框架图

摘要： 数学概念是数学知识的基础,也是数学学习的重要内容。学习数学概念需要学生自主探究概念的内涵与外延,是自主建构知识的过程。理解是数学概念建构的前提条件,学习概念不能靠教师的机械讲授,也不能靠学生的死记硬背,而要学生在充分理解的基础上进行有意义的建构。图式是一种框架图,也是一种思维模式,图式分为动作图式、表象图式、思维图式等类型,图式表达有助于理解抽象的数学概念,有助于概念的系统化与结构化,学习图式表达是理解数学概念的"助推器"。下面笔者结合教学实践,谈谈图式表达在数学概念学习中的应用。

摘要： 近年来,我国公共卫生突发事件频发,对公共卫生安全构成严重威胁,特别是2020年初爆发的新型冠状病毒疫情,因此,建立区域公共卫生应急医疗中心标准化建设的指导方案,规范建设标准,切实提升区域医疗中心应对突发性公共卫生事件的能力显得尤其重要。其主要建设内容标准如下:一、成立区域公共卫生应急医疗中心建设标准化项目小组为切实加强对区域医院公共卫生应急医疗中心标准化项目建设工作的领导,成立项目建设领导小组,明确救治体系中各核心相关部门职责,并构建区域公共卫生应急医疗中心建设标准框架,标准框架图1所示。

摘要： 圆是整个初中数学平面几何的综合,它把几何里面的点、线、面、体和代数里面的数糅合在一起,圆满地完成了整个初中数学的知识框架图.在考查圆时,应该将所学知识灵活应用,才能找到解题方法.

摘要： 目的 探讨翻转课堂教学模式在医学细胞生物学教学实践中的应用效果.方法 研究时间为2019年2—7月,通过随机数字表法将西安医学院2018级全科医学本科专业的178名学生分为对照组和教改组,每组89名.对照组以传统教学模式授课,教改组进行翻转课堂改革.对照组和教改组均通过在线课程学习记录、随堂选择题测验、实验成绩、绘制知识点框架图、调查问卷5种方式进行教学效果评价.结果 教改组学生在线课程成绩、随堂选择题测验成绩、实验成绩、细胞结构功能图成绩均高于对照组,差异有统计学意义(P<0.05).调查问卷结果显示,教改组课程认可度、课程启发性、教学设计合理性、学习态度转变、学习方法培养、实践能力培养、教师指导力度评分均高于对照组,差异有统计学意义(P<0.05).结论 与传统教学比较,翻转课堂能让学生明确学习目标,在促进学生对知识内化吸收的同时,进一步锻炼学生学以致用的实践能力,让学生变被动学习为主动学习.

摘要： 《义务教育数学课程标准(2011年版)》对本章的要求如下:能根据具体问题中的数量关系列出方程,体会方程是刻画现实世界数量关系的有效模型……所以会列方程是本章的主要任务.在实际教学过程中,教师多次归纳或学生总结得出本章的知识框架图,如下。

摘要： 在英语教学中,课文复述起着举足轻重的作用。但在日常的英语课堂中,课文复述环节往往流于形式,既不能有效地帮助学生理解课文,也无法检测学生对课文的掌握程度。为解决这个问题,研究者采用框架图的课文复述方式,通过分析基于框架图课文复述训练的五个基本特征和其在实际课堂中的具体应用,有针对性地为学生提供帮助、搭建支架,为一线教师运用高效的复述策略提供参考。

摘要： 文章根据安徽省公路工程标准分布状况,分析行业标准体系适用性,从政策、发展、现状及需求的角度,研究公路工程标准体系影响因素,根据粗糙集理论筛选关键影响因素指标进行量化,提出相应的评价模型进行标定,采用问卷调查以及综合打分的方法,对标准体系内容和结构进行论证,通过继承板块、论证模块、细化要素,构建安徽省公路工程标准体系框架图.

