一、“推断”能力的训练（论文文献综述）
刘展,潘莹丽,金美玲[1]（2021）在《大数据背景下网络调查样本的随机森林倾向得分模型推断研究》文中指出随着大数据与互联网技术的迅猛发展,网络调查的应用越来越广泛。本文提出网络调查样本的随机森林倾向得分模型推断方法,通过构建若干棵分类决策树组成随机森林,对网络调查样本单元的倾向得分进行估计,从而实现对总体的推断。模拟分析和实证研究结果表明:基于随机森林倾向得分模型的总体均值估计的相对偏差、方差与均方误差均比基于Logistic倾向得分模型的总体均值估计的相对偏差、方差与均方误差小,提出的方法估计效果更好。
任玉晓[2]（2021）在《地震波速无监督深度学习反演方法及其在隧道超前探测中的应用》文中研究表明随着我国重大基础设施建设逐渐向地下深部和复杂构造区转移,隧道建设过程中突水突泥、塌方等地质灾害频发。开展施工期隧道不良地质超前探测,提前探明掌子面前方不良地质体的分布情况是保障隧道施工安全的有效手段。其中,地震波法因其对界面敏感且探测距离远,已成为最为常用的隧道地质探测方法之一。地震波速的准确求取是制约隧道地震超前探测定位准确性的关键性难题,需开展适用于隧道环境的地震波速分布高效计算方法研究。以全波形反演为代表的传统地震波速反演方法存在计算量大、反演多解性强等问题,尤其是在隧道环境下面临偏移距小、探测数据少等问题,限制了其在隧道探测中的应用效果。近年来兴起的深度学习类地震波速反演方法,具有反演效果好、速度快的优势,引起了学者们的广泛关注。然而,现有深度学习波速反演方法依赖大量真实波速模型,属于有监督学习范畴,在实际工程中真实地层波速分布往往难以获取,制约了其在实际工程中的推广应用。因此,亟需研究提高网络反演能力的有效手段,破解地震波速反演网络对真实波速模型的依赖,实现地震波速的无监督深度学习反演及其在实际工程中的推广应用。针对现有地震波速深度学习反演方法依赖真实波速模型而难以实际工程应用的问题,本文采用理论分析、数值实验和现场试验等方法,基于数据挖掘与物理规律双驱动的思想,提出了“融合背景波速信息以提高网络反演能力,引入物理规律以代替真实波速模型”的地震波速无监督深度学习反演思路。分别开展了基于大样本地震背景波速模型的构建方法、大样本地震背景波速模型的网络融合方法、物理规律驱动的地震波速无监督学习反演方法等研究,最终形成了基于ResIFNet的地震探测数据无监督深度学习波速反演方法。在此基础上,进一步将该方法应用到隧道地震超前探测中,实现了隧道地震数据的无监督深度学习反演。最后,通过现场试验验证了本文方法的可行性和有效性。本文的主要研究工作及成果如下:（1）大样本地震背景波速模型的构建方法。针对地震波速反演对背景波速模型的需求,本文基于贝叶斯反演理论和分层可逆神经网络架构,设计了基于地震数据偏移成像的背景波速构建网络BVNet。该网络具有对波速模型后验概率分布进行随机采样的功能,可以从地震数据获得样本地震背景波速模型。在此基础上,进一步对样本模型进行平滑处理,便可获取质量可靠的大样本地震背景波速模型,为后续地震波速无监督深度学习反演提供可靠训练数据。（2）大样本地震背景波速模型的网络融合方法。为将背景波速信息引入到深度学习反演网络中,降低网络对波速反演映射的学习难度,本文以可逆神经网络生成的背景波速模型为基础,基于非线性问题线性化的思想,设计了地震观测数据残差和背景波速模型多尺度特征提取与融合的波速反演网络ResInvNet。该网络可有效增广训练数据集的规模,提升波速反演的效果,为后续地震波速无监督深度学习反演研究奠定了网络基础。（3）物理规律驱动的地震波速无监督学习反演方法。针对现有深度学习波速反演方法对真实波速模型的依赖性问题,提出了基于地震波场传播物理规律为驱动的波速反演策略,并研究构建了地震波场正演网络FwdNet。随后,将其与ResInvNet相结合,构建了基于物理规律驱动的地震波速无监督深度学习反演网络ResIFNet,形成了地震波速无监督深度学习反演方法,为地震波速深度学习反演在实际数据中的应用提供可行手段。（4）隧道地震超前探测无监督学习波速反演实现与特征。将上述地震波速无监督深度学习反演方法引入到隧道超前探测中,针对隧道地震特殊观测方式和小偏移距观测数据导致的常规深度神经网络难以有效应用的问题,优化波速反演网络,并基于多尺度反演思想改进损失函数,形成了基于观测方式自适应的隧道地震无监督深度学习反演方法。该方法对不同观测方式、含噪等较真实隧道地震探测数据具有较好的适用性,有效改善了隧道地震波速反演的效果。基于上述研究,在珠江三角洲水资源配置工程、山东滨莱高速等隧道工程现场开展了超前探测试验,探测结果较准确的揭示了隧道前方断层破碎带等地质构造以及波速分布情况,验证了本文方法的可行性和有效性。
朱超超[3]（2021）在《基于稀疏卡口监控信息的实时交通模式分析与推断》文中研究说明城市视频监控系统的普及在很大程度上推动了一系列的智能交通服务的发展,其中包含了从个性化路线优化到宏观的城市交通管理等。视频监控信息在城市智能交通的很多应用如城市车辆驾驶优化、路网交通流分析以及城市异常事件检测等方面起到了非常重要的作用。城市交通管理人员通常利用监控设备采集到的交通信息（如交通流量信息）来对城市的相关交通元素进行分析与预测,这样可以用来帮助交通监管部门很好地管理和掌控城市的交通状态,并在一定程度上缓解城市交通状态异常等问题。然而,在大部分城市中,监控设备的部署通常只覆盖在城市的一些关键区域的道路或路口中,并且它们的分布极其稀疏,这也导致了通过监控设备我们只能获取到稀疏的视频监控信息,而利用这些稀疏的监控信息,我们很难去掌控城市整体的交通模式。因此,如何基于已有的稀疏的监控信息来对整个城市的实时交通模式进行分析与推断是目前城市智能交通研究领域一个急需解决的问题。现有的关于交通模式分析的研究工作大多都集中在利用某些特定区域的历史交通元素数据（如交通流量数据）来进行实时的交通元素数据预测。然而,一旦某些区域的历史记录丢失甚至没有历史记录,它们就无法对其进行更进一步的预测,也就是说现有的这些研究工作不能直接用来解决上述的问题。为了帮助城市交通监管部门能够尽量降低部署监控设备的成本,同时还能够实时地掌控城市整体的交通状况,本文提出了一种全新的基于深度学习的方法来解决了上述所提出的基于稀疏卡口监控信息的实时交通模式分析与推断问题。在本文中,我们提出了一种新颖的ST-GAN模型来解决了上述提到的基于稀疏卡口监控信息的实时交通模式分析与推断的问题。首先,我们根据数据分析发现了城市路口出租车流量和路口监控设备得到的交通流量之间存在一定的相似关系。于是,我们在缺少真实的训练数据的情况下借助了第三方的出租车GPS数据并结合使用了随机mask的方法生成了我们ST-GAN模型的训练数据。然后,我们利用处理得到的训练数据对我们的ST-GAN模型中的生成器进行训练,这里的生成器主要包含了 ED-GCN和LSTM两个子模块,其中ED-GCN子模块是用来挖掘城市中路口交通流的空间关系,而LSTM子模块是为了学习城市路口交通流数据本身的时序规律。利用GAN框架独特的生成对抗训练方式来进一步提升模型中生成器的能力。最后,我们利用训练好的ST-GAN模型中的生成器并结合城市中稀疏的路口监控信息来推断城市中没有部署监控设备的路口的交通流量。我们分别使用了苏州工业园区和深圳市两个城市的数据集来对本文提出的ST-GAN模型进行了实验分析与评估。我们首先将ST-GAN模型方法与其它一些基线方法进行了实验对比分析从而来验证我们提出的方法的有效性。相较于基线方法如TISV算法、CT-Gen算法、DAE算法、LR算法在苏州工业园区的推断准确率分别为58.59%、56.0%、66.31%、59.07%,在深圳数据集上的推断准确率分别为58.09%、55.90%、65.01%、58.79%,本文提出的ST-GAN方法在这两个真实数据集上的推断准确率分别达到了 76.09%和74.02%。除了分析各模型算法的推断准确率以外,我们还对各种模型方法在推断误差上进行了实验分析,结果表明我们的模型在两个数据集上均能取得最小的推断误差。最后,为了分析我们设计的ST-GAN模型中每个子模块的重要性,我们还设计并进行了一个合理的消融实验对模型中每个子模块的重要程度进行了量化分析。大量的实验结果均表明了本文提出的ST-GAN模型方法能有效地解决基于稀疏卡口监控信息的实时交通模式分析与推断问题。
