深度学习支持下多模态学习行为可解释性分析研究

当前,学习行为分析已成为研究热点.基于大数据技术挖掘学生的学习行为特征,能为学习过程的改善、学习评价的优化提供重要依据.然而,现有研究却存在分析数据类型单一、实时性不强、结果准确度不高、缺乏可解释性等问题.文章从利用深度学习算法进行多模态学习分析入手,采用HDRBM(Hybrid Deep Restricted Boltzmann Machine,深度混合判别受限玻尔兹曼机)神经网络模型,建立多模态学习分析模型,为教育技术领域中利用多模态大数据挖掘学习者行为特征提供了新范式;接着从可解释性分析的角度,阐述利用深度学习算法进行多模态学习行为分析的算法设计与实现过程;通过实验表明,研究中所采用的方法与技术路线对提高学习行为分析的可解释性有较好成效.     

玻尔兹曼熵和克劳修斯熵的关系

在开系中研究了热力学与统计物理中玻尔兹曼熵和克劳修斯熵之间的关系.在热力学平衡态条件下,对于玻尔兹曼系统、玻色系统和费米系统,玻尔兹曼熵和克劳修斯熵是等价的.这一结论比其他学者用其他方法[1]所得的结论更具有普遍意义.     

重力场中稀薄气体的密度分布：对玻尔兹曼分布律公式的商榷和改进

重力场中的理想气体密度随高度减小,其分布规律服从玻尔兹曼分布律公式.按照玻尔兹曼分布律公式,无论高度如何,理想气体密度不会降低为零,即重力场中理想气体没有上边界.然而,有明显的证据可以证明这一结论是不正确的.文章认为:玻尔兹曼分布律公式是不精确的,其误差起源于重力场中容器顶部稀薄理想气体的不连续性,即不能将稀薄气体再看作连续介质.文章讨论了这一误差的产生原因并提出了对玻尔兹曼分布律进行改进的初步修正公式.     

改进深度置信网络在城市用水量预测中的应用

城市用水量的准确预测可以为供水管网智能调度、异常报警提供支持,便于及时发现漏损、排查及检修,具有极大的现实意义与经济利益。针对现有用水量预测方法忽视用水量数据自身特征及不能模拟更复杂的数学运算的问题,提出一种改进深度置信网络（DBN）的用水量预测方法。对有高斯分布的连续受限玻尔兹曼机（CRBM）引入稀疏正则项,解决特征同质化现象的同时也适用于用水量数据输入。实验结果表明,在实际用水量预测中,改进DBN模型相比传统神经网络和传统DBN预测模型,预测准确率得到了较大的提高。     

架起分子世界和宏观物质世界的桥梁——科学殉道者玻尔兹曼

路德维希·玻尔兹曼 (LudwigBoltzmann ,1 844—1 90 6)是奥地利著名物理学家 .1 844年出生于维也纳 .1 866年从维也纳大学毕业 ,获维也纳大学哲学博士 .曾是斯特藩 (J.Stefen ,1 83 5— 1 893 )的学生和助教 .历任格拉茨大学、慕尼黑大学、维也纳大学、莱比锡大学教授 .1 876年任维也纳物理研究所所长 ,他用毕生精力研究分子运动论 ,是经典统计物理学的奠基人之一 .玻尔兹曼是科学原子论初创时期的主要建立者和捍卫者 .玻尔兹曼给出了“熵”的微观含义 ,建立了统计力学 ,架起了联系微观分子世界和宏观物质世界的理论桥梁 .玻尔兹曼是第一…     

基于深度信念网络的个人健康评估模型

随着大众对健康认知的提升,体质检测所采集的基本健康信息以及生理参数指标数据呈指数级增长。基于医疗大数据技术,提出对收集的生理健康数据进行前期预处理和特征提取,通过运用反向传播网络和受限玻尔兹曼机,提出一种基于深度信念网络的个人健康评估模型。该模型能通过训练大量人体健康参数信息,将个人健康评估结果分为3类9级：Healthy（A、B、C）,Sub-Healthy（D+、D、D-）,Unhealthy（F+、F、F-）,评估出个人健康危险因素与健康状态之间的量化关系。     

曲率驱动的各向异性扩散图像修补AOS数值解法

基于Perona-Malik的各向异性扩散提出曲率驱动的图像修补模型,探讨并利用可加算子分裂方法实现快速求解。所提模型通过选择适当的参数,使得扩散强度能更好地适应图像细节变化。实验结果显示了较满意的图像修补效果。     

基于自适应约简相关向量机的光照色度估计

提出了一种新的自适应约简相关向量机回归算法来估计图像的光照色度以达到色彩一致性目的.在稀疏贝叶斯学习的框架下,该算法首先以多核形式自适应结合全局核函数和局部核函数扩展相关向量机,然后应用改进的保局投影来约简多核输入矩阵的列维数以减少训练时间.为了估计光照色度,通过图像色度直方图的模糊中心值和其相应光源值训练算法.基于真实图像的实验表明所提算法优于支持向量机和相关向量机且其训练时间小于相关向量机.     

