利用体验式学习软件构建化学实验适时教学空间

适时教学(JiTT)作为一种能有效促进学生自主学习的教学模式,在欧美国家倍受推崇。从适时教学的本质出发,将体验式学习软件与该教学模式相结合,构建了化学实验的适时教学空间,并利用所构建的空间,设计了基于高中化学新课程标准课程内容的教学案例,为理工类课程开展适时教学提供一定的参考。     

实施新课程中培养学生学习兴趣的方法研究

在新课程教学改革过程中,培养学生学习兴趣方面尚比较薄弱。实践证明,优化课堂教学过程、优化教学设计、联系生活实际及优化实验教学等,是培养学生学习兴趣比较有效的途径。     

五年高护学生化学学习现状的调查和分析

采用问卷调查和座谈的方式,对商洛职业技术学院2009级五年高护1～7班学生化学学习现状的调查和分析。结果表明：学生普遍感到化学难学;而造成困难的主要原因是基础差、没有一个好习惯、学生学习方法欠妥、学习的主动性不够强、目的性不够明确。调查还表明,学生的职业意识已初步形成,对理论联系实际的内容,尤其是联系医学实际的内容及实验比较感兴趣。针对上述情况提出了7点教学策略。     

学生实验探究学习影响因素的扎根理论研究

使用扎根理论研究方法,以“过氧化钠与水反应后的溶液中滴加酚酞溶液产生异常现象的探究”为研究个案,对访谈记录、观察日记、学生的预习报告、实验反思等进行了分析研究。研究表明：问题、已有经验、推理、异常现象和探究氛围是促进学生实验探究顺利展开和深入发展的重要影响因素。     

多示例学习问题研究进展综述

多示例学习是一种特殊的机器学习问题,近年来得到了广泛的关注和研究,许多不同类型的多示例学习算法被提出,用以处理各个领域中的实际问题. 针对多示例学习的算法研究和应用进行了较为详细的综述, 介绍了多示例学习的各种背景假设, 从基于示例水平、包水平、嵌入空间三个方面对多示例学习的常见算法进行了描述, 并给出了多示例学习的算法拓展和若干领域的主要应用.     

深度非线性度量学习在说话人确认中的应用

将非线性度量学习(Nonlinear Metric Learning,NML)应用于说话人确认,提出了一种基于深度独立子空间分析(Independent Subspace Analysis,ISA)网络的说话人确认方法。区别于传统的线性度量学习方法,该方法使用深度独立子空间分析网络来学习一种从说话人原始空间到优化子空间的非线性显式映射,并在此基础上计算两条语音之间的相似性,以获得更好的说话人确认性能.所提方法在NIST SRE 2008数据集上进行了评估。评估结果表明,所提算法的等错误率指标相比传统的基于余弦距离打分的i-vector算法、线性判别分析(Linear Discriminant Analysis,LDA)算法、概率线性判别分析(Probabilistic Linear Discriminant Analysis,PLDA)算法分别下降了11.02%,6.40%和4.579%。      

基于核心素养的高中物理课堂教学设计

核心素养的核心是要提高全体学生的全面素质, 促进学生的全面发展和终身发展, 而这一目的的实现 又必须通过教学活动来完成. 因此, 有效的物理教学活动应充分体现以教师为主导、 以学生为主体的教育理念, 关注 学生的个体差异, 培养学生的自主创新能力. 使高中物理教学真正成为为学生的人生发展打基础的教育     

基于大脑情感学习模型和自适应遗传算法的混沌时间序列预测

针对传统神经网络预测精度不高、收敛速度慢的问题,提出一种基于大脑情感学习模型和自适应遗传算法的混沌时间序列预测方法.大脑情感学习模型模拟了哺乳动物大脑中杏仁体和眶额皮质之间的情感学习机制,具有计算复杂度低、运算速度快的特点,因此可以大大提高混沌预测的快速性.为了进一步提高大脑情感学习模型的预测精度,采用自适应遗传算法优化其参数,将待优化的权值与阈值分布在染色体基因序列上,用适应度函数选出最佳参数,从而增强了模型的逼近能力.基于Lorenz混沌时间序列和实际地磁Dst指数序列的预测结果表明,本文方法较其他传统方法在预测精度、运算速度和稳定性上均具有明显优势.     

基于多任务深度学习的自适应软参数共享方法

在软参数共享模型的基础上,通过任务之间的相似度与参数之间的关系,设置自适应正则项系数λ^*,自适应参数衰减比例0.文章提出了基于多任务深度学习的自适应软参数共享方法.在基于均值约束的L₂范数基础上,通过自适应地去除损失函数中正则项中的项数,去除任务间相似度不高的信息.文章的方法将软参数多任务学习动态地转化为软参数多任务与单任务联合学习,相对于软参数多任务学习方法,该方法减少了负迁移现象带来的影响.相对于单任务学习方法,该方法可以极大地降低局部最小解的风险.模拟研究和案例分析都验证了该方法的有效性,该方法的预测精度优于传统的多任务学习和单任务学习.     

基于孪生网络模型的岩石光谱自动分类方法

岩石光谱是岩石物理化学性质、成分和结构的综合体现,如今已经被广泛应用于岩石分类研究中。岩石光谱数据具有高维的特征数量,在样本数量有限的情况下训练时,往往会产生维数灾难现象。由于岩石光谱的数据收集困难,这在产生极大的人力成本的同时也导致收集到的岩石光谱数据往往十分有限。因此如何能够在样本数量较少时,对岩石光谱数据取得较为准确的分类效果成为了如今热门的研究课题。利用辽宁兴城地区的典型岩石光谱数据,基于Python编程语言在训练样本较少的情况下构建了孪生网络分类模型,并以Triplet Loss作为损失函数,实现了3-way-1-shot分类模型,在测试集上取得了97.8%的分类准确率。同时使用了决策树、随机森林、支持向量机和K-近邻四种传统机器学习方法在相同训练样本下建立分类模型与之对比,通过绘制学习曲线,验证了这四种传统机器学习方法在小样本的情况下不具备良好的分类功能。由于将原始光谱数据转化为图片数据之后并不会影响孪生网络模型的分类效果,因此可以将岩石光谱分类问题转化为图像分类的问题,进而使用图像分类的方法和手段。实验结果表明,孪生网络模型在岩石光谱样本数量较少的情况下仍然能够取得优秀的...