张明亮[4]（2020）在《面向异源相机数据的高质量单目场景深度推断》文中研究指明获取稠密的高质量场景深度图像是感知和重建三维场景的一个关键环节,也是计算机视觉领域的一个研究热点。利用单幅图像来获得高质量场景深度信息的方法即为单目场景深度推断。由于该类方法本身是一个不适定问题且可利用的图像信息较少,因而难度更大、更具有挑战性。目前单目场景推断方法根据不同相机数据类型:退化深度图像、彩色图像,可以进一步分为单目深度恢复和单目深度估计两种。其中单目深度恢复方法往往存在模型刻画不精确、目标函数非凸等问题,而单目深度估计方法由于缺乏图像几何约束往往需要大量的深度标签。因此,为了解决基于异源相机数据的单目场景深度推断存在的问题,本文提出了基于稀疏诱导先验的图像分解模型以及结合场景先验知识和网络结构优化的无监督单目深度估计方法,来获取高质量的场景深度图像。其主要研究内容如下:1.基于稀疏诱导先验图像分解模型的单目深度恢复方法。现有的单目深度恢复方法往往不能刻画深度图像在不同区域的本质属性,并且往往不能保证模型目标函数的凸性,从而导致复杂的求解过程。因此,本文提出了一种基于稀疏诱导先验的图像分解模型,该模型从信号分解的角度出发,将深度图像分成平滑区域和深度跳跃区域。然后对于不同的区域分别使用最小二乘多项式和稀疏诱导先验进行拟合,来更加本质地刻画二维深度信号特征。本文提出的基于Moreau包络（envelope）的稀疏诱导先验虽然是非凸函数,但可以证明当满足0<α≤μ条件时,模型的整个目标函数关于每个变量的凸性。提出了基于近端梯度（proximal gradient,PG）与交替方向乘子法（alternating direction method of multipliers,ADMM）混合的模型优化算法,并给出相应的收敛性证明。最后,针对于算法计算量问题,提供了一种加速算法,使得程序测试时间缩短为原来的1/20。在Middleburry数据库上,关于处理深度图像噪声、低分辨率和深度值缺失退化问题的实验结果表明所提出的方法可以达到比其他方法更好的效果,相应的误差指标最高分别减少了 30.5%,21.3%,22.0%,验证了模型和算法的有效性。2.结合场景先验知识的无监督单目深度估计问题研究。目前基于监督学习的单目深度估计方法通常需要大量的真实深度标签作为训练数据。相对地,无监督单目深度估计方法通过利用立体匹配对（双目数据）或者单目视频作为训练数据,然后进行单目深度推断,克服了上述方法的不足。但由于缺乏真实深度标签的监督,其深度推断的数值结果和视觉效果往往不如基于监督学习的单目深度估计方法。为此,本文提出通过结合基于自然场景的先验知识,包括人工设计的先验和可学习的先验,利用注意力机制和矩形卷积分别从不同维度和方向获取特征相关性信息。同时设计了融入几何关系的损失函数来更好地指导网络的训练,并提出了一种可学习近端算子模块通过模仿基于变分模型的近端算法来增强网络初始估计深度图像的边缘和细节。在KITTI数据库上的定性和定量实验表明所提方法取得比现有无监督学习方法更优的深度估计结果。其中3.3实验部分的误差指标最高分别减少了 8.7%和10.5%;而3.4实验部分的误差指标最高减少了29.4%,并且在Make3D数据库上的实验结果的误差指标最高减少了 21.5%,从而表明所提方法拥有更好的泛化性能。3.基于无监督单目深度估计的深度图像精细化以及网络结构优化问题研究。由于目前的网络结构中往往存在大量的池化和下采样操作,导致特征信息的丢失,使得当前基于单个网络得到的深度推断结果通常不能令人满意。并且目前的无监督单目网络其结构设计往往存在局限性,即通常在训练时无法充分利用双目信息。为此,本章节主要包括两个方面的工作,一方面提出了一种基于级联网络结构的图像精细化方法,这种由粗到细的级联网络结构能够充分获得各个水平的互补特征,提高网络的特征表达能力。另一方面,提出了一种单目网络和双目网络相结合的新的网络结构,它可以同时允许单目或者双目图像测试。并设计了一种新的蒸馏机制通过借助于双目图像训练数据的信息来辅助单目图像深度估计,使得单目无监督深度估计网络能够学习到更加精确的几何知识。在KITTI数据库上,通过大量的定性和定量实验表明所提方法比现有的无监督学习方法的效果更好,并且优于一些基于监督学习的深度估计方法。其中,和监督学习方法相比,4.2和4.3实验部分的误差指标最高分别减少了 10.6%和20.4%,从而验证了模型的有效性。
崔洁[5]（2020）在《PIRLS评估框架下小学四年级阅读教学策略运用研究 ——以“整合并解释篇章”能力为例》文中指出小学四年级是学生语文阅读能力养成的关键时期,教师的阅读教学策略运用至关重要。国际教育成就评价协会自2001年在全球范围内开展国际阅读素养进展研究,简称PIRLS,每五年一次对小学四年级学生的阅读素养进行评估,它的评估框架被全球60多个国家或地区接受,并作为培养本国或地区小学生阅读能力的重要参考。本研究选取PIRLS评估框架中的“整合并解释篇章”能力作为研究焦点,以这一能力的五项具体能力为分析维度,探讨小学四年级语文教师的阅读教学策略运用状况。本研究选取S市两所普通公立小学J校、R校,对四年级的4名教师的16节阅读课进行课堂观察,对6位教师进行深度访谈,分析他们在培养学生的五项“整合并解释篇章”具体能力（识别全文信息或中心思想、为人物活动进行其他构想及补充、比较和质疑文章信息、推断故事的氛围以及人物的情感与态度、诠释文中信息在现实世界中的应用）时,运用各种策略的详细过程、次数、类型、特点及存在的问题。正文分为四个部分,一是“整合并解释篇章”能力培养的阅读教学策略运用状况;二是“整合并解释篇章”能力培养的阅读教学策略运用特点与问题;三是“整合并解释篇章”能力培养的阅读教学策略运用影响因素;四是“整合并解释篇章”能力培养的阅读教学策略运用结论和建议。研究发现,第一,PIRLS评估框架对阅读教学策略运用研究具有较强的指导作用;第二,运用阅读教学策略培养不同的阅读能力,策略使用的数量及类型差异较大;第三,阅读教学策略运用注重保障学生的主体地位;第四,阅读教学策略的运用表明教师对“整合并解释篇章”能力培养有较多关注。对教师提出四点建议:第一,积极借鉴PIRLS评估框架指导阅读教学;第二,把握阅读能力的平衡培养,注重学生阅读能力全面发展;第三,应重视对学生阅读方法的指导,保证学生在阅读教学中的主体地位;第四,阅读教学策略的运用要更多结合学生生活体验。希望能给一线教育工作者带来有价值的帮助和启发。
贺渊[6]（2020）在《深度学习辅助的LDPC-BICM接收算法研究》文中指出作为移动通信的空口技术方案之一,联合低密度奇偶校验码的比特交织编码调制（LDPC-BICM,Low-Density Parity-Check Coded Bit-interleaved Coded Modulation）系统凭借强大的纠错能力、逼近香农限的传输性能以及高效灵活的方案实现等优势而备受关注。目前,LDPC-BICM亟待解决几种典型应用场景带来的严峻挑战,诸如异构系统的脉冲干扰、模拟前端的非线性失真以及多用户引起的同频干扰等。上述典型应用场景的干扰、失真等非理想因素将引起符号间干扰或者子载波间干扰,导致LDPC-BICM接收方案的最大后验（MAP,Maximum a posteriori）解调器在计算对数似然比（LLR,Likelihood Ratio）信息过程中产生严重的失配现象,造成解调译码性能的恶化。为应对多元化业务场景和差异化性能需求的挑战,LDPC-BICM系统兼顾传输有效性和系统可靠性的同时,迫切需要借助人工智能领域的深度学习手段赋予接收方案感知能力和决策能力,最终达到增强典型应用场景中解调译码性能的目标。围绕深度学习辅助的LDPC-BICM接收方案,论文的核心内容和研究成果主要包括:1)针对异构干扰场景中的民用航空移动宽带通信系统,论文提出基于高斯混合模型（GMM,Gaussian Mixture Model）的LDPC-BICM接收方案。