分层学习

摘要： 文本生成是自然语言处理的一项重要任务.针对生成的文本大多缺乏多样性,且当生成文本过长时,文本生成的质量会有明显下降的问题,提出了一种采用Sentences and Words(SW)奖励机制的传递向量文本生成对抗网络.首先,为生成器提出了层次结构设计,包括传递特征向量训练模块和生成向量训练模块,同时传递判别模型中真实文本特征向量给生成器的传递特征向量训练模块,由此来提高长文本生成的准确率,生成向量训练模块接收其生成词序列;然后,在训练过程中,使用关系存储核心代替传统的长短期记忆循环神经网络模型作为生成器,提高了模型的表达能力和捕获信息的能力;最后,采用SW奖励机制提高文本生成的多样性.实验结果表明,分层学习的多奖励文本生成对抗网络(Generation Adversarial Network Based on Hierarchical Learning with Multi-reward Text,HLMGAN)模型在合成数据负对数似然度和双语互译质量评估辅助工具指标中均有所提升.

摘要： 当前的初中英语教学应该摒弃传统英语教学中的统一教学模式,鼓励教师在初中英语教学中“因材施教”,基于合作学习展开英语分层教学。英语学科的学习不仅仅是一种语言学习,更是培养学生的学习能力,初中生在英语学习中知识水平和能力水平有较大的差异性,所以教师在教学中应该有意识地帮助学生分成几个符合自己学习能力的小组进行区别教学,能够使所有初中生的英语水平提高。本文将论述初中英语教学的现状和基于合作学习展开英语分层教学的策略。

摘要： 整本书阅读的分层学习需要教学各环节的共同支持3整本书阅读单元作业的结构设置与具体内容应当体现分层学习的形态与内核。本文以《高中语文必修下册练习部分》第七单元《红楼梦》整本书阅读练习为例,对单元作业进行分析与优化,思索作业优化的原则,为有效进行分层学习赋能。

摘要： 针对列车自动运行系统(ATO)运行时受停车能耗性,舒适性等问题的约束,提出一种基于分层学习黄金正弦-鲸鱼优化算法的列车自动驾驶速度曲线优化方法;根据列车运行的优化目标和约束条件,建立列车的多目标优化模型,并对列车运行策略进行了分析。对算法的种群框架结构进行细分,将种群划分为三层,根据不同阶层的个体采用不同的优化策略,对适应度值高的个体采用黄金正弦搜索策略进行局部位置更新,适应度值一般的个体采用鲸鱼优化算法进行位置更新,适应度值较差的个体采用随机搜索模式进行位置更新;最后,将改进算法应用于ATO系统速度曲线多目标优化。实验表明,改进鲸鱼算法在列车运行速度优化的精确性、准时性、能耗性等方面均有较大的改进。

摘要： 在《跨越式跳高》的教学中,由于技术动作较难并具有一定的危险性,学生普遍存在害怕、恐惧、憷杆等现象,影响整个教学过程的开展。为了更好地解决学生对《跨越式跳高》学习的恐惧心理,笔者采取以游戏化学习、分层学习、多维评价为主的教学模式,让学生从恐惧到喜欢学习跨越式跳高。

摘要： 由于存在诸如CPU运算速度慢,电池容量低等问题,智能移动设备本身无法执行计算需求大的应用程序,需要借助边缘计算技术来降低程序对移动设备硬件的要求。然而将部分计算任务从移动设备传输给边缘服务器,会带来额外的传输能耗和服务器计算能耗。综合考虑影响移动设备和服务器,以及数据传输能耗值的四个因素,即移动设备的计算速度,下载数据功耗,数据卸载百分比和剩余网络带宽占,提出一种基于分层学习的粒子群算法,优化每台移动设备对于这四个参数的取值,更合理分配计算资源使得总能耗最小。对计算资源建模时,还考虑了最大能耗、计算周期、存储、带宽和延迟约束条件。与其他算法进行对比实验发现,通过分层学习优化的粒子群算法,能更快速地获得满足约束条件具有更低能耗的资源调度最优解。

