一、文本倾向识别的置信度估计(论文文献综述)
朱向雷,王海弛,尤翰墨,张蔚珩,张颖异,刘爽,陈俊洁,王赞,李克秋[1](2021)在《自动驾驶智能系统测试研究综述》文中研究说明随着人工智能技术的深入发展,自动驾驶已成为人工智能技术的典型应用,近十年来得到了长足的发展,作为一类非确定性系统,自动驾驶车辆的质量和安全性得到越来越多的关注.对自动驾驶系统,特别是自动驾驶智能系统(如感知模块、决策模块、综合功能及整车)的测试技术得到了业界和学界的深入研究.调研了56篇相关领域的学术论文,分别就感知模块、决策模块、综合功能模块及整车系统的测试技术、用例生成方法和测试覆盖度量等维度对目前已有的研究成果进行了梳理,并描述了自动驾驶智能系统测试中的数据集及工具集.最后,对自动驾驶智能系统测试的未来工作进行了展望,从而为该领域的研究人员提供参考.
郑承昊[2](2021)在《人类肠道菌群结构与疾病关联关系预测系统的设计与实现》文中提出
刘洋[3](2021)在《元认知支架对在线视频学习的影响研究》文中提出
闵少波[4](2021)在《弱监督细粒度图像识别技术研究》文中研究指明细粒度图像识别(Fine-Grained Visual Categorization)是计算机视觉领域中一个重要的研究课题,其目的在于区分同一大类别下的细粒度子类别。由于物体细粒度类别信息能够提供丰富的语义线索,细粒度图像识别技术被广泛应用于敏感图像过滤、医学影像分级和危险物品检测等任务中。因此,研究细粒度图像识别技术具有重要的现实意义和应用价值。相比于传统的基础类别图像识别,细粒度图像识别要求模型具有更强大的表征能力,能够捕捉细微的细粒度类间差异。为此,传统方法依赖于大量的精细化人工标注来指导模型进行特征学习。然而,大量、精细化且全类别的细粒度图像标注在实际场景中往往难以获取且成本高昂。因此,本文对以下三种细粒度图像识别的数据场景进行了较为深入的研究:弱标注细粒度图像识别、半监督细粒度图像识别、零样本细粒度图像识别。1.基于双线性正则的弱标注细粒度图像识别细粒度图像类别的纹理差异往往存在于图像的局部区域中。然而,精细化局部区域标注意味着高昂的标注成本。因此,本文第一个研究点探索如何充分挖掘类别标签中的强判别性视觉线索,学习具有强区分能力的细粒度视觉特征。本文首先提出一种基于交叉注意力机制的特征优化算法,分别从空间冗余信息剔除和幂指数增强角度对图像特征进行改进优化,并用双线性池化操作将两种优化后的视觉特征进行双线性特征融合。其中,空间冗余信息剔除可以使模型关注图像的重要局部区域,而幂指数增强用于挖掘数据集的难样本信息。然而,融合后的双线性视觉特征具有高维度、难收敛和泛化能力差等缺点。继而,本文进一步提出一种多目标矩阵正则优化算法,能够同时对双线性视觉特征进行平方根、低秩和稀疏的联合正则优化,用于稳定双线性图像特征中的高阶语义信息和提高特征的泛化能力。最终,实验结果表明:本文方法在保证收敛速率的情况下取得了当下最优的识别精度,例如,在CUB-200-2011上达到89.7%的识别准确率。2.基于双路互注意网络的半监督细粒度图像识别尽管弱标注识别算法可以减少模型对精细化标注的依赖,但其仍需要海量的图像标注以提供细粒度视觉线索。相比于昂贵的人工标注数据,大量无标注数据是廉价且易于获取的。由于这部分无标注数据同样包含任务相关知识,本文第二个研究点探索利用机器标注技术从海量未标注数据中挖掘可用视觉线索,提高模型识别精度。首先,本文设计了一套分级知识蒸馏策略对大量未标注数据自动生成可靠的机器伪标签。其核心思想为利用不同数据角度和不同模型之间的互补性充分挖掘人工标注中的视觉线索,实现对无标注数据的高质量机器标注。