玻尔兹曼统计力学的结构及其所包含的物理思想和方法

本文以玻尔兹曼统计力学为例,探讨了如何构筑一个物理理念的结构,如何发掘一个物理理论的物理思想和方法等问题。在教材教法研究中,本文不仅是对玻尔兹曼统计力学的一个初步探讨,还可以作为学习和研究玻尔兹曼统计力学的参考资料。     

PN结物理特性及玻尔兹曼常数测定仪设计

阐述了PN结的物理特性,及根据PN结的物理特性测定玻尔兹曼常数的原理．设计出具有测量PN结的伏安特性、玻尔兹曼常数,实现PN结测温、温控等功能的“PN结物理特性及玻尔兹曼常数测定仪”．通过相关实验检测分析论述了仪器的可靠性．     

基于图像修补技术的污点自动侦测及去除方法

利用相机可以在相同污染条件下反复拍摄的特点,本文提出一种根据参考照片来自动侦测照片中的污点并利用图像修补技术将污点去除的算法.实验表明,该方法能够在不丢失原始图像信息的情况下有效地去除数字照片中的污点,复原效果良好,该算法能够有效地解决单反相机感光元件污染的问题.     

熵的两种表述的等价性

自普里戈金从玻尔兹曼方程出发证明热力学第二定律之熵增加原理,克劳修斯熵表述和玻尔兹曼熵表述在平衡态统计和非平衡态统计里都具有等价性。熵作为热力学的最基本概念被广泛应用于各个领域,比如宇宙理论、信息理论、生命科学、控制理论、概率论等。该文尝试以最简单的单原子分子理想气体系统为基础,以玻尔兹曼分布为出发点,从正反两个方向严格推证平衡态下克劳修斯熵表述与玻尔兹曼熵表述的等价性,基于此进一步说明平衡态下H函数与熵的一致性。     

PN结特性的数学表达及其推导

应用热力学统计中玻尔兹曼分布律对PN结两个特性关系式进行推导,加深初学者对PN结原理的理解.     

机床导轨面破损的修复实践

常用普通机床导轨基本是采用铸铁(HT200、HT250为多)或以铸铁为基体制造,本文通过对机床导轨面破损产生的几种原因及常用的补焊修复方法的介绍和分析,确定机床导轨面破损传统修复方法应用上存在的局限性原因。同时利用铸件破损修补机,在进行了实践操作和分析后,说明用铸件应用破损修补机修复机床导轨面破损是符合质检标准的,进一步分析证明对机床导轨面的破损修复可以运用铸件修补机进行,且在实践中是值得推广的一项技术。     

基于改进样本块的数字图像修复算法研究

针对已有的基于样本块的纹理合成修复算法存在修复误差累积高的问题,重点研究了一种改进的基于样本块的数字图像修复算法。通过块匹配法与边缘驱动填充顺序的结合、全局搜索与局部搜索的结合,充分发挥修补过程中填充优先权的作用,有效地修补了图像受损区域的纹理和结构信息。仿真实验结果测试表明,与已有的传统算法相比,受损图像的修补更加完善,修复的误差累积得到了较好的改善。     

PN结物理特性及玻尔兹曼常数测定仪设计

阐述了PN结的物理特性，及根据PN结的物理特性测定玻尔兹曼常数的原理．设计出具有测量PN结的伏安特性、玻尔兹曼常数，实现PN结测温、温控等功能的“PN结物理特性及玻尔兹曼常数测定仪”．通过相关实验检测分析论述了仪器的可靠性．     

气体浮力定律的微观解释

阿基米德定律(即浮力定律)指出:浸在液体里的物体,受到向上的浮力.浮力的大小等于物体排开液体的重量.它不仅适用于液体,也同样适用于气体.本文通过经典的玻尔兹曼分布律,推证气体的阿基米德定律,并通过一个实例,在一定的近似条件下,验证该结论的正确性,从而气体浮力产生的原因,得到了明确的微观解释.在统计物理中,由玻尔兹曼分布律,可以得出在重力场中,气体分子数密度按高度的分布n=n0e-mgz/kT.(1)其中z为距地面的高度,n0为z=0处的分子数密度,m为气体分子的质量,k为玻尔兹曼常数,T为热力学温度.设一高为H、底面积为S的长方体箱子,下表面…     

基于图像处理的自动铺砖机设计

当前我国城市化进程不断加快,道路硬化需求急剧增大,为减少施工人力成本,提高施工效率,设计一种高效智能的自动铺砖机.设备包括图像处理部分、机械结构部分和控制系统部分.通过摄像头采集道路图像,进行图像灰度处理,二值化,提取轮廓,获取道路宽度;将识别到的道路宽度信息,通过串口传输给STM32控制模块;STM32控制模块根据道路宽度自动调节两侧挡板宽度,实现砖块宽度的自动调节,并利用地心引力原理进行铺砖.将图像采集技术应用于铺砖机设计,提高了铺砖机的智能化和自动化程度.     

图像检索中基于最大信息获取量的主动学习算法

本文提出一种基于内容的图像中的主动学习算法. 首先用支撑向量机学习得到初始查询概念, 然后用相似性测度对其进行检验, 选取信息量最大的样本来请求用户标记, 最后在相关反馈的迭代优化过程中获取用户的图像查询概念. 算法通过支撑向量机二值分类器与相似性测度2种不同学习模型的融合, 来减轻它们各自所存在的模型偏置. 实验结果显示, 所提算法能够显著提高图像检索的精确度, 在少量的反馈迭代之后即能准确地获取目标概念.     

谈谈“玻尔兹曼分布律”的教学

以前在《热学》中讲解“玻尔兹曼分布律”时,基本上沿着教材所提供的线索讲,主要步骤为:(一)在麦克斯韦速度分布律的基础上考虑到分子在保守力场中的势能而引入玻尔兹曼分布律的数学表达式:(1)式中,m:分子的质量;∈_k:分子的平移动能;∈_p:分子在保守外力场作用下的势能;K:玻尔兹曼常数;