摘要： 在搜救领域中,透过程序完成半自主或自主飞行控制,无人机能够协助救难人员更好地完成救援任务。搜救任务中涉及到多个目标间的搜索,相比于单目标的搜索问题,需要更复杂的算法或是奖励重塑形式,才能改进其稀疏奖励的问题。此外,搜救任务比起一般的强化学习问题,更讲究时效性。如何利用搜救的先验知识对算法进行改进,从而提高完成任务的效率和训练时间,是机器学习应用的研究重点。针对搜救任务背景,研究了无人机在多目标问题下的路径规划问题。基于分层学习的概念对已有的深度强化学习算法进行了改进,提出了适用于多目标任务的深度强化学习算法——MTDDPG。该算法结合环境分区和奖励重塑,利用环境分区对搜救场景进行简化,从而缩短训练时间,再通过奖励重塑的方式提升任务完成的效率,提升了MTDDPG算法在多目标搜救任务上的训练速度和效率。利用程序仿真设计三个实验对算法进行验证,并基于不同的先验信息对环境进行建模实验,对比不同算法在多目标任务中的实验结果。此外,根据先验信息的完整与否,对比MTDDPG在不同先验信息完整度的场景下训练的结果,结果表明MTDDPG在多目标搜救任务上,可以有效地解决搜索问题,完成指定的搜救任务。

摘要： 随着社会与科技的飞速发展,信息化教学已经逐步深入到现代教学的各个角落,伴随着教师与学生对教学方式 变革的渴望,小学英语信息化教学应运而生。小学英语信息化教学与传统教学方法相比有着巨大的优势,人工智能教育和 智慧学习空间是教育信息化发展的最前沿和主阵地。因此,本文将探讨利用“口语100”智慧学习空间对学生进行分层学习 指导。

摘要： 高中化学课堂教学中学生的自主探究学习能力的培养极其重要。课堂自主学习是对化学课堂教学主动性学习的一种检测,是高中学生对化学学习的一种模式,它将有助于提升高中学生的学习效率和能力。它以学生自主学习为主,充分利用现代学校教学资源,通过提出合理有效的措施来进一步提高学生的自主学习能力,提高学生化学实验课堂的教学质量。从而使教学效率有效提高。

摘要： 英语是一门语言学科,而传统的英语教学方式始终是以教师为课堂主体,相反学生则成了客体,只是一如既往地被动学习,时间久了学生会越来越不爱学习,教师也会越教越辛苦,久而久之使学生在学习中大感辛苦。因此,为改变这一现状,应当开展小组合作学习,通过小组合作的形式让学生进行合作交流学习,挖掘学生的潜在学习潜力,提高课堂学习的效率与质量,从而使其回归语言学科属性。

摘要： 本文主要讨论多智能体系统中的机器学习问题,提出了个体学习和群体学习两个概念以及这两个概念为出发点来分析、研究MAS系统的方法.同时给出了该方法在RoboCup足球机器人仿真系统中的具体应用及实验结果,验证了其可行性与有效性.

摘要： 本文主要讨论多智能体系统中的机器学习问题,提出了个体学习和群体学习两个概念以及这两个概念为出发点来分析、研究MAS系统的方法.同时给出了该方法在RoboCup足球机器人仿真系统中的具体应用及实验结果,验证了其可行性与有效性.

摘要： 本文主要讨论多智能体系统中的机器学习问题,提出了个体学习和群体学习两个概念以及这两个概念为出发点来分析、研究MAS系统的方法.同时给出了该方法在RoboCup足球机器人仿真系统中的具体应用及实验结果,验证了其可行性与有效性.

摘要： 本文主要讨论多智能体系统中的机器学习问题,提出了个体学习和群体学习两个概念以及这两个概念为出发点来分析、研究MAS系统的方法.同时给出了该方法在RoboCup足球机器人仿真系统中的具体应用及实验结果,验证了其可行性与有效性.