其次,为了过滤机器标注中不可避免的错误标签,本文进一步设计了一种双路互注意网络,通过探索不同学生模型对同一输入数据的预测不一致性(同时考虑特征层面以及预测层面),指出图像中潜在的噪声标注,实现对带有噪声标注数据的鲁棒训练。最终,在仅有少部分标注样本条件下,本文在两个公开细粒度医学基准数据集上实现了鲁棒的半监督学习性能。例如,在HVSMR2016数据集上取得了 82.1%的分割识别精度。3.基于自适应域分解的零样本细粒度图像识别本文的第三个研究点为零样本细粒度识别问题,即训练阶段只能获取部分类别的标注样本,而测试场景可能出现一些新的图像类别。本文通过类别的语义标签构建已知类别和未知类别之间的语义关联,学习具有强迁移能力的细粒度视觉特征。然而,语义标签在关联可见类和未知类的同时,也会降低模型对不同类别的区分能力,导致域混淆的识别结果。因此,本文首先提出基于语义分解的特征提取模块来分别捕捉两个类别域的共有信息和私有信息,从而增强语义编码特征的域可区分性。进一步,本文将图像的视觉特征拆解成两个互补的子特征(弱语义和强语义)来分别处理已知域和未知域样本。其中,弱语义视觉特征的类间正交性更强,因此被用于样本域的检测和已知类别识别。强语义视觉特征的类间关联性更强,因此被用于样本的未知类别识别。最后,当已知类别和未知类别呈现粒度从属关系时,本文提出一种双粒度语义保留网络来容纳粒度间的视觉差异。通过对不同粒度的类别构造不同的视觉编码器,双粒度语义保留网络可以将从父粒度类别学习到的视觉知识迁移到其下属子粒度类别识别任务中,从而实现分级粒度迁移学习。在四个基准零样本数据集上,本文方法均取得了当下最优的实验结果,且平均涨幅高达5.7%。针对上述三种细粒度图像识别场景,本文在现有工作的基础上,通过对图像视觉特征的双线性结构互补性、双路网络不一致性、语义-视觉可拆分性做了深入探索和科学分析,提高了细粒度图像特征的类间可区分性和域间迁移能力,为细粒度图像识别技术的多场景泛化提供了良好的理论基础和技术支持。
刘宜进[5](2021)在《基于调度采样的神经网络机器翻译研究》文中进行了进一步梳理机器翻译是利用计算语言学技术,将源语言自动翻译成目标语言的一项技术。鉴于机器翻译的深远研究意义和广阔应用前景,产业界和学术界都将其视为重点的研究方向,成为当前自然语言处理最具有挑战性的研究领域之一。伴随着近几年神经网络技术的大力发展和数据资源的进一步丰富,基于神经网络的机器翻译系统(Neural Machine Translation,NMT)已经逐渐成为机翻翻译领域的主流方法。然而目前的神经网络机器翻译模型,会面临着训练和测试不一致的问题,也就是暴露偏差问题。在现有研究中,研究人员提出多种解决暴露偏差问题的方案,其中最典型方法的便是调度采样算法。调度采样算法的核心思想是在模型训练阶段,通过随机将模型自己的译文和标准译文进行混合后再作为模型的输入。尽管调度采样已被广泛地应用并且在现有工作中被不断优化完善,但是调度采样的核心调度算法仍然存在两个关键的问题。首先现有调度采样算法的调度策略,仅仅依赖于模型的训练步骤,其仿真出的翻译错误分布是与解码步骤无关的。然而在实际的测试场景下,由于错误累计现象的影响,模型的翻译错误率往往会随着解码步骤而逐渐增大,这与现有调度采样算法的仿真出错误分布是不一致的。其次,模型仅依据预定义的模式,即关于训练步骤的衰减函数来反应模型的能力,是不够精确有效的。针对现有调度采样算法中的这两个局限性,本研究创新地提出基于解码步骤的调度采样算法和基于模型置信度的调度采样算法,本文的主要创新点和贡献点如下:(1)本文首次提出一种基于解码步骤的调度采样算法,该算法可以根据解码步骤逐渐增大采样模型自己预测译文的概率,仿真出一个与实际测试场景下更加一致的翻译错误分布,进一步地减小了模型的训练与测试不一致程度,从而进一步提升了模型的译文质量。