摘要： 本文借鉴全面质量管理理论，研究和构建了“高校内部教学质量监控体系”( university internal teachingquality supervise system, UQS )，并列出了基本框架图，探讨了该监控体系的特点，包括突出“全”字，如全员参与、健全体制等；强调“必”字，如各工作环节必须到位、学校教学质量标准体系必须科学等；落实“效”字，如专业建设成效显著、实验室建设成效明显等。

摘要： 本发明提供一种基于分布式并行图计算框架的配电网原生图建模方法，包括：获取配电网设备信息，建立配电网设备节点；获取配电网设备属性信息，建立配电网设备属性节点；根据配电网设备节点的连接点，建立配电网设备的连接点节点，并连接各配电网设备节点到连接点节点的边结构；建立配电网设备之间的边结构；建立配电网设备节点与地理区域之间的边结构；根据配电网设备节点、电网信息系统节点、配电网设备节点到连接点节点的边结构、配电网设备之间的边结构及配电网设备节点与地理区域之间的边结构建立所述配电网设备的原生图数据模型。本发明将配电网设备间关系描述为图结构，通过分布式并行图计算，可以获得高性能、大规模的配电网分析能力。

摘要： 本发明公开了一种基于多任务学习框架的无偏差动态场景图生成方法，涉及图像处理技术领域，解决最近无偏差场景图生成方法不能同时照顾头部谓词和尾部谓词学习的技术问题，包括以下步骤：将视频输入到目标检测器中，得到视频中图像中实例的视觉特征、语义特征以及空间特征；将图像中实例的特征送入到全局特征学习分支和局部特征学习分支中，通过链接局部特征和全局特征将其场景图生成模型中进行训练；采用多任务学习模型，通过辅助任务动作识别任务的学习对主任务场景图生成任务中的不合理预测进行修正，同时计算所预测的场景图的语义和标注的场景图的语义之间的差距，并用均方差损失和focal损失函数优化。

摘要： 一种用于执行心电图(ECG)分析的方法和设备，该方法包括：接收来自一个或多个导联的ECG数据；基于ECG数据生成图像；基于图像获得特征图；将特征图输入到第一神经网络，该第一神经网络被配置为基于所输入的特征图生成输出；将第一神经网络的输出输入到第二神经网络，该第二神经网络被配置为基于第一神经网络的输出和第二神经网络的先前状态，获得图像的至少一个时间特征；以及基于第二神经网络获得的至少一个时间特征，对包括在ECG数据中的信号进行分类。

摘要： 本发明提供一种基于聚类的图联邦学习的用户位置预测框架，包括如下步骤：S1.用户在本地使用序列预测模型进行训练；S2.用户将模型参数及原始序列数据经过编码器之后的隐含状态上传至服务器；S3.利用隐含状态学习相似图结构；S4.通过图卷积神经网络获得用户的嵌入表示；S5.通过聚类方法将用户分为多个簇，每个簇中的用户执行联邦平均算法；S6.将嵌入表示和平均后的模型参数下载到相应用户，各个用户将隐含状态和嵌入表示进行拼接，之后输出预测结果，并对服务器模型参数进行更新。其优点在于，联邦学习保护了数据隐私；图卷积网络解决标签稀缺所带来的的训练成本不足的问题；图聚类算法使更相似的用户执行联邦平均算法从而解决用户间异构性的问题。

摘要： 本说明书实施例提供了一种支持多引擎框架的图模型任务实现方法和系统，包括图模型任务处理方法和图模型任务部署方法，任务处理方法包括：获取预设数据格式的图数据；从两种以上机器学习引擎和/或两种以上图学习框架中，确定目标机器学习引擎或目标图学习框架；将所述图数据从所述预设数据格式转换为与所述目标机器学习引擎或所述目标图学习框架对应的数据格式，得到目标输入数据；将所述目标输入数据提供给所述目标机器学习引擎或所述目标图学习框架，通过所述目标机器学习引擎或所述目标图学习框架基于其支持的机器学习模型处理所述目标输入数据实现图模型任务。

