误差渐减在线序列ELM算法

提出一种既能改变网络结构又能不断添加新数据的学习算法,克服了在线序列ELM一旦开始学习便无法调整网络结构的困难。基于在线序列ELM算法的基本思想和理论及目前面临的难点,结合已存在ELM及改进算法,探寻适合在线序列ELM算法的网络结构调整策略。误差渐减在线序列ELM算法可以解决在线序列ELM目前面临的挑战,且所提算法理论实验方面均切实可行。     

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.     

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。     

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。     

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。     

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。     

基于数据挖掘技术的学习系统构建研究

设计了一个具有自动调整试题难度系数功能的在线学习系统,该系统由学习工具、知识库、教学资源、帮助学习等模块组成。由n位教师对试题难度系数赋初始值,推导出确定难度系数初始值的加权算法;将学生在线练习的信息写入数据库,根据练习成绩修改难度系数,形成对难度系数的反馈机制;应用线性回归预测学生下次练习成绩,由预测成绩自动调整难度系数以符合学生的实际学习情况;学生使用学习系统提高了学习成绩。     

基于残差网络的图像超分辨率算法改进研究

图像超分辨率重建算法的主要内容是使用低分辨率的图像信息生成高分辨率图像。近年来,随着深度学习和卷积神经网络的发展,出现了很多基于卷积神经网络与残差网络的超分辨率算法。为了解决这些算法参数数量过多、处理过程复杂、训练时间长等问题,结合现有残差网络模型和深度学习算法对其进行改进,包括调整网络结构,减少需要学习的参数,以及去除批归一化层,降低计算复杂度。改进后的网络模型能够取得更好的效果,生成图像的主观和客观评价有一定提高。     

基于改进的级联相关算法的系数定税预测

BP神经网络在非线性建模上具有强大的功能,但是其网络结构的选择需要经验,缺乏科学性.级联相关算法是一种优秀的构造方法,实现了网络结构的自动调整,但是其网络训练速度很慢,样本预测精度还有待提高.针对于此,提出一种改进的级联相关算法.在该算法中,网络结构起始于适当的隐结点数目,通过折半筛选算法动态调整每批新增最佳隐结点数目,还通过反向传播来修正各层结点的权值和阙值.最后,将该算法应用到系数定税建模实验中.实验证明,该算法比标准的级联相关算法网络训练速度大大提高,预测精度也更高,更适用于系数定税预测建模.     

基于判别信息极限学习机的高光谱遥感图像分类

极限学习机（ELM）以其高效、快速和良好的泛化性能在模式识别领域得到广泛应用,然而在高光谱遥感图像分类中,极限学习机算法不能较好地利用数据蕴含的判别信息,限制了ELM的分类性能。为此,提出一种基于判别信息极限学习机（IELM）,IELM继承了极限学习机的优势,并在一定程度上解决了极限学习机在有限高光谱遥感图像数据样本中学习不充分的问题。高光谱遥感图像分类实验结果表明,该算法具有较好的分类效果。     

学习分析技术支持下的教师在线学习行为特征分析

在线学习已成为教师专业发展的主要途径,参加学习的人员规模大、行为表现复杂。为了探析教师在线学习行为的群体特征,该文以Y市四期教师在线培训为例,应用统计分析、序列分析、关联规则、社会网络分析等方法,从学习活跃、学习投入时间、学习行为序列、社会交互四个方面分析了教师在线学习行为的群体特征。研究发现:教师在线学习活跃性较高;在线学习时间投入充足;在线学习目的性较强且行为活动方式简单;社会交互情况不够理想。因此,建议实施在线学习与线下集中研讨相结合的混合式教师培训,培训安排与支持服务、学习内容与活动设计应符合教师在线学习规律,并提供有效的技术脚手架和干预机制,以期提高教师培训效益。     

基于全脑模型的在线学习者学习行为序列分析

基于全脑模型,文章首先将D大学教育技术学专业参与Moodle平台"计算机网络"课程学习的102名在线学习者分为逻辑型、组织型、交流型和空想型等四种思维类型;随后,文章利用GSEQ软件,采用滞后序列分析法,分析了不同思维类型学习者的学习行为序列,并重点解读其转化路径,得出结论:逻辑型学习者、组织型学习者的学习行为序列均为网状结构,前者更为关注学习内容,而后者更为关注学习任务;交流型学习者、空想型学习者的学习行为序列均为线性结构,前者更为关注同伴信息,而后者更为关注学习结果。基于此,文章最后针对基于全脑模型的在线学习提出了相关建议,以期为在线学习平台设计、路径和资源推荐、深度学习引导提供参考,并推动在线学习的进一步发展。     