更进一步地,本文还探究了如何将本方法与现有方法进行结合,即基于训练步骤和解码步骤的调度采样算法,并提出了三种简单有效的结合方案,即概率相乘,算数平均和复合函数。本研究在三项大规模WMT翻译测评任务以及两项生成式文本摘要上验证所提出方法的正确性和有效性,实验结果表明本研究所提出的方法可以显着地提升现有调度采样算法的效果,同时在两项生成式文本摘要任务的四项评价指标上达到当前最佳性能。(2)本文首次提出基于模型置信度的调度采样算法,该算法根据模型的实时能力,即模型置信度,来执行细粒度的调度采样策略。即置信度高的位置使用模型的预测当做输入,置信度低的位置使用标准译文作为输入。我们还进一步探究了如何在高置信度位置引入噪声输入,从而缓解调度采样算法退化为普通的训练模式。本研究在三项大规模WMT翻译测评任务以及两项生成式文本摘要上验证所提出方法的正确性和有效性,实验结果表明本研究所提出的方法可以显着地提升现有调度采样算法的效果。
陈泳欣[6](2021)在《基于自适应学习的卫生统计学学习系统研究》文中进行了进一步梳理研究目的面对卫生统计学“学习难”的现状,拟运用自适应学习的理论和方法,构建卫生统计学自适应学习体系结构,并以此为基础设计卫生统计学学习系统,满足学习者在该学科中的个性化学习需求。研究内容1.完成自适应学习系统的顶层设计—自适应学习体系结构;2.构建卫生统计学知识模型,核心要素包括知识结构和学习资源;3.构建学习者模型和以推荐策略为核心的教学模型,形成自适应学习关键机制;4.进行卫生统计学自适应学习系统的总体设计。研究方法1.通过文献调研法了解自适应学习系统的相关理论与方法;对卫生统计学考研大纲、经典教材以及公卫执业医师考试大纲的目录和相关文献材料进行梳理,作为卫生统计学知识模型的知识来源;2.通过归纳对比法分析教材电子增值服务类APP、医师考试类APP、中国大学慕课APP等学习平台所提供的卫生统计学网络资源的优点与不足;3.利用解释结构模型法,分析自适应学习通用模型中五大组件的作用与关联机制,结合本研究的系统设想,设计自适应学习体系架构,并具体构建领域知识模型、学习者模型、教学模型;4.通过本体构建“七步法”构建卫生统计学课程本体,重点明确知识结构和知识点之间的后序关系、前驱关系;5.通过专家咨询对卫生统计学知识体系构建的准确性、合理性进行确认。研究结果1.根据卫生统计学不同学习人群的需求,在AEHS模型的基础上对知识模型、学生模型、教学模型、自适应引擎和接口模块五个核心组件补充关键元素,设计了以知识状态为导向的自适应学习体系结构(ALSOKS)。2.确立了包括“知识点网+统计学方法+学习资源”三个层次的学科知识模型。其中,通过创建67个概念、156个实例和建立82个前驱关系、87个相关关系,最终构建了《卫生统计学》课程的“知识点网”本体。结合卫生统计学知识特点,设计了与系统资源推荐功能相应的习题和知识资源(主要包括学习指南、知识图解、思维导图和案例)。3.从基本特征、知识水平两个维度构建了卫生统计学学习者模型,其中知识水平是学习者模型中的核心属性。制定了面向学生、面向医学工作者的个性化学习推荐策略,形成了知识模型提供资源、学习者模型更新知识水平、教学模型提供推荐规则的自适应学习核心机制。4.进行了卫生统计学习系统的总体架构设计和功能架构设计。总结与展望本研究的自适应学习系统具有很强的学科特色。学科知识模型的构建流程合理,学习者模型和教学模型实用性强,为卫生统计学自适应学习系统的实现提供了一定的参考作用。可从以下三方面开展进一步的研究:(1)构建多层次、多维度的卫生统计学知识本体;(2)开展知识本体的评价与维护;(3)利用大数据挖掘技术进一步完善个性化学习推荐策略。
