摘 要:除了自身的学习动机、学习需求等内因,学习效果也受外部因素的影响,学生的在线学习行为对学习效果有直接影响。选取本校所使用的 SPOC 在线学习平台超星“学银在线”进行研究,收集参与 SPOC 平台在线学习的学生行为数据,包括观看教学资源时长、登录系统平台次数、频率及成绩等。利用大数据客户关系管理模型中经典 的 RFM 模型,根据项目研究实际需求提出了 RFT 模型,并基于此模型及在线学习平台中的大量数据,进行 SPOC 在线学习行为聚类分析。实验对数据集进行清洗、属性规约处理和标准化处理后,使用 K-Means 聚类算法对学生进行分组,并通过可视化方式对 R、F、T 指标进行分析,获取各组学生的在线学习行为差异,深度挖掘学生混合式学习需求。最后针对性地提出不同类型学生提升 SPOC 在线学习效果的策略与建议。
摘 要:在计算机视觉中,角点检测是许多视觉任务的核心问题之一。二阶高斯方向导数不仅能有效提取不同方向的图像信息,还具备良好的高斯噪声抑制能力。为进一步提升角点检测与描述性能,提出了一种基于二阶高斯方向导数滤波的新算法 GoR2D2 用于图像角点检测。提出的算法通过在不同方向上进行二阶高斯方向导数滤波提升网络的角点检测与描述性能。该算法能够自适应选择图像尺度,确保准确检测角点,并在不依赖人工阈值的情况下,精确定位角点。所提算法在图像匹配实验中平均匹配准确率达到了 88.2%,实验结果表明,GoR2D2 算法显著提升了角点检测与描述的鲁棒性和准确性,特别是在复杂场景和变化条件下,表现出优异的性能。
摘 要:针对皮肤病图像病变区域的形状大小不同、形状不规则、受周围毛发干扰、边缘模糊等情况以及现有网络分割效果不佳的问题,提出一种改进的特征金字塔网络(FPN)的皮肤病分割算法CG-FPN。通过加入通道和位置注意力模块(CPAM)以及门控融合模块(GFM),旨在增强对皮肤病关键特征通道的响应和精准定位病灶区域,显著提升对不规则形状及微小皮肤病灶的分割能力。在公开皮肤病数据集ISIC 2017上的实验结果表明,CG-FPN算法在Dice相关系数(Dice)、JaccarD相似指数、准确率、灵敏度、特异性以及F1分数指标上相较于基准模型FPN分别提升了4.89、7.82、1.06、2.80、1.20和2.14个百分点,并且均优于其他算法。这些结果表明,CG-FPN分割算法效果显著,能够为皮肤病分割辅助诊断提供可靠、准确的分割结果。
摘 要:针对气象温度预测的非线性与区域复杂性难题,提出融合站点聚类与混合深度学习的多步预测框架。基于 K-Means 算法对站点地理位置及温度统计特征聚类,划分微气候区域;为各区域构建自回归积分移动平均模型 (ARIMA) 捕捉线性趋势,并利用 BiLSTM-Attention 预测残差。创新性地将聚类信息与位置编码注入双向长短期记忆 (BiLSTM) 初始状态,增强微气候感知能力。BSk 气候下的 24 h 预测实验表明:相较于 ARIMA、BiLSTM 及 CNN-LSTM 等模型,所提模型的均方误差 (MSE) 降低了 20.1%~58.7%,平均绝对误差 (MAE) 降低了 13.3%~59.8%, R2 提升至 0.914,显著提升了温度预测精度与鲁棒性,为区域气象预测提供新范式。
摘 要:抑郁症在大学生群体中高发,利用移动端收集每日情绪和日常行为数据进行抑郁评估成为重要研究方向。现有机器学习方法大多仅简单整合数据,忽略了不同数据间的内在关联,也难以捕获长时序依赖关系,还未充分考虑其他精神障碍因素对抑郁症状的影响。为此,提出了一种周期性划分驱动的时空图卷积网络(Per-STGCN)。通过傅里叶变换计算时序周期,将长序列划分为多个周期片段,分别建模周期内与周期间的时空依赖,从而提取具有多周期关联的融合特征。进一步设计专用编码器分别学习压力与孤独感的相关特征,并结合日常行为特征进行多源信息融合,以提升抑郁评估的准确性。实验结果表明,Per-STGCN 在 StudentLife 数据集上的抑郁评估性能优于对比方法,均方根误差(RMSE)降低至 0.09。
摘 要:细胞追踪算法的研究对建立细胞的生长发育模型并探索它的基因结构和功能至关重要。针对蜂窝状植物细胞结构复杂,在成像中存在严重噪声干扰,且采集的图像未经配准等难点,提出了一种深度局部图匹配网络(DLGM-Net)模型,利用局部图的拓扑结构信息和深度相似度信息寻找相似度最高的细胞作为种子细胞对,然后从种子细胞周围进行扩散匹配。为了进一步提高追踪精度,将DLGM-Net与多种子细胞对投票机制结合,纠正种子细胞对扩散匹配过程中出现的错误匹配。实验结果显示,所提算法能够有效地实现未配准图像下的细胞追踪,与现有局部图匹配算法相比,追踪精度平均提高了7.25%。
摘 要:随着人工智能的发展,大语言模型在自然语言处理领域展现出了卓越的性能,也为机器翻译带来了新的思路。鉴于通用大模型的专业局限性问题,混合领域语料和通用语料对 Qwen2-7B 大模型进行领域自适应训练,并针对古文到现代文翻译的下游任务进行指令微调。最终,从领域性能和通用性能的角度对模型性能进行了评估。对于大模型的领域性能,从译文的准确性、流畅性和文学性 3 个维度进行了评估,并针对文学性提出了一套新的评估标准。实验结果表明,结合领域自适应与指令微调的双阶段策略,能够显著提升大模型古文翻译的质量。
