动态在线序列ELM算法

本文提出一种在线序列学习过程中不断调整网络结构的算法,克服传统在线序列ELM一旦学习开始便无法对其网络结构做任何更改的困难。结合ELM已存在的改进算法,探寻适合在线序列ELM算法网络结构的调整策略。动态在线序列ELM算法可以解决在线序列ELM目前面临的挑战。     

极限学习机(ELM)网络结构调整方法综述

从原始ELM算法和增长结构ELM算法(I-ELM)的基本思想与基本理论出发,分析其优点与不足,概括基于不同角度所改进的网络结构调整方法,包括结构增长型算法、结构递减型算法和自适应型算法三大方面.最终对极限学习机(ELM)中网络结构的各种调整方法进行综述,为相关研究者提供该研究方向的发展历史和最新结果.     

学习者在线学习能力模型构建的实证研究

数字化学习时代,对学习者在线学习能力的测量是实现个性化在线学习的关键。目前,数字化学习领域中,人们更加关注学习者的成绩,却往往忽略影响学习成绩的重要因素——在线学习能力。因此,文章依据Sampson能力模型及影响学习过程的因素,对在线学习行为进行数据挖掘,以构建在线学习能力模型。在此基础上,综合应用非监督学习算法（K-means算法、PCA算法）和监督学习算法（随机森林算法）,构建学习能力水平预测模型;同时以Canvas Network平台课程数据为例进行实证研究,最终实现在线学习能力的计算。研究表明：学习成绩与在线学习能力息息相关,在线学习能力的测量研究对个性化在线学习的发展具有重要指导作用。     

在线学习理论研究的现状与趋势--基于SSCI数据库（1994-2013年）的科学计量分析

从概念出现到广泛应用,近20年来对在线学习的理论研究不断深入,并逐渐成为理论界关注的热点话题。通过检索SSCI数据库（1994-2013）20年间有关在线学习理论研究的相关文献,从中选择被引频次最高的30篇文献构建引文数据库及同被引矩阵进行科学计量和社会网络分析。研究结果表明,目前在线学习理论研究分为特色鲜明的四大领域,各领域内部及相互之间具有较强的关联性,整个在线学习理论研究体系处于知识的线性积累阶段,朝着成熟与稳定的方向发展,并具有十分广阔的发展前景。     

一种基于思维进化算法的极限学习机及其应用

极限学习机(Extreme Learning Machine,ELM)是一种新型的单隐含层前馈神经网络,与传统神经网络训练方法相比,ELM具有泛化能力好、学习速率快等优点。但随机产生的输入权值和阈值,往往会出现一些作用很小或"无用"的值,为了达到理想精度,通常需要增加隐含层节点数。思维进化极限学习机使用思维进化算法MEA优化输入权值矩阵和阈值向量,再利用MP广义逆求出输出权值矩阵,从而减小隐含层节点数,增大网络预测精度。通过函数拟合仿真实验,并同ELM算法和BP神经网络算法比较,思维进化极限学习机算法可以用较少的隐含层节点数实现更高的精度。     

大学生在线知识建构行为及序列模式分析

为解决新时代下各种复杂问题,当代大学生应该具备知识建构能力,特别是学生能够通过在线协作平台不断进行提问、解释,从而共同解决问题并进行知识创造。由于学习过程数据可从在线学习平台获得,使得分析大学生知识建构的动态发展及序列模式成为可能。上海某高校教育技术专业的27名三年级学生参与了课程学习,并利用在线论坛进行了一学期的协作交互,共发帖787条。本研究采用内容分析法对所有帖子进行编码,利用滞后序列分析得到该课程三个协作阶段的编码行为序列。研究发现,随着协作的深入知识建构的层次逐渐提升,在不同协作阶段会出现不同的序列模式。分析在线学习行为及序列模式有助于教师更好地诊断影响学习结果的潜在问题,从而调整教学策略以促进其知识构建过程。     

基于行为序列分析的建筑类高职学生在线学习特征研究

智慧教育是信息化教育应用的一个新范式,学习分析技术也必将在智慧教育发展中随着大数据应用产生不可预估的价值。通过分析行为序列这一主流的学习分析技术,结合聚类分析、相关分析对高职学生在线学习课程行为序列和参与模式进行了实证探索,得出在线学习行为序列频次和与成绩显著相关的行为序列,参与模式划分为低投入型、浅层次投入型、目标投入型和深层次参与型四类。最后对在线课程教与学过程、有效的行为序列、学生的最佳参与模式和在线课程设计进行讨论总结,以期对高职院校学生在线学习的分析、评估、改进提供参考和借鉴。     