丁尧相[7](2020)在《人机协同机器学习》文中研究表明纯粹数据驱动的机器学习方法往往是封闭的黑盒过程,不具有与用户交互以提升自身性能的能力。然而,一个理想的机器学习算法应该具有开放性:能够与用户进行交互实现系统演进,以降低对大量标记数据与精确数学建模的依赖性。着眼于此,本文研究一种新的学习范式——人机协同机器学习,以使学习系统能够在学习的各个环节引入与人的交互。本文以众包数据收集、目标函数学习与模型重用学习问题为实例,展示如何在人机协同学习过程中(1)对人能力的局限性进行建模(2)充分满足用户特定需求。进而,本文主要在以下方面取得了创新性成果:1.基于不确定选项的众包机制设计。考虑工人正确进行标注能力的局限性。在众包任务中引入不确定选项能够有效提升工人标注准确率,但同时也有可能导致标注成本的上升。本文对带不确定选项的众包机制进行理论研究,证明了该机制能够带来性能提升的充分条件,并基于理论分析结果提出有效的在线算法。2.基于偏好性反馈的目标函数优化。考虑用户精准建模目标能力的局限性。现实应用中的机器学习系统往往需要优化蕴含于用户需求的隐式目标函数,这类函数难以事先给出精确的解析形式,且难于直接优化。本文提出能够有效利用用户偏好反馈的分层学习方法,得以在隐式目标函数下实现快速而高效的学习。3.基于可靠度规约的模型重用方法。考虑模型重用者完成不同任务的需求。由于目标任务的多样性,使用模型规约来估计模型可重用度对提高预测性能至关重要。然而模型规约往往难以避免存在误差。本文提出基于可靠度规约的模型重用算法及交互式的主动校正机制,使用不准确的模型规约也能够保证可靠性能。4.基于协作式训练的模型重用方法。考虑模型提供者保护数据隐私的需求。模型重用问题对源模型训练数据的使用有着较为严格的限制。本文提出基于协作式训练的模型重用方法,使得源模型提供者能够在保护数据隐私的前提下基于度量学习进行合作训练,从而得到选择模型,实现具有高泛化力的准确模型重用。
许顺轶[8](2020)在《物联网设备识别方法的研究》文中指出
曹梦莹[9](2020)在《基于主位推进模式的科技文本翻译策略 ——《机器翻译质量评估》(节选)翻译报告》文中进行了进一步梳理机器翻译取得了长足的进步,但是其译文质量仍备受争议。为了使机器翻译质量不断提高,需要研究机器翻译的原理和算法。质量评估标准是衡量译文准确性的重要指标,对机器翻译的发展起着重要作用。因此,作者选择学术专着《机器翻译质量评估》的第二章作为翻译材料。本次翻译实践报告主要分为三个部分。第一部分介绍了翻译文本的背景、原文文本特征、选择文本的原因和翻译实践的目的。第二部分是翻译过程描述,包括译前的翻译实践设置、译者角色、翻译工具准备、查找平行文本、制定术语表、紧急情况预案,译中的翻译策略、翻译进度表和译后的翻译质量控制。第三部分为案例分析,针对主位推进模式的表现特征和翻译方法进行了讨论。本次翻译实践以主述位推进理论为指导,将原文的主述位推进模式分为四类,即线性推进模式、连续推进模式、派生推进模式和平行推进模式,并对译文总结分析。总结认为,对于线性模式和连续模式可采用保留主述位模式的方法,对于派生模式和平行模式可采用调整、修改主述位模式的方法。采用主述位推进理论可以使文本的信息流动更加顺畅,有助于读者理解文本中的逻辑关系。通过本次翻译实践,笔者尝试分析《机器翻译质量评估》这类科技文本的语言特征,加深了对科技文本的理解,积累了机器翻译领域的语言资产,同时对不同主述位推进模式的翻译方法给出了一定解释,希望本报告今后对类似文本的翻译有一定借鉴意义。
