阶段学习

摘要： 上海新一轮考试招生制度改革的一个显著突破口就是学生自主选学选考。针对高中学生实施的选课、走班学习,怎样在课时量减少情况下保证甚至提升教学质量,促进学生全面而有个性的发展,是高中化学教师面临的新课题。调查发现,虽然笔者所在学校是上海市重点高中,但不少学生步入高中阶段学习化学感到困难,主动性缺失。究其原因是因为高中化学与初中相比有了明显的变化。

摘要： 音乐可以帮助学生消除厌学情绪,激发学生学习热情,并有助于健康人格塑造,在素质教育不断深入的过程中,音乐成为学生在小学阶段学习的一门重要学科,而游戏符合学生的天性,是学生认识世界的重要手段,因此将音乐游戏应用到小学音乐教学中十分契合,笔者结合自身的教学经验,阐述如何利用音乐游戏,提高小学音乐课堂教学趣味性。

摘要： 作为一项专门对学生各个阶段学习情况进行系统化和信息化管理的重要管理工作内容,学籍管理工作是实现学生学习信息科学化、现代化搜集、整理和运用的前提和基础。在看到学籍管理工作有序开展的同时,我们也要认识到当前学籍管理工作开展过程中所存在的有效性低下的问题。

摘要： 初中是一个很特殊的学习阶段，这个时段的学生们才从小学的玩乐式学习转换到初中阶段性的学习，习惯的培养是很重要的。然而，很多时候学生们都还是以小学的学习姿态去面对初中的学习生活，导致了学习效率不高，学了总是学不会的情况发生。

摘要： 数学在高考分值中占有很大的比重,学科重要性不言而喻,学生对高中数学知识点的充分掌握,有利于提高学生对数学科目的兴趣,也为学生在接下来的学习阶段中数学与物理结合的知识点的学习起到基础性作用.对于高中阶段的学生来说,数学学科分值对他们高考成绩具有决定性的作用,面对高考的压力,高中数学解题技巧能帮助学生充分吸收所需知识点并对成绩提高具有实质作用,在提高学生学习积极性的同时增强了他们的信心,帮助他们顺利步入大学.本文通过归纳总结的方式列举了一些高中数学解题技巧,希望能为广大高中生在夯实基础、数学提分、兴趣组建等方面提供帮助.

摘要： 在初中阶段学习解分式方程确实是一个难点,因为它没有一种固定方法,只能是因题而论,因此有的学生往往感到吃力,为了帮助学生们学习好分式方程,本文用四道例题介绍一类分式方程的解法,供学生们参考!

摘要： 考试不是评判学生的唯一标准,但它的确是检测学生一阶段学习成果的一种手段、一种方式。苏州市2017届高三期初调研卷第17题引发了笔者的思考。[原题]工业的发展历程是人类社会进步的历程,有人用下图形象地概括了二个多世纪以来的工业化历程。

摘要： 小学数学课是让学生认识客观事物,形成方法和理论,并进行广泛应用的初级课程。更好地提升小学生的数学能力培养他们的思维方式,是新型教学模式下,教师应该研究和探讨的重要内容。自主学习和教师引领是两种截然不同的教学方式,前者是学生本身要具备极强的自主学习能力和基础,而教师引领是布局合理实施有效方法开发学生能力成长的有效途径。

摘要： 随着网络技术的不断发展,多媒体走入到了课堂教学之中,教学中教师利用多媒体视频、音频、图片等功能,去丰富课堂教学,不但可以提高学生的学习兴趣,教学效率也会一进步提升。在本文中笔者将对多媒体技术为基础的小学英语教学提出以下建议。

摘要： 本发明提供了一种结合快速表示学习和语义学习的睡眠阶段分期系统，包括信号采集单元、数据预处理单元、信号处理单元和预测结果处理单元；信号采集单元包括EEG信号采集模块和知识数据采集模块，分别用来获取原始EEG信号和睡眠阶段分期的相关知识；数据预处理单元包括特征预处理模块和知识预处理模块分别对采集的EEG信号和知识数据进行预处理；信号处理单元包括表示学习模块和语义学习模块呢能够有效的提取EEG信号特征和与睡眠分期相关的语义特征并得到两个分类结果；最后通过预测结果处理单元将得到两个分类结果加权融合得到最终结果。该系统提高了训练和预测速度，有效利用了信号特征和语义特征大大提高了睡眠阶段分期的准确性。

摘要： 本发明提供了一种基于零样本学习与对比学习的睡眠阶段分期方法，包括以下步骤：S1：获取原始脑电EEG、肌电EMG、眼电EOG生理信号并进行处理；S2：获取睡眠阶段分期相关的语义信息；S3：对生理信号及语义信息进行手动匹配；S4：数据集划分：将S3中匹配好的生理信号及语义信息组划分为训练集、验证集和测试集；S5：预训练：将S4过程中得到的训练集输入到基于零样本学习与对比学习模型中进行预训练，并利用对比学习对基于零样本学习与对比学习模型进行微调；S6：对睡眠阶段分期进行预测。本发明解决了现有技术中睡眠阶段评估准确率低的问题。

摘要： 本发明提供了一种结合快速表示学习和语义学习的睡眠阶段分期系统，包括信号采集单元、数据预处理单元、信号处理单元和预测结果处理单元；信号采集单元包括EEG信号采集模块和知识数据采集模块，分别用来获取原始EEG信号和睡眠阶段分期的相关知识；数据预处理单元包括特征预处理模块和知识预处理模块分别对采集的EEG信号和知识数据进行预处理；信号处理单元包括表示学习模块和语义学习模块呢能够有效的提取EEG信号特征和与睡眠分期相关的语义特征并得到两个分类结果；最后通过预测结果处理单元将得到两个分类结果加权融合得到最终结果。该系统提高了训练和预测速度，有效利用了信号特征和语义特征大大提高了睡眠阶段分期的准确性。

