分布,是数字全息技术领域的经典问题之一。相比于传统反向重建算法,深度学习算法可以从单个全息图直接重建出三维粒子场来简化算法复杂度,提高计算效率和准确率。介绍国内外研究团队将深度学习算法结合数字全息技术实现粒子场数字全息成像的研究进展,从不同粒子表征方法入手,叙述了支持向量机、全连接神经网络、全卷积网络、U-Net网络、深度神经网络在粒子场数字全息成像中粒子表征及粒子场反向重建过程中的应用原理、实现途径和准确率。最后指出了深度学习算法在这一研究领域的优势及目前基于深度学习算法的不足,并对如何进一步提高该方法的准确率进行了展望。     

核心素养视角下学生深度学习的物理教学实践与研究——以"温度"一节教学为例

深度学习需要创设真实的情境、关注学科内涵和思维方法、关注问题的解决,直指核心素养的各个方面.     

量子纠缠:从量子物质态到深度学习

量子纠缠在量子物质态的研究中扮演着日趋重要的角色,它可以标记传统范式难以区分的新奇量子态和量子相变,并指导设计高效的数值算法来精确地研究量子多体问题。最近,随着一些深度学习技术在量子物理问题中的应用,人们惊奇地发现:从量子纠缠的视角审视深度学习,或许有助于反过来理解和解决一些深度学习中的问题。量子纠缠定量化地刻画了现实数据集的复杂度,并指导相应的人工神经网络结构设计。沿着这个思路,物理学家们对于量子多体问题所形成的种种洞察和理论可以以一种意想不到的方式应用在现实世界中。     

一种针对红外目标检测的Dense-Yolov5算法研究

在计算机视觉领域,深度学习一直有着良好的表现.基于深度学习的目标检测方法在红外图像检测识别方面具有巨大的潜力.针对红外图像场景多变,尺度变化范围大,可用特征不足等问题,提出了一种Dende-Yolov5的网络结构,该网络融合了 DenseNet网络和Yolov5的特点,基于充分利用feature,保护目标边缘的思想,将...     

基于深度残差网络的脱机手写汉字识别研究

摘 要: 手写汉字识别是模式识别与机器学习的重要研究方向和应用领域。近年来,随着深度学习理论方法的完善、新技术的层出不穷,深度神经网络在图像识别分类、图像生成等典型应用中取得了突破性的进展,其中,深度残差网络作为最新的研究成果,已成功应用于手写数字识别、图片识别分类等多个领域。本文将研究深度残差网络在脱机孤立手写汉字识别中的应用方法,通过改进残差学习模块的单元结构,优化深度残差网络性能,同时通过对训练集的预处理,从数据层面实现训练生成模型性能的提升,最后设计实验,验证深度残差网络、End-to-End模式在脱机手写汉字识别中的可行性,分析、总结存在的问题及今后的研究方向。     

指向核心素养 践行深度教学

面对新一轮的课程改革, 如何通过课堂将物理核心素养落地, 这成为每一位物理教师的首要问题. 为 了不至于“ 穿新鞋走老路” , 就必须在课程理念的指引下, 在教学方式和学习方式上破冰, 基于学生深度学习的深度 教学, 才能使核心素养植根于课堂. 笔者以自己获得的一节部优“ 优课” “ 粒子和宇宙”为例, 谈通过深度教学提升核 心素养的实践策略