曾静[10](2020)在《基于决策级融合策略的多视图多标签学习算法研究》文中研究表明在移动互联网时代,数据信息不仅在规模上飞速增长,其表现形式也呈现出多样性和丰富性。人们往往可以从多个角度对一个物体进行描述,即每个对象不仅可以由多个视图的数据特征表示,而且同时拥有多个类标签。多视图多标签学习就是研究这类数据问题的一个重要框架。因其在实际生活中广泛存在,已成为当今机器学习研究关注的焦点之一。本文围绕多视图多标签学习问题展开研究,以决策级融合的多视图多标签学习算法为核心,旨在通过有效利用每个视图的独特信息以及多个视图之间的相关性来提升算法的分类性能。本文主要研究内容如下:1、针对现有方法易忽略不同数据视图之间信息的互补性和相关性所带来的挑战,提出了一种基于策略融合的多视图多标签学习算法。该方法综合考虑了视图特有特征、多视图一致性、标签相关性以及各视图贡献权重对模型分类性能的影响。首先,学习每个数据视图的低维特有特征矩阵。然后,利用标签相关性和多视图一致性在各视图中分别构建多标签分类模型,并学习每个视图对多标签学习任务的贡献权重。最后,将各视图中的多标签预测结果及视图贡献权重融合得到最终的标签预测结果。在5个公开的多视图多标签数据集上进行实验,结果表明算法的综合性能较优。2、现有方法的不同视图之间缺少通信,因此很难挖掘到真正的视图共享信息,易导致模型分类性能不佳,针对这一问题,提出了一种基于视图共享和特有特征的多视图多标签学习算法。该方法将样本特征分为共享特征和特有特征两个部分,利用对抗神经网络提取视图共享特征,通过聚类集成方法提取视图特有特征。该方法不仅增强了不同视图之间的通信,同时保持了其各自的独特信息。通过在真实的多视图多标签数据集上进行实验,验证了该方法的有效性。
二、文本倾向识别的置信度估计(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、文本倾向识别的置信度估计(论文提纲范文)
(1)自动驾驶智能系统测试研究综述(论文提纲范文)
1 感知模块 |
1.1 相关研究现状 |
1.2 测试用例生成 |
2 决策模块 |
2.1 相关研究现状 |
2.2 测试用例生成 |
2.3 覆盖度量指标 |
3 综合功能模块 |
3.1 相关研究现状 |
3.2 测试用例生成 |
4 整车测试 |
4.1 研究现状 |
4.2 测试用例生成 |
4.3 覆盖度量指标 |
5 数据集与模拟器 |
6 总结与展望 |
(4)弱监督细粒度图像识别技术研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 研究背景和意义 |
1.2 研究现状和发展趋势 |
1.3 本文研究内容和主要创新点 |
1.4 文本结构安排 |
第2章 国内外研究现状 |
2.1 基于强监督的细粒度图像识别算法 |
2.2 基于弱监督的细粒度图像识别算法 |
2.2.1 弱标注细粒度图像识别 |
2.2.2 半监督细粒度图像识别 |
2.2.3 零样本细粒度图像识别 |
第3章 基于双线性正则的弱标注细粒度图像识别 |
3.1 概述 |
3.2 常用数据集介绍 |
3.3 基于交叉注意力机制的特征提取 |
3.3.1 研究动机 |
3.3.2 自适应双线性池化 |
3.3.3 实验结果 |
3.4 基于多目标矩阵正则的细粒度识别 |
3.4.1 研究动机 |
3.4.2 多目标矩阵正则优化算法 |
3.4.3 实验结果 |
3.5 总结 |
第4章 基于双路互注意网络的半监督细粒度图像识别 |
4.1 概述 |
4.2 常用数据集介绍 |
4.3 基于分级知识蒸馏的伪标签生成 |
4.3.1 研究动机 |
4.3.2 分级知识蒸馏算法 |
4.3.3 实验结果 |
4.4 基于双路互注意网络的噪声数据学习 |
4.4.1 研究动机 |
4.4.2 双路互注意网络 |
4.4.3 实验结果 |
4.5 总结 |
第5章 基于自适应域分解的零样本细粒度图像识别 |
5.1 概述 |
5.2 常用数据集介绍 |
5.3 基于语义分解的视觉特征提取 |
5.3.1 研究动机 |
5.3.2 面向域的语义嵌入网络 |