考虑纠错编码方案的因素,本文提出基于原型图的外附信息转移（PEXIT,Protograph-based Extrinsic Information Transfer）分析的最优脉冲门限方法,并分析编码调制方案配置参数对最优脉冲门限的影响。已知脉冲消隐操作导致软解调过程的信道条件概率不再满足高斯分布,该方案在脉冲门限优化的基础上采用期望最大化算法实现基于GMM模型的信道条件概率建模。根据GMM模型建模,本文提出基于GMM模型的MAP解调器达到提升软信息精度的作用。仿真表明,PEXIT分析工具准确计算最优脉冲门限的同时,该方案凭借GMM模型辅助MAP解调器显着提升软解调性能。2)针对非线性效应下的宽带可见光多载波通信系统,论文提出基于深度前馈网络的LDPC-BICM接收方案NN-BICM。面对发光二极管器件的双边削波导致MAP解调器的信道条件概率难以给出数学解析式的挑战,该方案采用模型驱动策略巧妙结合深度前馈网络的感知能力和LDPC译码器的推断能力,辅助MAP解调器校正失配的LLR信息。为获得迭代增益,本文在NN-BICM方案的基础上提出两种迭代解调译码方案,即译码器反馈到MAP解调器的单涡轮迭代结构和译码器同时反馈到深度前馈网络和MAP解调器的双涡轮迭代结构。实际可见光通信场景中,本文提出适用于NN-BICM方案的功率分配和比特加载策略。仿真表明,NN-BICM和迭代解调译码方案均能够校正失配的LLR信息,并有效突破非线性效应的译码性能瓶颈和显着提升可达速率。3)针对同频干扰场景中的正交频分复用（OFDM,Orthogonal Frequency Division Multiplexing）系统,论文提出基于深度序列模型的LDPC-BICM接收方案。考虑到MAP解调器无法准确描述同频干扰影响的信道条件概率,该方案采取模型驱动策略联合深度序列模型和LDPC译码器。单天线场景中,论文分别提出单子载波网络结构和多子载波网络结构两种方案,辅助MAP解调器提升软解调性能。其中,单子载波网络结构利用深度前馈网络表征单子载波的信道条件概率,多子载波网络结构利用深度序列模型表征子载波间相关性影响的信道条件概率。多天线场景中,该方案利用深度序列模型表征空域维度相关性影响的信道条件概率,辅助MAP解调器增强LLR信息的可靠性。此外,论文提出固定训练模式和随机训练模式的差异化训练策略,并分析同频干扰强度、信道状态信息和高斯噪声三方面的鲁棒性影响。仿真表明,深度序列模型能够充分利用频域和空域相关性,进一步提升信道条件概率的表征能力,增强对抗同频干扰的鲁棒性。
徐得中[7]（2020）在《视频群体行为分析与识别关键技术研究》文中指出视频分析是视频内容的语义理解,它是一个综合性的任务,在视频监控、赛事分析、智能视频检索、人机交互等领域有着广泛的应用。群体行为分析对于有效理解视频内容具有非常重要的意义,也是近年来视频分析领域的研究热点。群体行为是个体行为以及个体间的交互关系的综合表达,因此个体特征表达是群体行为分析的基础。论文围绕群体行为识别任务,在目标检测、目标跟踪、群体行为识别等方面开展研究,具体内容如下:首先,基于锚框（anchor）的目标检测算法存在计算复杂度高、实时性差等缺点,而且离散的锚框存在不能在连续尺度范围内覆盖物体区域等问题。针对上述问题,有研究者通过分配多个离散的锚框来检测具有多个尺度的物体。然而,离散锚框不能覆盖连续尺度范围内所有物体,因而导致性能不稳定。有人试图引入更深更宽的CNN网络和密集的锚框采样策略,在性能提升的同时,也带来了更大的内存空间需求和更低的速度。实际上,研究已经证明可以将CNN输出特征图中的特征点直接映射到原始输入图像,形成对应感受野（RF）。此外,不同级别网络层输出特征图对应的RF能够覆盖特定大小范围。具有相同大小RF的神经元可以预测一定范围内的连续尺度物体,而不是离散尺度,RF可以看成天然的锚框。以此为基础,本文提出了一种基于感受野锚框Ommateum结构的快速特定类别物体检测方法（OS-LFD:Light and Fast Detector with Ommateum Structure）。通过分析有效感受野（ERF）与物体尺度之间的相关性,设计了一个4支路网络来覆盖连续尺度范围的物体。进一步,在每个网络支路设计一个具有相似结构且参数共享的ommateum模块,有效降低了参数数量。实验结果表明,本文提出的OS-LFD方法以较小模型和较快速度实现较高精度目标检测,可以很好地平衡检测精度和运行速度。其次,提出时空域结构感知校准网络（STSAR-Net）的目标跟踪算法,网络能够利用序列模型GRU学习物体内部结构间的依赖关系,对于相似的干扰目标很有判别性,且几乎不增加任何参数量。另外,设计了一个基于LSTM回归模型的时空域校准层,结合目标历史信息进行联合推断,并且在拓展的时空域内对跟踪结果进行校准,能够有效地缓解由遮挡和形变等问题引发的目标丢失问题。对比实验结果表明,提出方法能够达到性能最优。最后,提出一种融合时空注意力和多特征关系表达的群体行为识别算法。首先,将目标表观特征、运动特征和关系特征同时用于视频帧特征表达。其次,为了提取有效的运动特征,用动作损失作为监督信号来微调光流网络。进一步,提出两种类型的推理模型:opt-GRU和relational-GRU,用于有效地编码物体关系和运动表达,并形成可区分的帧级特征表达。最后,提出了一种基于注意力的时域聚合层,将帧级特征加权融合推断群体行为。实验结果表明,各模块都可以有效提升群体行为识别性能。
周佳[8]（2020）在《动态评估理论在阅读素养测评中的运用研究》文中提出经济合作与发展组织最新提出,培育阅读素养的目的之一是激发个人潜能。但自上世纪至今,随着哲学观、智力观和教育观的变化,静态评估暴露出诸多问题,也难以满足评估阅读潜能的需求。在此背景下,集预测、诊断和矫正为一体的动态评估应运而生。对我国而言,构建本土化的阅读素养动态评估具有重要的现实意义。在文献研究中先分析国外动态评估的代表工具,再依据我国课程标准搭建阅读素养评估框架,在此基础上正式开发出八种类型的阅读素养动态评估工具。这八类工具分属干预主义流派和互动主义流派,在设计原则、实施流程和评估报告等方面存有异同。为论证阅读素养动态评估工具的有效性,并比较教师干预、同伴干预和工具干预的效益,开展准实验研究,并辅以问卷调查和访谈调查。经研究发现:阅读素养动态评估的预测功能历经波动期后精准性提高;诊断功能在短期内的准确性较高;矫正功能对提高阅读理解能力、两极发展学生的阅读素养的效果较显着;干预方式中同伴干预的整体效益最佳。因此,阅读素养动态评估的实施具有必要性和可行性,未来可以在班级、学校和区域等不同规模中逐渐推广、不断完善。
辛思佳[9]（2020）在《高二学生数据分析素养现状调查与对策研究》文中认为在信息化社会,数据分析素养不仅是学生通过数学知识的学习所形成的基本素养之一,更是社会对学生所提出的基本要求。对学生数据分析素养的发展水平进行测评,了解学生的发展现状,是衡量学生数学学科核心素养发展是否达标的一项重要任务。基于《课程标准（2017年版）》中对学生数据分析素养三个水平的表现所进行的描述,参照国内外已有的研究,遵循其测评框架的构建思路,构建高中生数据分析素养测评框架。基于构建的测评框架,编制了测试题,并对天津市不同区三所水平较高的240名高二学生进行了调查,收回有效测试卷208份,使用SPSS统计分析软件处理数据。此外,借助访谈来了解一线教师和相关专家学者对进一步提高学生数据分析素养水平的独到见解。通过调查分析发现,高二学生数据分析素养具有以下特征:（1）有87%的高二学生的数据分析素养发展能够达到《课程标准（2017年版）》所要求的高中毕业水平,但是达到水平二的人数不到一半,因此高二学生的数据分析素养还有待提升;（2）高二学生在数据收集能力和模型构建能力上的发展相对较好,而提取信息的能力和数据推断能力总体偏弱,还有很大的进步空间;（3）男女生在数据分析素养的发展水平上无明显差异;（4）高二学生对统计意蕴的感悟以及统计语言的表达能力有所欠缺。在了解高二学生数据分析素养发展的现状及其特征的基础上,吸取已有的相关研究成果以及一线教师的观点,提出高中生数据分析素养的培养策略:（1）挖掘概念本质,提升数据收集能力;（2）发散思维训练,提升信息提取能力;（3）重视原理渗透,提升模型构建能力;（4）训练思维和表达,提升数据推断能力。