摘 要:作为全球重要粮食作物,水稻的生长易受病害影响,精准识别水稻叶片病害对保障水稻的产量和质量至关重要。传统人工识别方法主观性强、效率低,难以满足农业智能化需求。针对雾霾等复杂环境下水稻叶片病害检测精度下降的问题,提出改进的MixDehazeNet-CNN架构,融合深度可分离卷积与条件参数化卷积(CondConv),构建自适应多尺度特征提取模块。实验结果表明,该方法在11类水稻病害识别中准确率达96.83%,较传统模型显著提升,具备良好的鲁棒性与应用潜力。
摘 要:针对 DeepLabV3+ 模型在土地覆盖分类遥感地物分割中存在的边界模糊、小目标漏检及样本分布失衡导致精度下降等问题,提出一种改进的轻量级神经网络 FAD-Net。首先,将轻量级网络 MobileNetV2 替代原始 Xception 作为主干网络以降低参数量;其次,提出多分支深度可分离空洞空间金字塔(MBDC-ASPP)架构,在保持多尺度上下文捕获能力的同时降低模型复杂度;最后,通过双路注意力机制与特征融合模块提升跨尺度特征分割能力。将 FAD-Net 模型在 LoveDA 数据集上进行测试。实验数据表明:实验结果表明,相较于原始 DeepLabV3+ 模型,本文提出的 FAD-Net 在 LoveDA 数据集上的平均交并比(mIoU)提升了 4.34 个百分点。通过轻量化网络结构设计,参数量相较原始 DeepLabV3+ 模型仅有 4.162×106,验证了算法在保持语义分割精度的同时,显著提升了计算效率。
摘 要:为缓解短序列用户数据稀疏导致的推荐不均衡问题,提出一种面向稀疏用户的公平推荐模型 IAAW-CL,以融合信息增强与自适应加权对比学习策略。通过自注意力机制建模序列,并增强短序列用户的表示能力,生成多样化正样本视图,提升用户表征鲁棒性,并动态平衡推荐与对比学习目标。实验结果表明:相较于 CL4SRec,IAAW-CL 在 Beauty 数据集上,HR@5 提升 15.0%,NDCG@5 提升 10.1%;在 Sports 数据集上,HR@5 提升 16.9%,NDCG@5 提升 19.9%。模型有效缩小长短序列用户间的推荐差距,提升了推荐公平性。
摘 要:冷链物流多式联运中,参与方之间的服务能力不均与互信缺失会导致协同效率低下,传统温控监测手段存在数据易被篡改、透明度不足等问题,严重影响供应链效率与食品安全。为此,提出一种融合高可信SoC(System on Chip)芯片与区块链的端到端溯源方案。通过嵌入式SoC实现温度数据采集端的硬件级防篡改存储;利用区块链确保数据完整、可追溯与跨主体安全共享;结合云计算支持高效查询与实时核验,覆盖全流程。应用结果表明,该方案显著提升了冷链数据的可信性与透明度,为保障食品安全提供了有效支撑。
摘 要:现有基于深度强化学习的交通信号控制方法需提前定义绿灯相位的时间或顺序,在应对复杂交通流量时缺乏灵活性。为此,提出了一种混合动作空间下的深度强化学习方法 HA-TD3。该方法将交通信号控制建模为混合动作空间下的马尔可夫决策过程,结合双延迟深度确定性策略梯度(TD3)算法同步优化绿灯相位选择和绿灯相位时间。首先,构建绿灯相位和持续时间之间的依赖关系,引入条件变分自编码器;其次,为挖掘车流数据的空间相关性,设计了离散交通状态编码方法和空间信息提取模块;最后,基于微观交通仿真软件 SUMO 的仿真测试结果表明,与基准深度强化学习方法相比,所提方法在 800、1000、1200 辆/h 流量下车辆的排队长度和等待时间分别减少了 20.4%、21.6% 和 37.1% 以及 13.3%、12.8% 和 23.7%。
摘 要:针对非小细胞肺癌腺癌/鳞癌亚型判别中三维 CT 标注样本不足及影像—临床融合不充分问题,提出可解释多模态框架 CGS-Mamba。基于 240 例未标注 CT 以 3D-MAE 进行补丁重建预训练获取三维特征提取器,并将 CEA、年龄、性别与 TNM 分期映射为 Mamba 选择性参数以实现临床条件化特征提取,结合 Cross-modal Transformer 完成影像 Patch 与临床 Token 对齐交互。在 103 例标注数据上,内部测试 AUC 为 0.932,外部验证 AUC 为 0.898,优于 3D-ResNet 18、Swin-ViT 及常见融合策略。CEA 重要性最高,表明方法具备临床可解释性并提升亚型分类精度。
摘 要:为实现大学生心理危机的有效预警,以新浪微博平台为数据源,构建了包含1000位用户及其114790条帖子的数据集,并提出一种用户级融合多维度特征的社交媒体心理预警模型(U-MFSPM)。该模型通过文本语义模块[双向门控循环单元(Bi-GRU)与自注意力机制]提取用户级文档语义特征,情感特征模块[情感词典结合双向长短期记忆(Bi-LSTM)与注意力机制]生成用户多维情感向量,网络行为模块提取性别、发帖时间分布、粉丝数等特征,融合后输入多层感知机(MLP)完成心理状态分类。实验结果表明,该模型的F1-score达92.7%,优于传统模型。研究表明,基于社交媒体数据整合多维度特征可为大学生心理危机预警提供新的有效思路。