5.3.3 实验结果 |
5.4 基于域感知的语义-视觉特征对齐 |
5.4.1 研究动机 |
5.4.2 基于域感知的视觉偏差消除网络 |
5.4.3 实验结果 |
5.5 分级粒度迁移学习 |
5.5.1 任务介绍和研究动机 |
5.5.2 双粒度语义保留网络 |
5.5.3 实验结果 |
5.6 总结 |
第6章 总结和展望 |
6.1 工作总结 |
6.2 未来工作和展望 |
参考文献 |
致谢 |
在读期间发表的学术论文与取得的研究成果 |
(5)基于调度采样的神经网络机器翻译研究(论文提纲范文)
致谢 |
摘要 |
ABSTRACT |
1 引言 |
1.1 研究背景及意义 |
1.2 研究现状 |
1.2.1 基于句子级优化的相关研究方法 |
1.2.2 基于调度采样的相关研究方法 |
1.2.3 基于翻译模型置信度的相关研究方法 |
1.3 论文研究内容 |
2 机器翻译 |
2.1 机器翻译的概念 |
2.2 Transformer模型 |
2.3 集束搜索 |
2.4 BLEU评估指标 |
2.5 本章小结 |
3 基于调度采样的神经机器翻译模型 |
3.1 问题分析及解决思路 |
3.1.1 问题分析 |
3.1.2 解决思路 |
3.2 系统框架 |
3.3 基于解码步骤的调度采样策略 |
3.3.1 定义与形式化描述 |
3.3.2 基于解码步骤的策略的必要性 |
3.3.3 仿真错误率分析 |
3.3.4 仿真累计错误分析 |
3.3.5 基于解码步骤和训练步骤的调度采样 |
3.4 基于模型置信度的调度采样策略 |
3.4.1 模型置信度的估计 |
3.4.2 基于模型置信度的细粒度采样策略 |
3.5 本章小结 |
4 实验与分析 |
4.1 对比系统 |
4.1.1 调度采样的方法变种 |
4.1.2 现有方法 |
4.2 实验设置 |
4.2.1 实验环境 |
4.2.2 模型设置 |
4.2.3 实验数据 |
4.2.4 评价方法 |
4.2.5 超参数设置 |
4.3 实验结果 |
4.3.1 WMT2014英德翻译结果 |
4.3.2 WMT2014英法翻译结果 |
4.3.3 WMT2019中英翻译结果 |
4.3.4 文本摘要实验结果 |
4.4 分析与讨论 |
4.4.1 调度策略的效果 |
4.4.2 结合方法的效果 |
4.4.3 采样先验的效果 |
4.4.4 不同句长的效果 |
4.4.5 超参敏感性 |
4.4.6 不同解码器深度的影响 |
4.4.7 模型收敛速度对比 |
4.5 本章小结 |
5 总结与展望 |
5.1 总结 |
5.2 展望 |
参考文献 |
作者简历及攻读硕士学位期间取得的研究成果 |
学位论文数据集 |
(6)基于自适应学习的卫生统计学学习系统研究(论文提纲范文)
中文摘要 |
Abstract |
1 引言 |
1.1 研究背景 |
1.1.1 卫生统计学的学习现状亟需改善 |
1.1.2 基于自适应学习的在线教育迎合个性化学习需求 |
1.1.3 自适应学习对卫生统计学具有适用性 |
1.2 研究现状 |
1.2.1 自适应学习国内外现状 |
1.2.2 国内卫生统计学学习平台建设现状 |
1.3 研究目的与意义 |
1.3.1 研究目的 |
1.3.2 研究意义 |
2 研究内容与方法 |
2.1 研究内容 |
2.1.1 自适应学习体系结构设计 |
2.1.2 卫生统计学知识模型构建 |
2.1.3 自适应学习关键机制分析 |
2.1.4 卫生统计学学习系统总体设计 |
2.2 研究方法 |
2.2.1 技术路线图 |
2.2.2 主要研究方法 |
3 研究结果 |
3.1 理论与技术分析 |
3.1.1 自适应学习 |
3.1.2 学科知识模型 |