摘要： 本文主要讨论多智能体系统中的机器学习问题,提出了个体学习和群体学习两个概念以及这两个概念为出发点来分析、研究MAS系统的方法.同时给出了该方法在RoboCup足球机器人仿真系统中的具体应用及实验结果,验证了其可行性与有效性.

摘要： 本文主要讨论多智能体系统中的机器学习问题,提出了个体学习和群体学习两个概念以及这两个概念为出发点来分析、研究MAS系统的方法.同时给出了该方法在RoboCup足球机器人仿真系统中的具体应用及实验结果,验证了其可行性与有效性.

摘要： 本文主要讨论多智能体系统中的机器学习问题,提出了个体学习和群体学习两个概念以及这两个概念为出发点来分析、研究MAS系统的方法.同时给出了该方法在RoboCup足球机器人仿真系统中的具体应用及实验结果,验证了其可行性与有效性.

摘要： 本文主要讨论多智能体系统中的机器学习问题,提出了个体学习和群体学习两个概念以及这两个概念为出发点来分析、研究MAS系统的方法.同时给出了该方法在RoboCup足球机器人仿真系统中的具体应用及实验结果,验证了其可行性与有效性.

摘要： 本发明提出一种基于因果关系驱动的分层强化学习框架，包括：因果关系发现模块，用于获取智能体的强化学习环境中各环境变量之间的因果关系，并构建为因果关系图；子目标分层结构构造模块，用于根据该环境变量的变化函数，构建分层强化学习的子目标集合，选取该环境变量中的可控变量，通过该因果关系图从该子目标集合中选出与该可控变量关联的子目标为可达子目标，以所有该可达子目标的逻辑关系为该分层强化学习的分层关系。还提出一种基于因果关系驱动的分层强化学习方法，以及一种数据处理装置。

摘要： 一种不完美信道信息的分层异构蜂窝网络下稳健分层博弈学习资源分配方法，属于无线通信技术领域。针对现有分层异构网络的干扰控制问题研究大多都是基于理想化的完美信道信息和随信道不确定度变化带来的用户收益减少的问题，该资源分配方法提出了一种基于鲁棒双层斯坦伯格博弈的离散策略资源分配方案。通过鲁棒处理和经济性约束的方式在保证宏蜂窝用户的QoS(服务质量)的前提下，使得上层蜂窝对于下层小微蜂窝的频谱共享进行收费，最大化上层的效用，使得频谱利用的高效性和稳健性得到最佳的折中。相比只假设信道信息完美的资源分配方式，该方法使整个系统可随着信道变化情况，自适应获取优越的策略选择结果，使得系统获得稳健收益和QoS保证。

摘要： 一种系统和方法，用于产生分层树网络，并且使用线性加非线性学习算法来形成关于成员的健康状态的一致视图。在所述分层树网络中的每个叶子在临床特点、经历时段和可用数据资产上同质。对于每个叶子执行优化，以便可以对于每个叶子特有的本地特点定制特征和学习算法。

摘要： 本发明涉及一种用于工业工厂机器学习系统的分层机器学习的计算机实现的方法，包括以下步骤：由机器学习单元(10)接收(S10)拓扑模型(T)，所述拓扑模型包括关于在所述工业工厂(20)的组件之间的层级关系的结构信息；其中所述组件包括所述工业工厂(20)的传感器的数据信号(S)和分级单元(A、SU)，其中所述分级单元(A、SU)包括所述工业工厂(20)的资产(A)、工厂子单元(SU)、工厂单元和工厂部分；由所述机器学习单元(10)使用接收到的所述数据信号(S)和接收到的所述拓扑模型(T)来确定(S20)包括多个层级(Lb、Li、Lt)的表示分层结构(H)，其中所述表示分层结构(H)包括针对多个接收到的所述数据信号(S)中的每一个的信号表示(AE1,1)和针对不同层级上的所述分层单元(A、SU)中的每一个的分层表示(AEA、AESU)；其中较高层级上的每个表示(AEA、AESU)表示较低层级上的一组表示(AEA、AE1,1)；其中所述信号表示(AE1,1)和所述分层表示(AEA、AESU)中的每一个包括机器学习模型；由所述机器学习单元(10)使用所确定的分层表示(AEA、AESU)来训练(S30)所述机器学习单元(10)的输出机器学习模型(11)。

