一、A SPEECH RECOGNITION METHOD USING COMPETITIVE AND SELECTIVE LEARNING NEURAL NETWORKS(论文文献综述)
王栋[1](2021)在《基于分子表征的药物筛选方法及应用》文中提出传统药物研发模式周期长、投入高、成功率低,迫切需要寻求新的技术作为突破口,以此加速新药研发的效率、降低新药发现的成本。而随着人类进入后基因组时代海量数据迅速积累,又得益于计算能力的突破和大数据技术的兴起,以数据为驱动的化学信息学方法使新药研发取得了突破性进展。化学信息学方法的基础问题之一是如何发展有效的分子表征方法,有效的分子表征方法能够极大的提高探索相关化学空间的效率。本文将目前已有的分子表征方法整理归纳为三大类,包括基于特征工程的分子表征方法、基于表示学习的分子表征方法和基于生物活性的分子表征方法。本论文围绕前两类分子表征方法,使用机器学习与分子模拟相结合的策略,在单分子-单靶点和单分子-多靶点两个不同层面开展了较为系统的研究。(1)针对单胺氧化酶(monoamine oxidase,MAO)亚型选择性抑制剂的发现,本文发展了基于三维生物相关谱(BRS-3D)的多重虚拟筛选流程。生物活性测试的结果显示在10μM浓度下,购买的130个化合物中有104个化合物达到了50%以上的抑制率,69个化合物的抑制率大于70%。其中,1个化合物对MAO-A亚型的活性优于100 nM,8个化合物对MAO-B的活性优于100 nM。此外,通过药物合成优化和相似性搜索的策略获得了具有高活性、高选择性的潜在MAO抑制剂。同时,本章结合分子对接、分子动力学模拟和基于注意力机制的深度神经网络进一步分析化合物的结构-选择性关系,从原子水平阐释影响MAO抑制剂亚型选择性的因素。研究结果表明了基于BRS-3D的多重虚拟筛选策略的有效性,本项工作中发现的化合物也为MAO亚型选择性抑制剂的研发提供了新颖的先导化合物骨架。(2)基于181组GPCR活性数据,对比了不同分子表征方法ECFP4、MACCS、MOE-2D和BRS-3D在GPCR亚型选择性预测中的应用效果。研究结果表明大部分MTDNN模型在内部测试集上表现较为出色,其中ECFP4-MTDNN模型在内部测试集和外部测试集上都具有最佳的预测效果。同时,研究探索了分子表示学习方法SMILES Feature Matrix和组合表征方法(SMILES Feature Matrix+ECFP4)所构建模型的预测能力。研究发现组合表征方法的预测效果要优于单独使用表示学习方法所构建的模型。然而在本研究中组合表征方法的结果并未优于ECFP4-MTDNN模型,这表明基于特征工程的分子表征方法在深度学习算法中依然具有应用前景。同时,研究对比了MTDNN模型与RF、SVM两种基线模型在内部测试集和外部测试集的预测性能。相比于基线模型,MTDNN模型能够更好的预测小分子与GPCR亚型之间的相互作用。最后,本项工作探讨了训练集样本量大小对算法性能的影响。结果表明大部分MTDNN模型在具有较少数据样本的情况下具有较强的预测能力,但MTDNN模型的构建需要警惕出现负迁移的现象。(3)将分子表示学习模型应用于LSD1抑制剂的虚拟筛选中。本章首先将分子三维结构信息引入分子表示学习模型中,提出了MPTransformer用于端到端学习分子的表示向量,并评价了该模型在9个基准集上的预测效果。进而基于MPTransformer模型开展了靶向LSD1抑制剂的药物筛选工作并通过体外酶活实验对筛选化合物进行了抑制率和半数抑制浓度的测试。研究共发现了6个微摩尔级别的潜在LSD1抑制剂,其中活性最好的化合物Cpd113的IC50值优于0.78mM。