3.1.3 本体 |
3.2 自适应学习体系设计 |
3.2.1 自适应学习系统总体需求 |
3.2.2 自适应学习体系架构 |
3.3 卫生统计学知识模型构建 |
3.3.1 知识模型架构 |
3.3.2 “知识点网”本体 |
3.3.3 学习资源设计策略 |
3.4 自适应学习关键机制分析 |
3.4.1 学习者模型 |
3.4.2 个性化学习推荐策略 |
3.5 自适应学习总体设计 |
3.5.1 总体架构 |
3.5.2 功能架构 |
4 讨论 |
4.1 本研究自适应学习系统的特色 |
4.2 学习资源的设计亮点 |
4.3 关于AEHS自适应学习通用模型的使用建议 |
4.4 研究局限性 |
5 总结与展望 |
5.1 总结 |
5.2 展望 |
参考文献 |
附录 |
附录1 学习指南节选内容 |
附录2 知识图解样例 |
附录3 卫生统计学知识框架 |
附录4 前驱关系和相关关系列表 |
攻读硕士学位期间的科研成果 |
致谢 |
(7)人机协同机器学习(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 引言 |
1.2 研究现状 |
1.3 有待研究的问题 |
1.4 本文工作 |
第二章 基于不确定选项的众包机制设计 |
2.1 引言 |
2.2 研究背景 |
2.3 本文方法 |
2.4 理论分析 |
2.5 实验验证 |
2.6 小结 |
第三章 基于偏好性反馈的目标函数学习 |
3.1 引言 |
3.2 研究背景 |
3.3 本文方法 |
3.4 理论分析 |
3.5 实验验证 |
3.6 小结 |
第四章 基于可靠度规约的模型重用方法 |
4.1 引言 |
4.2 研究背景 |
4.3 本文方法 |
4.4 理论分析 |
4.5 实验验证 |
4.6 小结 |
第五章 基于协作式训练的模型重用方法 |
5.1 引言 |
5.2 研究背景 |
5.3 本文方法 |
5.4 理论分析 |
5.5 实验验证 |
5.6 小结 |
第六章 结论与展望 |
6.1 本文工作总结 |
6.2 未来研究展望 |
参考文献 |
致谢 |
简历与科研成果 |
(9)基于主位推进模式的科技文本翻译策略 ——《机器翻译质量评估》(节选)翻译报告(论文提纲范文)
ACKNOWLEDGEMENTS |
ABSTRACT |
摘要 |
1.TASK DESCRIPTION |
1.1 Background of the Translation Practice |
1.1.1 Introduction to the Source Text |
1.1.2 Major Features of the Source Text |
1.1.3 Reasons for Choosing the Source Text |
1.2 Objective of the Translation Practice |
2.PROCESS DESCRIPTION |
2.1 The Design of the Translation Practice |
2.1.1 Translator’s Role in the Translation Practice |
2.1.2 Preparation of Tools |
2.1.3 The Parallel Texts Used in the Translation Practice |
2.1.4 The Translation Strategies Used in the Translation Practice |
2.1.5 The Quality-Control Methods Used in the Translation Practice |