贝叶斯网络结构粒子群优化学习算法

提出一种信息论结合粒子群优化的贝叶斯网络结构学习算法,将约束最大信息熵作为最高评分函数,对网络结构进行复杂度约束,设计了粒子位置和速度向量的操作方法,解决单纯利用KL距离进行搜索的缺陷。在网络结构的搜索空间相对较大的情况下,该优化算法能在较短的时间内收敛,获得更准确的网络结构。仿真实验结果表明,该算法在时间和精度上都具有较好的效果。     

基于Tiny-yolov3的行人目标检测研究

为了改善传统行人检测算法鲁棒性差、检测精度不高、实时性差、训练环境对硬件依赖性强的缺点,基于Darknet框架,使用Tiny-yolov3目标检测模型,在原有模型基础上,通过强化行人特征、改进算法网络结构,并不断调整学习率、动量、权重衰减系数等超参数,将模型放在混合数据集上进行实验.实验结果表明,基于Ti?ny-yol...     

在线学习者学习行为特点的初步探讨

近些年来,在线学习在我国的远程教育领域蓬勃发展,各级电大、网络学院以及高校都积极开展各种基于互联网的在线学习.但在教学实践中,由于师生之间的时空分离状态,导致学习过程中缺乏对学习者及其学习行为的持续有效关注,学习者的在线学习活动经常不能按照教学预期来实现.本文在对在线学习的教学案例进行分析和研究的基础上,结合问卷调查和访谈等研究方法对在线学习过程中学习者的学习行为进行研究.研究发现,学习者在在线学习这种开放自主的学习环境下,完全有可能按照自己的学习需求,依据具体教学内容的知识网络结构,实现自主学习活动.在教学中,教育者应关注学习者的特点和需求,有效组织和设计在线学习活动与学习资源,恰当应用信息技术,优化学习者的在线学习环境.     

一种缩小NLOS误差提高室内跟踪精度的融合算法

针对扩展卡尔曼滤波器（EKF）在室内环境中,非视距（NLOS）传播对 EKF 跟踪性能产生很大影响这种缺陷,提出一种基于极限学习机（ELM）和 EKF 的融合方法。ELM 使用 EKF 的状态信息对测量值进行分类,确定受 NLOS 误差影响的传播路径,然后利用该路径训练的 ELM 对测量值进行校正。实验结果表明,该算法与传统算法相比精确度提高了 43.2%,可以有效缩小 NLOS 误差。     

基于在线被动-主动学习的多特征融合图像分类

提出了基于在线被动-主动学习的多视觉特征自主加权组合算法。该算法在模型训练阶段预先依据视觉特征与图像类别之间的相互关系赋予恰当的权值,减少了多特征组合的计算复杂度。通过推导出在线被动-主动学习算法的闭式解,提出的算法在满足确保图像分类准确度的同时,提高了多特征组合的执行效率,降低了基于直方图交核学习算法的计算复杂度。与多核学习算法相比,基于在线被动-主动学习的多特征融合图像分类算法在保持图像分类准确度的情况下,所需的计算时间只有多核学习算法的10%左右。     

基于FLPP的极端学习机人脸识别方法

极端学习机(ELM)训练速度快、分类率高,已被广泛应用于人脸识别领域,但是在实际问题中由于数据具有较高维数,导致ELM在有限样本下存在学习不充分的问题。传统对数据进行有效维数约简的方法,没有考虑到数据之间判别信息和小样本问题。为此,提出一种强制性保留算法（FLPP）,以保持全部样本与局部样本之间的几何结构,同时类间离散度矩阵加入判别信息,因此避免了样本点重叠和小样本问题。实验结果表明,该算法有效提高了极端学习机的泛化性能和分类准确率。     

基于Bagging与超限学习机的脑力负荷识别模型

为了提高脑力负荷分类准确率,提出一种将Bagging和极限学习机相结合的集成算法。用极限学习机（ELM）作为底层弱分类器,通过多数投票方式决定最终类别的标签,从而构建最终强分类器。实验结果表明,在脑力负荷识别研究问题上,该集成算法的分类准确率在4个被试数据集上分别达到了96.17%、96.02%、92.50%和93.50%。相较于传统的ELM算法,分类准确率在4个被试数据集上分别提升了1.59%、1.34%、2.86%和1.80%。并且新算法在精确率、灵敏度和特异度等评估标准上均高于传统ELM分类器。