摘要： 本发明公开了一种基于确定学习与深度学习的心肌缺血危险分层方法。本发明采集常规12导联心电图信号，基于确定学习理论对浅层心电信号蕴含的内在心电动力学特征进行神经网络建模、辨识，得到心电信号内在动态特征，运用深度学习框架下的卷积神经网络实现对心肌缺血的危险分层。本发明方法首次联合使用了确定学习动态建模方法与深度学习分类方法，并应用于心肌缺血的早期危险分层，基于常规12导联心电信号，不需附加新的检测设备，简单方便、容易操作。确定学习方法提取到对缺血状态更敏感的动态特征，而深度神经网络能够自主学习数据特征，不用进行进一步数据刻画，降低了系统的复杂度。

摘要： 本发明提供了一种分层充填管柱、分层控水管柱以及分层充填分层控水工艺，涉及完井技术领域，分层充填管柱包括充填工具、多个旁通筛管以及连接在任意相邻两个旁通筛管之间的旁通封隔器，旁通筛管与旁通封隔器密封连接；充填工具与最上方的旁通筛管密封连接。分层控水管柱包括控水组件和分层充填管柱；控水组件位于分层充填管柱内。分层充填分层控水工艺包括将旁通封隔器与旁通筛管连接形成工具串，将连接好的工具串与充填工具连接，将充填工具和充填服务工具下放到位后，然后进行准备工作；实施充填工作；充填完成后，起出充填服务工具；下入分层控水管柱。分层充填管柱、分层控水管柱以及分层充填分层控水工艺达到了充填作业容易的技术效果。

摘要： 本发明公开了一种基于边缘计算节点打分表的深度学习模型分层卸载方法，属于边端协同计算技术领域。本发明离线获取边缘集群中各边缘计算节点算力参数，可提取每个计算节点的算力综合分数并做归一化处理得到总分，根据各个计算节点的总分形成打分表；同时离线统计深度学习模型各层计算量大小，通过统计参与推理的深度学习模型每一层计算量的大小情况并对其分区，根据不同边缘计算节点对不同计算量大小的计算能力差异，然后依据此分类对边缘计算节点打分表划分区间，从而合理的分配给计算能力充足的边缘计算节点，最终提高边缘集群中节点的资源利用率、降低计算时延。本发明可以降低整体时延的同时保证数据安全性和提高边缘节点资源的利用率。

摘要： 本发明公开了一种基于分层联邦学习的电力负荷预测方法、装置及介质。方法包括：在离线阶段，首先将客户端分成本地客户端和中间层服务器。在本地客户端对采集的气象和时间信息进行预处理后，利用长短期记忆神经网络（LSTM）进行回归学习，得到电力负荷的预测模型和对应的权重系数。在中间层服务器利用联邦学习中的FedAvg算法对深度学习网络参数进行加权聚合，形成初步的电力负荷预测模型。最后通过本地服务器进行加权聚合，形成最终的电力负荷预测模型。该方法具有结构简单，预测精度高的优点。

摘要： 本发明涉及一种基于分层网络表征学习的工业设备事件检测方法及设备，所述方法包括：获取待检测事件数据，通过一预训练的分层网络表征学习模型，获得属性表征和映射关系，从而获得与待检测事件对应的事件表征，将所得事件表征与所有正常和异常事件的簇心计算欧氏距离，将待检测事件归类为距离小的一类。与现有技术相比，本发明具有更强的异常检测能力和鲁棒性。

摘要： 本发明公开了一种基于深度分层强化学习的组内合作智能体控制方法，包括：步骤一、根据所有智能体自身观察的状态信息，利用上层强化学习算法对所有智能体划分小组；步骤二、根据划分的小组，构建组内合作网络，建立组内联合值函数；步骤三、将所有组内联合值函数经过QMIX混合网络融合，得到全局联合值函数，完成值分解操作。