丁红发[10]（2019）在《理性隐私保护模型及应用》文中研究说明数据海量化增长、计算云端化、应用多样复杂化等新的变化为安全和隐私带来了巨大挑战,深入理解隐私并实现动态隐私保护变得尤为重要,实现隐私保护与数据效用平衡存在挑战。基于非密码学的隐私研究领域主要有隐私定义与度量、隐私分析与推断以及隐私保护算法等三方面科学问题。这些问题的解决能够有助于该领域完善其基础理论支撑,可在保证其实用性基础上提高隐私定义形式化及度量、隐私泄露机理、隐私保护方案的科学性,为平衡隐私保护与数据效用提供解决路径。针对上述隐私领域的关键科学挑战,本文针对数据开放共享场景,对基于非密码学隐私领域展开隐私度量、隐私分析、隐私保护,以及隐私保护与数据效用平衡研究,以信息论和博弈论为工具,研究理性隐私保护模型及应用,重点通过Shannon信息论构建隐私度量的统一模型和量化方法,并以此为基础对独立序列型数据和关联序列型数据的属性隐私分别构建了隐私分析推断模型和隐私分析强度量化方法,设计了一种风险自适应访问控制模型以实现动态自适应的隐私保护,并结合扩展式博弈和演化博弈分别提出了不同的理性隐私风险访问控制模型,通过访问请求隐私风险函数和数据效用函数实现均衡,以实现数据开放共享隐私保护与数据访问效用间的平衡。具体贡献有:1.基于Shannon通信模型提出了一个隐私定义及量化、隐私分析强度、隐私保护强度等通用的隐私通信模型,对不含敌手的隐私保护、含敌手的隐私保护、多隐私保护源的隐私保护等情境提出了隐私度量模型,以满足对隐私信息、隐私保护强度和敌手隐私分析强度度量需求。对整个隐私保护模型提出了隐私保护强度和敌手攻击强度的量化方法,为隐私泄露量化提供了支撑。2.针对序列型数据共享场景中的独立基因数据属性隐私提出了一种基于概率推断的隐私分析模型。该模型通过对个体基因序列属性值存在的相互关联关系进行分析,构建目标属性值推断的敌手模型。在提出的敌手模型基础上,分别提出了基于改进的隐马尔可夫模型和基于回归卷积神经网络模型的基因序列隐私分析方法。以隐私度量模型为基础,定义了序列型数据属性隐私和量化方法,并应用于量化属性隐私泄露和敌手获取隐私量。实验表明,提出的方法比现有基因序列属性隐私分析模型和算法更优,敌手对属性隐私的错误率、不确定度降低,敌手获得隐私信息量都比已有的工作更优。3.针对家族成员的关联基因序列数据共享场景,构建了基因序列属性隐私概率推断模型。该模型构建了以家族谱系结构和置信传播模型为基础的属性隐私敌手模型,并在所定义的序列型数据属性隐私量化方法的基础上,分析了家族成员共享部分隐私基因数据对其他家庭成员基因序列属性隐私的影响。实验和对比表明,家族成员共享个人基因隐私数据会严重泄露其他家族成员的隐私,通过网络公开基因数据和家族成员共享基因数据可大规模获取家族其他成员的基因属性隐私。所提出的方法比现有工作的结果更优,推断属性隐私的精准率更高,敌手对基因属性隐私的不确定更低,获取的基因属性隐私信息量更多。4.针对数据共享应用的动态隐私保护需求,在XACML上扩展提出了一种面向隐私保护的风险自适应访问控制模型。该模型在隐私保护访问控制敌手模型基础上,在标准XACML框架中新增了策略风险评估、会话控制和风险消减服务三个组件,增强了其他组件。在新增组件中,以Shannon信息熵为工具,提出了访问请求风险定义和量化方法,对访问控制请求风险和用户自身风险结合,提出了访问请求类型判别方法,并通过访问风险量化及基于信用卡模型的激励机制,动态自适应地约束用户访问行为。对比和分析表明,所提出的模型和方法较现有的工作更加动态化,且实现了隐私保护,易用性更好。5.运用Shannon信息和博弈论,提出了基于扩展式博弈的理性隐私风险访问控制模型。该模型在定义了隐私风险和隐私侵犯访问的概念之后,提出了基于博弈论的隐私风险访问控制模型框架和工作流程。利用Shannon信息提出了量化访问请求和用户的隐私风险值计算方法,提出了多轮二人博弈来刻画面向隐私保护的风险访问控制中访问者与数据服务提供者的冲突与合作关系。分析表明,在基于隐私风险访问控制的每一轮博弈中都存在子博弈精炼Nash均衡,可通过限制侵犯隐私的访问请求实现隐私保护与访问数据效用间的平衡,该方法比已有的工作更有优势,需要更少的辅助信息,提供更多的风险适应性和隐私保护强度。6.提出了一种基于演化博弈的理性隐私风险自适应访问控制模型。该模型包含了新的隐私风险量化模块和演化博弈决策模块,首先基于信息量对访问请求的数据集隐私信息量进行量化,构造了访问请求隐私风险函数和用户隐私风险函数;其次,基于演化博弈在有限理性假设下构建多参与者的访问控制演化博弈模型,利用复制动态方程分析了博弈过程中动态策略选择和演化稳定状态形成机理,提出了博弈演化稳定策略的选取方法。仿真实验和对比表明,提出的访问控制模型能够有效动态自适应地保护隐私信息,具有更好的隐私风险适应性,有限理性参与者的动态演化访问策略选取更加符合实际场景。
二、“推断”能力的训练（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、“推断”能力的训练（论文提纲范文）
（1）大数据背景下网络调查样本的随机森林倾向得分模型推断研究（论文提纲范文）
| 一、引言 |
| 二、国内外研究现状 |
| 三、随机森林倾向得分模型的推断方法 |
| (一)随机森林倾向得分模型推断理论 |
| (二)随机森林倾向得分模型推断的算法 |
| 四、模拟分析 |
| 五、实证研究 |
| 六、总结与展望 |
（2）地震波速无监督深度学习反演方法及其在隧道超前探测中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 传统地震波速求取与反演方法研究现状 |
| 1.2.2 深度学习及其在地震波速反演中的应用研究现状 |
| 1.3 目前研究存在的问题 |
| 1.4 主要研究内容、创新点和技术路线 |
| 1.4.1 主要研究内容 |
| 1.4.2 技术路线 |
| 1.4.3 创新点 |
| 第二章 大样本地震背景波速模型的构建方法 |
| 2.1 地震波速贝叶斯反演和可逆神经网络的基本理论 |
| 2.2 基于可逆神经网络的背景波速模型构建方法 |
| 2.2.1 分层可逆神经网络改进 |
| 2.2.2 大样本背景波速模型构建 |
| 2.3 关于背景波速建模的数值实验 |
| 2.3.1 针对波速构建网络可逆性的验证实验 |
| 2.3.2 针对背景波速建模效果评价的测试实验 |
| 2.3.3 针对背景波速建模质量评价的FWI反演实验 |
| 2.3.4 针对较真实数据的适用性测试实验 |
| 2.4 本章小节 |
| 第三章 大样本地震背景波速模型的网络融合方法 |
| 3.1 背景波速模型的网络融合策略 |
| 3.2 背景波速模型的融合网络设计 |
| 3.2.1 背景波速模型融合的解码器网络设计 |
| 3.2.2 背景波速模型的融合网络架构 |
| 3.3 背景波速模型融合有效性的评价实验 |
| 3.3.1 背景波速模型融合有效性的对比实验 |
| 3.3.2 融合网络的敏感性分析 |
| 3.4 本章小节 |
| 第四章 物理规律驱动的地震波速无监督学习反演方法 |
| 4.1 基于地震正演网络的物理规律表征方法 |
| 4.1.1 地震并行计算正演网络设计 |
| 4.1.2 数值实验验证 |
| 4.2 物理规律驱动的地震波速无监督学习反演方法及网络 |
| 4.2.1 物理规律驱动的地震波速无监督学习反演网络设计 |
| 4.2.2 地震波速无监督学习反演梯度计算方法 |
| 4.2.3 基于背景波速引导的反演损失函数 |
| 4.2.4 地震波速无监督学习反演实现流程 |
| 4.3 地震波速无监督学习反演的数值实验 |
| 4.3.1 地震波速无监督学习反演实验 |
| 4.3.2 与传统FWI的对比 |
| 4.4 针对含噪等复杂数据的适用性实验 |
| 4.4.1 针对含噪声数据的反演适用性实验 |
| 4.4.2 针对缺道数据的反演适用性实验 |
| 4.5 本章小节 |
| 第五章 隧道地震超前探测无监督学习波速反演实现与特征 |
| 5.1 观测方式自适应的隧道地震波速无监督学习反演实现 |