行为数据分析视角下Moodle平台在线学习力研究

在线学习如今成为人们获取知识的一种重要方式,但许多研究表明,在线学习者的学习效果不理想,很大程度上与学习者的在线学习能力有关。在已有文献基础上界定在线学习力概念与发展模型,综合Moodle平台学生实际学习情况,尝试将行为数据分析技术应用于学生在线学习力分析中。采用滞后序列分析方法可从学习行为序列角度分析学习者在线学习过程中的学习行为,从而在一定程度上评估在线学习力各个维度的能力体现情况,以期为教师教学与学生学习提供指导,达到优化学生在线学习效果的目的。     

数字化时代在线学习行为结构及其作用机理研究——自我调节理论视角

数字技术与数字社会的高速发展为教育结构变革注入力量,在线学习研究成为推动中国教育数字化转型的重要领域。合理全面地识别与分析在线学习行为是厘清在线学习活动规律、顺应数字化时代发展之基石。让学生在线学习时保持学习行为参与进而实现良好的自我调节是一项重要的科学问题。基于自我调节理论,从计划、表现和反思三个阶段系统梳理在线学习行为,采用随机森林算法精细化识别最能影响在线自我调节学习的关键行为,并利用解释结构模型方法分析在线自我调节学习的行为结构,进一步揭示数字化时代在线学习行为对自我调节学习的作用机理。研究成果提供了对在线自我调节学习行为涌现及其演化规律的新见解,为未来开展灵活、精准、个性化的大规模数字教育提供理论与实践依据。     

基于知识结构化程度与学习者在线学习成熟度的在线学习分类研究

随着教育数字化的加速推进,在线学习已成为当前和未来教育的重要组成部分,多种实践样态正在快速发展。作为一个专业化实践领域,在线学习由哪些基本类型构成？对这一问题的研究是帮助教师根据不同情境选择合适的在线学习模式,从而有效设计在线学习、保障高质量学习发生的关键。本研究在分析在线学习实践发展趋势、分类研究的基础之上,基于交互距离理论,从知识结构化程度和学习者在线学习成熟度两个维度构建在线学习分类框架,将在线学习分为教师主导的主题式学习、教师引导的合作研创学习、同伴驱动的群体生成性学习、算法生成的智适应学习四类。同时,结合相关理论和典型实践案例,从知识类型、学习者类型、核心交互、教师角色、满足的需求、技术特点、支撑理论七个维度对四类在线学习的特征进行了总结。最后,本研究对新冠疫情期间的在线教学进行了反思,并展望了未来在线学习的发展。希望本研究能够深化实践者对在线学习的认识,帮助设计者根据知识的结构化程度和学习者在线学习成熟度综合考虑、选择并设计合适的在线学习。     

极端学习机FIR滤波器的设计

极端学习机作为单隐层前向神经网络的一种典型学习算法,学习速度快,泛化能力好,在函数逼近和模式分类领域都有广泛应用。本文把极端学习机的应用拓展到滤波器的设计当中,通过对数字信号处理中实例的计算机仿真,验证该算法设计的FIR滤波器具有较好的性能,能够取得理想的滤波效果,通带与阻带边界频率容易精确控制,且初始条件随机给定,算法速度快。     

SVM方法在滚动轴承故障诊断中的应用

SVM方法是在统计学习理论的基础上发展起来的一种新的机器学习算法,它是统计学习理论的具体应用．讨论了SVM方法在故障诊断领域中应用的分类算法,并以滚动轴承为例进行了试验论证．     

虚拟学习社区中自主学习活动研究:元认知视角

元认知包括对认知的知识、认知的体验和认知的监控及调节三个方面,其核心思想是对认知过程的自我调节。学习不仅仅是认知过程,同时也是对该认知过程进行积极监控及调节的元认知过程。元认知被认为是自主学习的关键过程,是促进学习的关键要素。虚拟学习社区(简称VLC)中的自主学习活动是其学习活动的核心内容之一,是其他学习活动(如协作学习活动)开展的基础。文章从VLC、元认知和学习的内部心理机制及规律出发,研究元认知视角下的VLC中自主学习活动和学习环境设计,提出了VLC中自主学习活动的元认知调控内部循环过程模型和基于元认知的自主学习活动过程模型以及基于元认知和自主学习活动的VLC学习环境功能模型。     