2.2 The Schedule of the Translation Practice |
2.3 Emergency Precautions |
3.CASE STUDY |
3.1 Translation of the Simple Linear Thematic Progression |
3.2 Translation of the Thematic Progression with A Continuous Theme |
3.3 Translation of the Thematic Progression with Derived Themes |
3.4 Translation of the Parallel Thematic Progression |
3.5 Summary |
4.CONCLUSION |
REFERENCES |
APPENDICES |
Appendix A:Glossary |
Appendix B:Translation |
(10)基于决策级融合策略的多视图多标签学习算法研究(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 研究的背景和意义 |
1.2 国内外研究现状 |
1.3 本文的主要内容 |
1.4 论文结构 |
第2章 基本理论学习 |
2.1 多标签学习 |
2.1.1 问题转换方法 |
2.1.2 算法适应方法 |
2.1.3 集成学习方法 |
2.2 多视图学习 |
2.2.1 特征级融合算法 |
2.2.2 决策级融合算法 |
2.3 本章小结 |
第3章 基于策略融合的多视图多标签学习算法 |
3.1 引言 |
3.2 算法模型 |
3.3 模型优化及求解 |
3.4 实验设置 |
3.4.1 实验数据集 |
3.4.2 性能评价标准 |
3.4.3 对比方法 |
3.4.4 参数敏感性分析 |
3.5 实验结果分析及讨论 |
3.6 本章小结 |
第4章 基于视图共享和特有特征的多视图多标签学习算法 |
4.1 引言 |
4.2 SS-MVML模型设计 |
4.2.1 多标签特有特征提取 |
4.2.2 多视图共享特征提取 |
4.2.3 多标签预测 |
4.3 实验 |
4.3.1 实验设置 |
4.3.2 实验结果与分析 |
4.4 本章小结 |
第5章 总结与展望 |
5.1 本文总结 |
5.2 研究展望 |
参考文献 |
致谢 |
附录A(在学期间发表的学术论文与研究成果) |
四、文本倾向识别的置信度估计(论文参考文献)
- [1]自动驾驶智能系统测试研究综述[J]. 朱向雷,王海弛,尤翰墨,张蔚珩,张颖异,刘爽,陈俊洁,王赞,李克秋. 软件学报, 2021(07)
- [2]人类肠道菌群结构与疾病关联关系预测系统的设计与实现[D]. 郑承昊. 哈尔滨工业大学, 2021
- [3]元认知支架对在线视频学习的影响研究[D]. 刘洋. 华中师范大学, 2021
- [4]弱监督细粒度图像识别技术研究[D]. 闵少波. 中国科学技术大学, 2021(09)
- [5]基于调度采样的神经网络机器翻译研究[D]. 刘宜进. 北京交通大学, 2021
- [6]基于自适应学习的卫生统计学学习系统研究[D]. 陈泳欣. 北京协和医学院, 2021
- [7]人机协同机器学习[D]. 丁尧相. 南京大学, 2020
- [8]物联网设备识别方法的研究[D]. 许顺轶. 东南大学, 2020
- [9]基于主位推进模式的科技文本翻译策略 ——《机器翻译质量评估》(节选)翻译报告[D]. 曹梦莹. 广东外语外贸大学, 2020(08)
- [10]基于决策级融合策略的多视图多标签学习算法研究[D]. 曾静. 湘潭大学, 2020(02)