| 5.1.1 隧道地震波速无监督学习反演的适用性分析 |
| 5.1.2 观测方式自适应的无监督学习反演网络架构改进 |
| 5.1.3 基于归一化积分的波速多尺度反演损失函数设计 |
| 5.1.4 隧道地震波速无监督学习反演实现流程 |
| 5.2 隧道地震波速无监督学习反演的数值实验 |
| 5.2.1 隧道地震波速反演数据集的构建 |
| 5.2.2 典型不良地质波速模型的反演实验与特征 |
| 5.3 针对含噪等复杂数据的反演适用性实验 |
| 5.3.1 针对不同观测方式的反演适用性实验 |
| 5.3.2 针对含噪声数据的反演适用性实验 |
| 5.4 本章小结 |
| 第六章 工程试验与验证 |
| 6.1 珠江三角洲水资源配置工程C1标段1+357m超前探测试验 |
| 6.1.1 工程概况与地质分析 |
| 6.1.2 探测试验方案概述 |
| 6.1.3 数据处理与反演结果 |
| 6.2 珠江三角洲水资源配置工程C1标段0+621m超前探测试验 |
| 6.2.1 工程地质条件与探测方案概况 |
| 6.2.2 数据处理与反演结果 |
| 6.3 珠江三角洲水资源配置工程C1标段4+102m超前探测试验 |
| 6.3.1 工程地质条件与探测方案概况 |
| 6.3.2 数据处理与反演结果 |
| 6.4 山东滨莱高速马公祠隧道104+643m超前探测试验 |
| 6.4.1 工程概况与地质分析 |
| 6.4.2 探测试验方案概述 |
| 6.4.3 数据处理与反演结果 |
| 6.5 本章小结 |
| 第七章 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间的科研成果、参与项目及所获奖励 |
| 学位论文评阅及答辩情况表 |
（3）基于稀疏卡口监控信息的实时交通模式分析与推断（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究意义 |
| 1.2 研究现状 |
| 1.2.1 交通预测问题的研究现状 |
| 1.2.2 数据稀疏问题的研究现状 |
| 1.2.3 数据稀疏问题在交通领域的研究现状 |
| 1.3 本文工作内容 |
| 1.4 本文组织结构 |
| 第2章 基础知识 |
| 2.1 深度学习基础知识 |
| 2.1.1 激活函数 |
| 2.1.2 优化器 |
| 2.2 图卷积神经网络 |
| 2.3 循环神经网络 |
| 2.4 生成对抗网络 |
| 2.5 本章总结 |
| 第3章 预备介绍与形式化定义 |
| 3.1 数据集介绍 |
| 3.2 基础设定说明 |
| 3.3 形式化定义 |
| 3.3.1 概念定义 |
| 3.3.2 问题定义 |
| 3.4 本章总结 |
| 第4章 基于稀疏卡口监控信息的交通流量推断模型 |
| 4.1 系统框架介绍 |
| 4.2 路口交通流量的数据分析 |
| 4.2.1 路口交通流的空间关系分析 |
| 4.2.2 路口交通流的时序关系分析 |
| 4.3 路口交通流量和出租车流量的数据分析 |
| 4.3.1 皮尔逊系数定量计算分析 |
| 4.3.2 路口真实交通流量可视化分析 |
| 4.4 模型设计 |
| 4.4.1 数据的预处理 |
| 4.4.2 ST-GAN模型的训练 |
| 4.4.3 模型的损失函数介绍 |
| 4.4.4 非监控路口的交通流量推断 |
| 4.4.5 ST-GAN模型伪代码 |
| 4.5 本章总结 |
| 第5章 实验与分析 |
| 5.1 实验相关设置 |
| 5.2 对比模型介绍 |
| 5.3 实验结果分析 |
| 5.3.1 实际场景下的实验结果分析 |
| 5.3.2 不同自然日的实验结果分析 |
| 5.3.3 不同时间间隔的实验结果分析 |
| 5.3.4 交通流量推断的误差分析 |
| 5.3.5 消融实验 |
| 5.3.6 真实案例分析 |
| 5.4 本章总结 |
| 第6章 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文与取得的研究成果 |
（4）面向异源相机数据的高质量单目场景深度推断（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 单目深度图像恢复 |
| 1.2.2 单目深度图像估计 |
| 1.3 现有的单目场景深度推断方法存在的问题 |
| 1.4 本文主要研究内容及贡献 |
| 1.5 本文章节安排 |
| 2 基于稀疏诱导先验和图像分解模型的单目深度恢复方法 |
| 2.1 引言 |
| 2.2 基于信号分解的图像优化模型 |
| 2.2.1 一般图像恢复模型介绍 |
| 2.2.2 用于深度图像恢复的图像分解模型 |
| 2.3 基于稀疏诱导的深度图像先验模型 |
| 2.3.1 稀疏诱导先验模型的提出 |
| 2.3.2 目标函数的凸性证明 |
| 2.4 图像分解模型算法及收敛性分析 |
| 2.4.1 求解算法的提出 |
| 2.4.2 算法收敛性证明 |
| 2.4.3 加速算法的提出 |
| 2.4.4 重赋权策略 |
| 2.5 实验结果 |
| 2.5.1 对比实验分析 |
| 2.5.1.1 图像下采样 |
| 2.5.1.2 ToF-like退化 |
| 2.5.1.3 Kinect-like退化 |
| 2.5.2 模型分析 |
| 2.5.2.1 不同稀疏先验项分析 |
| 2.5.2.2 权重参数α取值分析 |
| 2.5.2.3 重赋权策略结果分析 |
| 2.5.2.4 多项式平滑项分析 |
| 2.5.2.5 迭代次数和运行时间分析 |
| 2.6 本章小结 |
| 3 结合自然场景先验知识的无监督单目深度估计方法 |
| 3.1 引言 |
| 3.2 无监督单目深度估计介绍 |
| 3.2.1 基于立体匹配对的无监督单目深度估计 |
| 3.2.2 基于单目视频的无监督单目深度估计 |
| 3.3 基于对偶注意力机制和融入几何关系损失函数的方法 |
| 3.3.1 基于空间和通道维度的对偶注意力机制 |
| 3.3.2 网络结构图 |
| 3.3.2.1 基于立体匹配对的网络结构图 |
| 3.3.2.2 基于单目视频的网络结构图 |
| 3.3.3 改进的损失函数 |
| 3.3.3.1 基于立体匹配对的深度感知损失 |
| 3.3.3.2 基于单目视频的混合几何精细化损失 |
| 3.3.4 实验结果 |
| 3.3.4.1 基于立体匹配对的实验结果 |
| 3.3.4.2 基于单目视频的实验结果 |
| 3.4 基于矩形卷积和可学习近端算子模块的高质量细节保持网络 |
| 3.4.1 高质量细节保持网络结构 |
| 3.4.2 矩形卷积算子 |
| 3.4.3 可学习深度图像增强模块 |
| 3.4.4 实验结果 |
| 3.5 本章小结 |
| 4 基于无监督单目深度估计的深度图像精细化及网络结构优化方法 |
| 4.1 引言 |
| 4.2 基于级联网络结构的深度图像精细化方法 |
| 4.2.1 三个水平的级联架构 |
| 4.2.2 多尺度注意力融合模块 |
| 4.2.3 相关改进损失 |
| 4.2.4 实验结果 |
| 4.3 基于双目蒸馏机制的无监督单目深度估计方法 |
| 4.3.1 结合双目网络的无监督单目网络介绍 |
| 4.3.2 基于多空间的知识蒸馏机制 |
| 4.3.3 递归网络结构设计 |
| 4.3.4 基于特征驱动的自适应精细化模块 |
| 4.3.5 网络结构细节以及训练损失 |
| 4.3.6 实验结果 |
| 4.4 本章小结 |
| 5 结论与展望 |
| 5.1 工作总结 |
| 5.2 工作展望 |
| 参考文献 |
| 附录A |
| 攻读博士学位期间科研项目及科研成果 |
| 致谢 |
| 作者简介 |
（5）PIRLS评估框架下小学四年级阅读教学策略运用研究 ——以“整合并解释篇章”能力为例（论文提纲范文）
| 摘要 |
| Abstract |
| 绪论 |
| (一)选题缘由 |
| 1.小学四年级是学生阅读能力发展重要时期 |