基于机器学习的医疗大数据分析与临床应用

医疗大数据指数目庞大、增长迅速、结构复杂、隐藏价值高的数据。机器学习技术能够有效分析医疗大数据的内部联系,对疾病的早期诊断及预后具有重要临床指导意义。阐述了机器学习技术在医疗大数据中的应用及研究进展,包括在大数据分析中的回归分析、决策树、基于内核的算法、降低维度算法等浅层机器学习算法模型,卷积神经网络、循环神经网络、自动编码器、深度信念网络等深度学习算法模型,以及各个算法模型的临床应用,分析了机器学习在医疗数据挖掘中的应用前景和存在的技术难题。     

支持向量机及其应用研究

文章在分析统计学习理论和支持向量机理论的基础上,分别从人脸检测和识别、说话人/语音识别、网络入侵检测、手写体数字识别及其他应用研究等方面对SVM的应用研究进行了综述,并讨论了SVM的优点和不足,展望了其应用研究的前景。     

我国网上学习社区研究现状——基于中国期刊网的分析

近年来,人们对网上教学的理解逐渐从借助网络平台传递教学资源,到强调促进师生和生生之间互动与交流,促使学习社区的形成,而使网上学习社区的理论和实践研究日趋成为一个热门课题。然而研究现状如何,如何提高现有研究水平,未来研究的趋势和方向是什么,是我们不得不考虑的几个问题。本文以2000-2007年8月期间中国期刊网数据库中的网上学习社区相关论文为研究对象,采用内容分析法,从论文主题、研究方法和研究类型三个方面进行统计分析,旨在得出我国网上学习社区研究的现状和趋势,并对未来的研究提出了相关建议,以期对网上学习社区的研究者和实践者提供一定的参考。     

一个关于行动学习的建议性理论框架——基于中国本土企业的扎根理论研究

行动学习作为一种具有变革意义的学习范式．在对传统学习模式反思批判的基础上,提出了一种新的、替代性的学习路径。然而．当前对于行动学习的研究多侧重于操作层面或执行层面的“工具性”研究,将其看作是一种培训（学习）工具,关注其流程与操作的方法。而忽视学习活动过程的理论层面研究,尤其是缺乏基于中国国情的相关理论研究。因而。立足于中国本土企业推行的行动学习实践,采用规范的扎根理论研究方法,从个体、团队与组织三个学习层面,建构行动学习的“连续统一体理论模型”,不仅丰富了现有学习理论的基础,也为行动学习实践提供了理论指导。     

一种新的红外图像人体检测算法

提出一种新的红外图像人体检测算法并实现。首先采用灰关联分析理论从单幅红外图像中获取边缘轮廓清晰的人体候选区域,然后融合边缘方向梯度直方图特征、区域密度特征及人体形状特征来描述人体候选区域,以提高区域特征的描述准确性,最后使用支持向量机分类器对目标进行分类,在不同的红外图像测试集中进行实验,结果表明,所提出的算法识别效果良好,并具有一定的鲁棒性。     

基于神经网络的数字广播信号无线定位算法(英文)

为了提高非视距(NLOS)环境下无线定位的准确性和可靠性,提出了一种利用数字广播信号进行移动台定位的神经网络方法.该方法利用神经网络的学习特性和逼近任意非线性函数的能力,建立到达时间(TOA)和到达时间差(TDOA)测量数据与坐标之间的映射关系.将神经网络的连接权值作为非线性动态系统的状态量进行估计,用基于扩展卡尔曼(EKF)的实时神经网络训练算法来训练多层感知器网络.由于基于EKF的训练算法给出的是连接权值的近似最小方差估计,其收敛性要优于误差反向传播(BP)算法.仿真结果表明,该算法在NLOS环境下有较高的定位精度,性能优于BP基的神经网络算法和最小二乘算法;且该定位方法不依赖于特定的NLOS误差分布,也无需视距(LOS)和非视距识别.