摘要： 本发明公开了一种基于随机森林的图数据处理框架自动调优方法。该方法包括：构建训练数据集，该训练数据集的每条样本数据表征图数据处理框架的配置参数组合、输入数据集大小与程序运行时间之间的对应关系；基于所述训练数据集训练包含多棵决策树的随机森林模型，并将经训练的随机森林模型作为性能预测模型，用于对不同参数配置组合结合输入数据集大小预测对应的程序运行时间；在配置参数的搜索空间中，利用所述性能预测模型针对不同输入数据集大小，预测由遗传算法产生的不同配置参数的性能高低，进而获得最优配置参数。利用本发明能够感知输入数据集大小，实现深层次、高性能的配置参数自动优化。

摘要： 本发明具体涉及基于半监督图嵌入框架的出行意图预测方法，包括：构建出行意图预测模型；训练出行意图预测模型时，出行意图预测模型首先对出行数据和POI签到数据进行聚合，刻画出语义增强的出行情境，包括起点和终点的POI情境以及时空情境；然后基于图注意力网络提取图结构的POI情境的隐空间特征，得到具备更高级别的POI活动语义的出行数据；最后在半监督框架中，对有标签的出行数据结合其时空情境进行预测，同时对有标签和无标签联合的出行数据进行特征重构，得到对应的预测结果和重构结果；分别计算对应的预测损失和重构损失，并联合训练出行意图预测模型；重复上述步骤，直至出行意图预测模型收敛。本发明能够提高预测模型训练的全面性和有效性。

摘要： 本申请涉及自动驾驶技术领域，提供一种基于图调度框架的车辆数据处理方法、装置和设备，图调度框架包括交替设置的数据层和运行层，每一数据层包括至少一个数据节点，每一运行层包括至少一个运行节点，运行节点用于对上一数据层存储的数据进行处理，该方法包括：每隔预设周期，获取图调度框架中多个运行节点在预设周期内的历史数据；根据多个运行节点对应的历史数据，在图调度框架中增加至少一个控制节点，得到增强图调度框架；根据增强图调度框架中的至少一个控制节点，确定多个运行节点的执行方式；根据多个运行节点的执行方式，调度多个运行节点中的部分运行节点进行数据处理；使得运行节点可以动态运行，提高数据处理的灵活性，减少冗余计算。

摘要： 本发明公开了一种基于分布式类脑图的深度学习计算框架缺陷溯源方法，对待测的深度学习框架训练的卷积神经网络m0构建对应的分布式类脑图Gori；从卷积神经网络m0的每一层中提取关键神经元，得到关键神经元集合；并将关键神经元集合映射到分布式类脑图Gori上，去掉到分布式类脑图Gori中除关键神经元集合的节点和其连边，得到主元模块区Gpath；定义图指标；对主元模块区Gpath进行a次生长，得到a个次元模块区；获得重构模型；定位卷积神经网络m0的缺陷层；若卷积神经网络m0存在缺陷层，待测的深度学习框架的调用算子存在输出不一致的缺陷。该方法具有良好的适用性，能够有效发现计算框架中的潜在缺陷，并对其进行准确定位。

摘要： 本发明公开了一种基于图神经网络的实体对齐的加密计算框架及方法，框架中首先构建了四个用于安全计算的构建块：安全的矩阵乘法构建块、安全的聚合构建块、安全的矩阵点乘构建块和安全的非线性计算构建块；在以上构建块的基础上，提出了安全的实体对齐的框架，该框架包括两个组成部分：安全的前向推理模块和安全的参数更新模块；本发明采用可打包的加性同态结合两方安全计算的技术，首先利用安全的前向推理算法为每一个节点聚合包含其邻接信息的嵌入表示，然年利用安全的参数更新算法来更新实体对齐模型的网络参数，实现实体对齐模型的安全学习过程，不会泄露任何有关节点的信息。