| 2.语文课程标准对阅读的要求与现实教学存在差距 |
| 3.阅读教学策略研究的必要性 |
| (二)研究背景 |
| 1.PIRLS开始在我国大陆受到关注 |
| 2.PIRLS评估框架与《语文课程标准》存在紧密联系 |
| (三)研究问题及意义 |
| 1.研究问题 |
| 2.研究意义 |
| (四)核心概念界定 |
| 1.教学策略 |
| 2.阅读教学策略 |
| 3.“整合并解释篇章”能力 |
| (五)研究文献综述 |
| 1.国内阅读教学策略相关研究综述 |
| 2.国外阅读教学策略相关研究综述 |
| (六)研究方法 |
| 1.观察法 |
| 2.访谈法 |
| 一、“整合并解释篇章”能力培养的教学策略运用状况 |
| (一)“识别全文信息或中心思想”能力的教学策略运用状况 |
| 1.课堂运用策略的次数多 |
| 2.所使用的策略都重视“读”和字词句分析 |
| 3.视学生自主阅读能力不同运用不同的教学策略 |
| (二)“为人物活动进行其他构想及补充”能力的教学策略运用状况 |
| 1.课堂运用策略次数最少 |
| 2.教师策略运用一致 |
| 3.在策略运用中忽视学生阅读能力差异 |
| (三)“比较和质疑文章信息”能力的教学策略运用状况 |
| 1.比较策略运用忽视学生的自主性 |
| 2.质疑策略运用次数多 |
| 3.重视提问策略的运用 |
| 4.创造性运用“考题预测”策略 |
| (四)“推断故事的氛围以及人物的情感与态度”能力的教学策略运用状况 |
| 1.教师普通重视该能力的教学策略运用 |
| 2.教师对文本的正确理解影响推断能力策略运用的质量 |
| 3.“读”的策略运用较多 |
| 4.运用“通过比较进行推断”策略 |
| 5.“挖掘思想情感”的策略运用过度 |
| (五)“诠释文中信息在现实世界中的应用”能力的教学策略运用状况 |
| 1.指导学生阅读时联系生活实际的策略运用 |
| 2.通过教材、实事联系生活实际的策略运用 |
| 二、“整合并解释篇章”能力培养的阅读教学策略运用特点与问题 |
| (一)小学四年级语文教师阅读教学策略运用的特点 |
| 1.教师阅读教学策略的运用“同”多“异”少 |
| 2.阅读教学策略运用多进行“读”和“字词句分析”指导 |
| 3.阅读教学策略运用重视学生对文章主旨的理解 |
| 4.教师的主要阅读教学策略类型特点分析 |
| (二)小学四年级语文教师阅读教学策略运用存在的主要问题 |
| 1.阅读教学策略的运用存在“灌输”知识点现象 |
| 2.阅读教学策略的运用体现出对某些阅读能力的忽视 |
| 3.阅读教学策略的运用体现出对个别阅读能力理解的偏颇 |
| 4.阅读教学策略的运用存在过度挖掘问题 |
| 5.阅读教学策略的运用不够新颖多样 |
| 三、“整合并解释篇章”能力培养的阅读教学策略运用影响因素 |
| (一)教师对阅读教学的理解直接影响阅读教学策略的运用 |
| (二)教师备课质量影响阅读教学策略的运用质量 |
| (三)教师对学生的关注影响阅读教学策略运用的准确性 |
| (四)学生的个体差异影响教师阅读教学策略运用的效果 |
| (五)学校对阅读教学的重视程度影响教师积极性 |
| 四、“整合并解释篇章”能力培养的阅读教学策略运用结论和建议 |
| (一)结论 |
| 1.PIRLS评估框架对阅读教学策略运用研究具有较强的指导作用 |
| 2.运用阅读教学策略培养不同的阅读能力,策略使用的数量及类型差异较大 |
| 3.阅读教学策略运用注重保障学生的主体地位 |
| 4.阅读教学策略的运用表明教师对“整合并解释篇章”能力有较多关注 |
| (二)建议 |
| 1.积极借鉴PIRLS评估框架指导阅读教学 |
| 2.把握阅读能力的平衡培养,注重学生阅读能力全面发展 |
| 3.应重视对学生阅读方法的指导,保证学生在阅读教学中的主体地位 |
| 4.阅读教学策略的运用要更多结合学生生活体验 |
| 结语 |
| 参考文献 |
| 附录 |
| 在校期间发表的学术论文 |
| 致谢 |
（6）深度学习辅助的LDPC-BICM接收算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 英文缩略词说明 |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 论文研究现状 |
| 1.2.1 信道编码 |
| 1.2.2 调制映射 |
| 1.2.3 编码调制 |
| 1.2.4 解调/检测 |
| 1.3 论文研究内容 |
| 1.4 论文结构安排 |
| 第二章 LDPC-BICM系统与深度学习概述 |
| 2.1 BICM的基本概念 |
| 2.2 LDPC的基本概念 |
| 2.3 深度学习的基本概念 |
| 2.3.1 深度前馈网络 |
| 2.3.2 深度序列模型 |
| 2.3.3 深度生成模型 |
| 2.3.4 概率图模型 |
| 2.4 本章小结 |
| 第三章 基于高斯混合模型的LDPC-BICM接收方案 |
| 3.1 引言 |
| 3.2 L波段数字航空通信系统模型 |
| 3.3 脉冲消隐门限优化问题 |
| 3.4 GMM模型的BICM接收方案 |
| 3.4.1 EM算法辅助的GMM建模 |
| 3.4.2 GMM模型的MAP解调器 |
| 3.4.3 理论分析工具 |
| 3.4.4 复杂度比较 |
| 3.5 性能分析 |
| 3.5.1 仿真参数 |
| 3.5.2 仿真结果 |
| 3.6 本章小结 |
| 3.7 附录 |
| 第四章 基于深度前馈网络的LDPC-BICM接收方案 |
| 4.1 引言 |
| 4.2 宽带可见光多载波通信系统模型 |
| 4.3 前馈网络辅助的BICM接收方案 |
| 4.3.1 网络结构 |
| 4.3.2 实现流程 |
| 4.3.3 优化策略 |
| 4.3.4 理论解释 |
| 4.4 前馈网络辅助的BICM迭代方案 |
| 4.5 功率分配和比特加载优化问题 |
| 4.5.1 双边削波失真的影响 |
| 4.5.2 功率分配问题 |
| 4.5.3 功率分配联合比特加载问题 |
| 4.6 计算复杂度 |
| 4.7 性能分析 |
| 4.7.1 平坦信道的非线性抑制性能 |
| 4.7.2 弥散信道的非线性抑制性能 |
| 4.8 本章小结 |
| 第五章 基于深度序列模型的LDPC-BICM接收方案 |
| 5.1 引言 |
| 5.2 LDPC-BICM无线通信系统模型 |
| 5.2.1 单天线LDPC-BICM系统 |
| 5.2.2 多天线LDPC-BICM系统 |
| 5.3 单天线系统的BICM接收方案 |
| 5.3.1 单子载波网络架构 |
| 5.3.2 多子载波网络架构 |
| 5.3.3 鲁棒性分析 |
| 5.4 多天线系统的BICM接收方案 |
| 5.4.1 BRNN网络结构 |
| 5.4.2 理论解释 |
| 5.5 性能分析 |
| 5.5.1 单天线系统 |
| 5.5.2 多天线系统 |
| 5.6 本章小结 |
| 5.7 附录 |
| 5.7.1 正向信号计算 |
| 5.7.2 权值梯度计算 |
| 5.7.3 反向误差计算 |
| 第六章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 未来研究展望 |
| 致谢 |
| 参考文献 |
| 作者攻读博士学位期间的研究成果 |
（7）视频群体行为分析与识别关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 工作背景及意义 |
| 1.2 群体行为识别研究现状 |
| 1.3 论文研究内容与主要贡献 |
| 1.4 论文组织结构 |
| 第2章 相关技术研究现状 |
| 2.1 引言 |
| 2.2 目标检测研究现状 |
| 2.2.1 特定类别目标检测 |
| 2.2.2 通用类别目标检测 |
| 2.2.3 目标检测数据集 |
| 2.3 目标跟踪研究现状 |
| 2.3.1 传统方法 |
| 2.3.2 基于深度学习的方法 |
| 2.3.3 目标跟踪相关数据集 |