摘要： 本发明提供了一种基于深度学习的双阶段卫浴陶瓷缺陷检测方法及设备，方法为将标注了目标缺陷信息的原始标注文件划分为第一标注数据集和第二标注数据集；并对第二标注数据集进行网格划分并剪裁，滤除仅包含背景的图片，获得缺陷图片数据集；依据原始标注文件和缺陷目标相对于原始图片的坐标偏移值，获取缺陷图片对应的标注文件，从而形成标注缺陷图片数据集，将第一标注数据集和标注缺陷图片数据集分别划分为训练集和测试集后，分别输入深度网络模型进行训练，并利用训练模型对待测目标进行缺陷检测，完成缺陷类型的识别与定位。本发明方法能够很好地抑制背景信息对检测结果的干扰，并且能够提高检测速度，满足工业现场应用精度和速度需求。

摘要： 本发明属于大数据技术领域，具体为一种基于模仿学习和数据增强的两阶段半监督群组发现方法。本发明通过种子选择‑种子扩张来完成群组发现任务，即给定少部分已知群组，识别出网络中其余与之相似的群组；种子选择阶段，建模种子选择器为回归器，并在已知群组中提取参与群组数量不同的节点对，以成对方式训练回归器，选择位于潜在群组内的节点作为种子节点；种子扩张阶段，建模种子扩张器为决策器，并在已知群组中提取出种子扩张轨迹，使用模仿学习训练决策器，并针对扩张阶段序列决策容易发生级联错误问题，通过数据增强辅助决策器的训练，通过正确决策完成由一个种子节点到一个局部群组的扩张过程。本发明有效提升了输出群组结果的准确性。

摘要： 本发明涉及一种基于深度学习的多阶段轻量级人群计数方法，包括以下步骤：A、根据采集到的人群视频监控数据构建训练数据集；B、构建人群计数模型并设置模型训练参数；C、训练人群计数模型；D、在训练过程中计算人群计数模型的评价指标，若评价指标小于设定值，则保存模型参数并执行步骤E，否则执行步骤C继续训练；E、获取同场景下的人群视频，对视频隔帧进行模型预测，实时统计场景中的人数并展示人群密度图。与现有技术相比，本发明利用深度可分离卷积和多尺度思想结合，在能够保证人群计数效果的前提下，提高了模型的计数效率，使其更具有实用性。

摘要： 本发明属于烟叶晾制技术领域，公开了一种基于增量学习的雪茄烟烟叶晾制工艺阶段识别方法，提出了基于SGD逻辑分类算法，采用增量学习的模式对烟叶晾制工艺阶段进行识别的融合模型，该模型可结合晾制房采集的晾制数据特点对数据进行预处理和特征选择，通过增量训练的学习模式，逐步提高判断晾制工艺阶段的准确度，优化烟叶晾制的流程，缓解烟农的工作压力，提高烟叶的经济效益。本发明为烟叶数据特征填补大量有效信息，提高了后续模型预测准确度，解决晾制数据中大量噪声的问题，提升了模型训练效率；实现实时、快速判断晾制工艺阶段，同时模型利用后续数据增量再次学习，以此改进烟叶晾制工艺，实现远程、智能、精准晾制。

摘要： 本发明公开了一种基于多任务学习的手术工具和手术阶段识别方法，包括：1)收集微创外科手术视频并处理得到图片序列数据集；2)利用Backbone网络共享中间层对图片序列数据集中的手术工具和手术阶段进行初步特征提取，得到的初始特征图作为后续特征增强模块的输入；3)使用特征增强模块对初始特征图进行特征融合；4)利用双头分类器分别得到手术工具和手术阶段的识别结果，双头分类器其中一个分支使用Sigmoid激活函数计算得到手术工具的预测结果，另外一个分支使用SoftMax函数计算得到手术阶段的预测结果。本发明通过共享手术工具和手术阶段的特征信息实现互补，充分捕获手术工具和手术阶段之间的关联信息，同时对这些特征信息进行多尺度融合，增强深层语义特征的几何表达。

摘要： 本发明涉及一种基于改进宽度学习的两阶段式月度用电量预测方法，属于电力预测技术领域，包括获取历史用电量数据并进行划分、将日用电量数据拆分成七个时间序列、选取相关性最高的前8个时刻的最大负荷时间序列最为模型的输入、建立IPSO‑BLS预测模型和预测最终的月度用电量五个步骤。本发明模型简单，预测速度快，使用两种不同分辨率的历史数据，使得最终的预测结果同时考虑到不同时间尺度的历史数据以及影响因素，从而提高了模型的预测精度；通过IPSO对BLS的两个参数进行寻优，可以使BLS预测模型始终工作在预测精度最优的状态，克服了BLS网络的特征节点和增强节点由经验来确定而导致的对模型预测精度的不良影响。

摘要： 本发明涉及一种通过使用自适应超参数的多阶段学习对机器学习网络进行设备上学习的方法，包括：(a)当新的学习用数据满足设备上学习条件时，将当前学习分为第1阶段学习至第n阶段学习，生成第1阶段学习用数据至第n阶段学习用数据，基于多个超参数中每一个的默认值生成第1超参数集候选至超参数集候选，训练所述机器学习网络，选择性能最高的所述机器学习网络，生成为第1自适应超参数集；(b)生成第(k_1)超参数集候选至第(k_h)超参数集候选，使用第k阶段学习用数据来训练，选择性能最高的所述第(k‑1)阶段学习的机器学习网络，生成第k自适应超参数集；以及(c)生成第n自适应超参数集，进行第n阶段学习，从而完成所述当前学习。