| 2.4 群体行为识别研究现状 |
| 2.4.1 基于概率图模型的方法 |
| 2.4.2 基于深度模型的方法 |
| 2.4.3 群体行为识别数据集 |
| 2.5 本章小结 |
| 第3章 基于感受野锚框的ommateum结构快速目标检测 |
| 3.1 引言 |
| 3.2 OS-LFD |
| 3.2.1 上下文对物体检测的影响 |
| 3.2.2 天然的锚框—感受野 |
| 3.2.3 网络结构 |
| 3.2.4 Ommateum模块 |
| 3.2.5 实现细节 |
| 3.3 实验与分析 |
| 3.3.1 实验评估 |
| 3.3.2 消融实验 |
| 3.3.3 硬件平台运行效率对比 |
| 3.3.4 参数,计算量和模型尺寸比较 |
| 3.4 本章小结 |
| 第4章 基于时空域结构感知校准网络的目标跟踪算法 |
| 4.1 引言 |
| 4.2 时空域结构感知校准网络 |
| 4.2.1 网络总体架构 |
| 4.2.2 基于GRU的物体内部结构感知层 |
| 4.2.3 基于LSTM的时空域校准层 |
| 4.2.4 空间域与时间域信息整合 |
| 4.2.5 训练策略 |
| 4.3 实验与分析 |
| 4.3.1 OTB数据集实验结果对比 |
| 4.3.2 VOT数据集实验结果对比 |
| 4.3.3 跟踪结果展示与对比分析 |
| 4.3.4 参数设置分析 |
| 4.4 本章小结 |
| 第5章 时空域注意力加权的多特征融合群体行为识别算法 |
| 5.1 引言 |
| 5.2 提出的方法 |
| 5.2.1 总体结构 |
| 5.2.2 关系模块构建和消息传递 |
| 5.2.3 全局信息整合及推断 |
| 5.3 实验与分析 |
| 5.3.1 实现细节 |
| 5.3.2 与现有方法的对比 |
| 5.3.3 定量和可视化分析 |
| 5.3.4 消融实验 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读学位期间发表的学术论文 |
| 致谢 |
（8）动态评估理论在阅读素养测评中的运用研究（论文提纲范文）
| 内容摘要 |
| abstract |
| 绪论 |
| 一、选题缘由与意义 |
| 二、核心概念的界定 |
| 三、国内外文献综述 |
| 四、研究目的与内容 |
| 五、研究方法与思路 |
| 第一章 阅读素养动态评估的理论基础 |
| 第一节 动态评估的理论溯源 |
| 一、哲学观:后现代主义对主体性的重构 |
| 二、智力观:从因素、结构到系统的进阶 |
| 三、教育观:最近发展区理念的直接启迪 |
| 第二节 动态评估的代表工具 |
| 一、巴道夫的学习潜能测量法 |
| 二、古特克的莱比锡学习测试 |
| 三、费厄斯坦的学习潜能评估 |
| 第二章 我国阅读素养动态评估的工具构建 |
| 第一节 中小学阅读素养动态评估的基础框架 |
| 一、国际视野下构拟评估框架的五条原则 |
| 二、我国课标要求下评估框架的具体内容 |
| 第二节 三明治模式的阅读素养动态评估 |
| 一、设计原则:广覆盖、强适应、高辨识 |
| 二、以“系列”为特征的小学综合阅读测评流程(SⅠ型) |
| 三、以“板块”为特征的中学综合阅读测评流程(SⅡ型) |
| 四、考查文本顺序、结构和思路的阅读测评流程(SⅢ型) |
| 五、考查字词句含义和内容理解的阅读测评流程(SⅣ型) |
| 六、分组报告的数据采集与解读方法 |
| 第三节 蛋糕模式的阅读素养动态评估 |
| 一、设计原则:干预的渐进性、数字化 |
| 二、含明显前后测的阅读测评流程(CⅠ型) |
| 三、含隐性前后测的阅读测评流程(CⅡ型) |
| 四、不含前后测的阅读测评流程(CⅢ型) |
| 五、渐进性调节量表的分类 |
| 六、“质”“量”结合报告的数据采集与解读方法 |
| 第四节 互动主义的阅读素养动态评估 |
| 一、设计原则:教学一体化、调节多样化 |
| 二、阅读潜能评估工具模型 |
| 三、中介学习经验的多种属性 |
| 四、具体调节程序的分步骤说明 |
| 五、定性评估报告的的记录与呈现 |
| 第三章 我国阅读素养动态评估的运用研究 |
| 第一节 准实验研究的设计与实施 |
| 一、实验目的和假设 |
| 二、实验材料 |
| 三、实验步骤 |
| 四、实验人员和实验对象的选择 |
| 五、实验过程的记录 |
| 第二节 准实验研究的结果分析 |
| 一、预测功能:历经波动期后精准性提高 |
| 二、诊断功能:短期内准确性较高,后期受矫正影响 |
| 三、矫正功能:对理解能力、两极发展学生作用较大 |
| 四、干预方式:同伴干预的整体效益最佳 |
| 第三节 阅读素养动态评估的问卷调查 |
| 一、问卷的设计与实施 |
| 二、问卷的信效度分析 |
| 三、结论一:阅读知识、策略获大幅提升 |
| 四、结论二:动态评估最易消除“电脑使用机会”的影响 |
| 第四节 阅读素养动态评估的访谈调查 |
| 一、访谈的设计与实施 |
| 二、结论:一线语文教师认可动态评估的多重价值 |
| 第四章 我国阅读素养动态评估研究的反思和展望 |
| 第一节 阅读素养动态评估运用研究的反思 |
| 一、阅读素养动态评估准实验研究的反思 |
| 二、阅读素养动态评估问卷调查的反思 |
| 三、阅读素养动态评估访谈调查的反思 |
| 第二节 对我国阅读素养动态评估的展望 |
| 一、课堂教学中阅读素养动态评估的发展 |
| 二、学校测评中阅读素养动态评估的发展 |
| 三、区域测评中阅读素养动态评估的发展 |
| 结语 |
| 参考文献 |
| 附录 |
| 附录一 :准实验研究使用的阅读试题 |
| 附录二 :准实验研究使用的操作说明 |
| 附录三 :阅读素养调查问卷 |
| 附录四 :阅读素养动态评估访谈提纲 |
| 后记 |
（9）高二学生数据分析素养现状调查与对策研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 选题背景 |
| 1.1.1 大数据时代的要求 |
| 1.1.2 落实课程标准的需要 |
| 1.1.3 学生综合发展的需要 |
| 1.2 研究意义 |
| 1.2.1 理论意义 |
| 1.2.2 现实意义 |
| 1.3 研究问题 |
| 1.4 理论基础 |
| 1.5 核心概念界定 |
| 1.6 论文框架 |
| 第二章 文献综述 |
| 2.1 数据分析素养的历史脉络 |
| 2.1.1 知识立意阶段(1949—2000) |
| 2.1.2 能力立意阶段(2001—2017) |
| 2.1.3 素养立意阶段(2018 至今) |
| 2.2 数据分析素养的测评研究 |
| 2.3 数据分析素养的测评结果研究 |
| 2.4 数据分析素养的培养策略研究 |
| 2.5 文献述评 |
| 第三章 高中生数据分析素养测评框架与调查问卷设计 |
| 3.1 研究目的 |
| 3.2 研究思路 |
| 3.3 研究对象 |
| 3.4 研究假设 |
| 3.5 研究工具 |
| 3.5.1 数据分析素养测评框架 |
| 3.5.2 数据分析素养测试题 |
| 3.5.3 数据分析素养测试题编码与评分方式 |
| 3.6 研究方法 |
| 第四章 高二学生数据分析素养发展现状统计分析 |
| 4.1 测试卷的信度和效度 |
| 4.1.1 测试卷信度分析 |
| 4.1.2 测试卷效度分析 |
| 4.1.3 测试卷区分度分析 |
| 4.2 数据收集能力总体的发展现状较好 |
| 4.2.1 数据收集能力基本达到水平一以上 |
| 4.2.2 男女生在数据收集能力的发展上无显着差异 |
| 4.2.3 数据收集能力特征分析 |
| 4.3 整理和提取信息能力总体的发展现状较一般 |
| 4.3.1 整理和提取信息能力基本达到水平一以上 |
| 4.3.2 男女生在整理和提取信息能力上无显着差异 |
| 4.3.3 整理和提取信息能力特征分析 |
| 4.4 模型构建能力总体的发展现状较好 |
| 4.4.1 模型构建能力基本达到水平一以上 |
| 4.4.2 男女生在模型构建能力上无显着差异 |
| 4.4.3 模型构建能力特征分析 |
| 4.5 数据推断能力总体的发展现状较差 |
| 4.5.1 数据推断能力发展水平相对偏弱 |
| 4.5.2 男女生在数据推断能力上无显着差异 |
| 4.5.3 数据推断能力特征分析 |
| 4.6 研究结论 |
| 4.6.1 高二学生数据分析素养的发展不均衡,总体基本达到第一水平 |
| 4.6.2 高二学生数据分析素养的发展在性别方面无显着差异 |
| 4.6.3 高二学生对统计意蕴的感悟以及统计语言的表达能力有所欠缺 |
| 第五章 高中生数据分析素养的培养策略 |
| 5.1 挖掘概念本质,提升数据收集能力 |
| 5.2 发散思维训练,提升信息提取能力 |
| 5.3 重视原理渗透,提升模型构建能力 |
| 5.4 训练思维和表达,提升数据推断能力 |
| 第六章 研究不足与展望 |
| 6.1 创新点 |
| 6.2 研究难点 |
| 6.3 研究不足 |
| 6.4 研究展望 |
| 参考文献 |
| 附录 |
| 附录1 :高中生数据分析素养测试框架(修正前) |
| 附录2 :高二学生数据分析素养测试卷(预测试) |
| 附录3 :高二学生数据分析素养测试卷 |
| 附录4 :评分细则 |
| 附录5 :访谈记录 |
| 致谢 |
（10）理性隐私保护模型及应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.2.1 隐私度量 |
| 1.2.2 隐私分析 |
| 1.2.3 隐私保护 |
| 1.2.4 隐私与效用平衡 |
| 1.3 关键研究问题 |
| 1.4 研究内容和成果 |
| 1.4.1 基于信息熵的隐私通信模型及度量方法 |
| 1.4.2 独立序列型数据属性隐私推断模型 |
| 1.4.3 关联序列型数据属性隐私推断模型 |
| 1.4.4 隐私保护风险自适应访问控制模型 |
| 1.4.5 基于扩展式博弈的理性隐私风险访问控制模型 |
| 1.4.6 基于演化博弈的理性隐私风险访问控制模型 |
| 1.5 论文结构安排 |
| 第二章 基础知识 |
| 2.1 Shannon信息论 |
| 2.1.1 信息通信模型 |
| 2.1.2 信息熵 |
| 2.1.3 互信息 |
| 2.2 博弈论 |
| 2.2.1 博弈模型 |
| 2.2.2 策略博弈 |
| 2.2.3 扩展式博弈 |
| 2.2.4 演化博弈 |
| 2.3 隐私定义及隐私保护模型 |
| 2.3.1 身份隐私 |
| 2.3.2 属性隐私 |
| 2.3.3 隐私保护模型 |
| 2.4 小结 |
| 第三章 基于信息熵的隐私通信模型及度量方法 |
| 3.1 概述 |
| 3.2 相关工作 |
| 3.3 隐私保护信息熵模型 |
| 3.3.1 隐私保护基本信息熵模型 |
| 3.3.2 含敌手攻击的隐私保护信息熵模型 |
| 3.3.3 带主观感受的隐私保护信息熵模型 |
| 3.3.4 多信源的隐私保护信息熵模型 |
| 3.4 隐私度量方法 |
| 3.4.1 隐私信息的熵度量模型 |
| 3.4.2 隐私保护机制强度度量 |
| 3.4.3 敌手隐私攻击强度度量 |
| 3.5 小结 |
| 第四章 独立序列型数据属性隐私推断模型 |
| 4.1 概述 |
| 4.2 相关工作 |
| 4.2.1 基因序列隐私推断攻击 |
| 4.2.2 基因组数据隐私泄露 |
| 4.3 相关背景知识 |
| 4.3.1 基因组 |
| 4.3.2 隐Markov模型 |
| 4.3.3 卷积神经网络 |
| 4.4 敌手模型与敌手隐私分析能力度量 |
| 4.4.1 敌手模型 |
| 4.4.2 敌手隐私分析能力度量 |
| 4.5 独立序列型数据隐私分析推断方法 |
| 4.5.1 基于iHMM的隐私分析 |
| 4.5.2 基于RCNN的隐私分析 |
| 4.6 实验与分析 |
| 4.6.1 数据集选取 |
| 4.6.2 实验结果对比与分析 |
| 4.7 小结 |
| 第五章 关联序列型数据属性隐私推断模型 |
| 5.1 概述 |
| 5.2 相关背景知识 |
| 5.2.1 基因组信息 |
| 5.2.2 置信传播 |
| 5.3 关联基因序列数据隐私分析敌手模型 |
| 5.3.1 数据模型 |
| 5.3.2 敌手模型 |
| 5.3.3 推断模型 |
| 5.4 基因属性隐私分析框架及方法 |
| 5.4.1 属性隐私分析框架 |
| 5.4.2 基因属性隐私分析模型 |
| 5.4.3 家族基因属性隐私分析示例 |
| 5.5 关联基因序列数据属性隐私分析评价与对比 |
| 5.5.1 隐私量化模型 |
| 5.5.2 实验数据集 |
| 5.5.3 实验结果分析 |
| 5.5.4 方法对比分析 |
| 5.6 小结 |
| 第六章 隐私保护风险自适应访问控制模型 |
| 6.1 概述 |
| 6.2 相关工作 |
| 6.3 基本定义和敌手模型构建 |
| 6.4 风险自适应访问控制模型 |
| 6.4.1 风险访问控制框架 |
| 6.4.2 自适应风险机制 |
| 6.4.3 激励机制设计 |
| 6.5 讨论与分析 |
| 6.6 小结 |
| 第七章 基于扩展式博弈的理性隐私风险访问控制模型 |
| 7.1 概述 |
| 7.2 相关背景知识 |
| 7.3 模型定义 |
| 7.4 理性RaBAC模型构建 |
| 7.4.1 理性RaBAC框架 |
| 7.4.2 理性RaBAC流程 |
| 7.5 隐私风险计算 |
| 7.5.1 访问请求隐私风险计算 |
| 7.5.2 用户隐私风险计算 |
| 7.6 基于扩展式博弈的理性RaBAC分析 |
| 7.6.1 博弈模型构建 |
| 7.6.2 博弈模型分析 |
| 7.7 比较与分析 |
| 7.8 小结 |
| 第八章 基于演化博弈的理性隐私风险访问控制模型 |
| 8.1 概述 |
| 8.2 相关工作 |
| 8.3 基于演化博弈的有限理性RaBAC模型构建 |
| 8.3.1 有限理性RaBAC模型问题描述 |
| 8.3.2 基于演化博弈的理性RaBAC模型 |
| 8.4 隐私风险定义及自适应计算方法 |
| 8.4.1 访问请求隐私风险 |
| 8.4.2 用户隐私风险 |
| 8.5 RaBAC的演化博弈模型与均衡分析 |
| 8.5.1 RaBAC的演化博弈模型 |
| 8.5.2 博弈演化稳定策略均衡求解 |
| 8.5.3 博弈演化稳定策略分析 |
| 8.6 实验仿真与分析 |
| 8.7 对比与讨论 |
| 8.8 小结 |
| 第九章 总结及展望 |
| 9.1 结论 |
| 9.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间科研和论文情况 |
四、“推断”能力的训练（论文参考文献）
- [1]大数据背景下网络调查样本的随机森林倾向得分模型推断研究[J]. 刘展,潘莹丽,金美玲. 统计研究, 2021(11)
- [2]地震波速无监督深度学习反演方法及其在隧道超前探测中的应用[D]. 任玉晓. 山东大学, 2021(10)
- [3]基于稀疏卡口监控信息的实时交通模式分析与推断[D]. 朱超超. 中国科学技术大学, 2021(08)
- [4]面向异源相机数据的高质量单目场景深度推断[D]. 张明亮. 大连理工大学, 2020(01)
- [5]PIRLS评估框架下小学四年级阅读教学策略运用研究 ——以“整合并解释篇章”能力为例[D]. 崔洁. 曲阜师范大学, 2020(01)
- [6]深度学习辅助的LDPC-BICM接收算法研究[D]. 贺渊. 东南大学, 2020(01)
- [7]视频群体行为分析与识别关键技术研究[D]. 徐得中. 北京工业大学, 2020(06)
- [8]动态评估理论在阅读素养测评中的运用研究[D]. 周佳. 华东师范大学, 2020(12)
- [9]高二学生数据分析素养现状调查与对策研究[D]. 辛思佳. 天津师范大学, 2020(08)
- [10]理性隐私保护模型及应用[D]. 丁红发. 贵州大学, 2019(05)