同时,对接结果指出化合物对LSD1的活性主要来自于与FAD、Met332、Val333、Phe538、Lys661和Trp695残基形成的疏水相互作用。此外,本章评估了分子表示学习方法(MPTransformer)、经典机器学习模型(ECFP4-RF模型)和分子对接方法(Glide)在LSD1体系中筛选的有效性。研究发现分子对接方法和ECFP4-RF模型无法较为准确地识别活性化合物,而MPTransformer模型对活性化合物具有较为显着的富集能力。研究结果表明分子表示学习框架MPTransformer具有较强的分子表征能力,能够较好的应用于基于配体的药物筛选中。综上,本文立足化学信息学和分子模拟领域,使用基于特征工程和基于分子表示学习两种不同的分子表征方法,在单分子-单靶点(LSD1)、单分子-多靶点(MAO亚型体系和GPCR体系)两个不同层面,探索了相应分子表征方法在药物筛选、先导化合物发现中的应用。
朱镜璇[2](2021)在《分子动力学模拟结合深度学习探究氨基酸突变或配体结合对酶活性的影响》文中研究说明蛋白质(酶)的功能高度依赖于其精细复杂的分子结构,其内部氨基酸(残基)的相互作用会引发复杂的动力学行为而实现蛋白质的功能。特定氨基酸的突变或者不同配体的结合可能会引发蛋白质功能的改变,而在这一过程中常伴随着蛋白质的构象变化、内部残基以及结构域之间的相互作用变化。分子动力学模拟发展到现在已经成为研究蛋白质结构的重要工具,模拟轨迹的统计和分析对于理解蛋白质结构-功能的关系至关重要。然而到目前为止,没有开发出一种分析方法能够推断驱动蛋白质复杂运动的相互作用网络。近年来,深度学习领域的图神经网络在简单物理运动和骨架动作识别等动力学场景中有成熟的应用。因此,利用图神经网络学习生物大分子的运动轨迹是未来的发展趋势。本文利用分子动力学模拟结合图神经网络深入研究了几种与重大疾病相关的不同调控机制的酶,具体研究内容如下:1.突变Y68I/G109P提高阿洛酮糖酶CbDPEase催化活性的理论机制D-阿洛酮糖有抗糖尿病和抗肥胖等生理功能,由于其在自然界中极其稀缺且合成困难,通过提高D-阿洛酮糖3-差向异构酶(CbDPEase)的催化效率来提高其产量变得至关重要。为了研究突变Y68I/G109P提高CbDPEase催化活性的理论机制,我们借助常规分子动力学(c MD)模拟和自适应拉伸分子动力学(ASMD)模拟对底物D-果糖分别结合野生型和Y68I/G109P CbDPEase的复合物进行了详细的研究。模拟结果表明:突变Y68I/G109P提高了功能性残基的中介中心性,增强了D-果糖与CbDPEase之间的相互作用。在D-果糖从Y68I/G109P CbDPEase中解离的过程中,门控残基F248和W114的苯环平面可以持续平行于D-果糖的拉伸方向,使得酶通道处于开放状态,稳定了D-果糖与苯环之间的相互作用。2.活性突变E203K和P124S对曲美替尼抑制MEK1的影响丝裂原活化蛋白激酶1(MEK1)在RAS-RAF-MEK-ERK丝裂原活化蛋白激酶(MAPK)信号通路中有至关重要的作用,该通路的异常活动与多种疾病的发生相关。有报道称两个活性突变(E203K和P124S)增强了MEK1的活性,从而导致肿瘤的发生。在本研究中,我们对曲美替尼分别结合非活性(WT和A52V)MEK1和活性(E203K和P124S)MEK1的复合物进行常规分子动力学模拟和拉伸分子动力学(SMD)模拟,来探究活性突变对MEK1与曲美替尼相互作用的影响。模拟结果表明:突变E203K和P124S使MEK1中激活片段(activation segment)的二级结构由螺旋转变为环状区域,其构象从关闭状态变成开放状态;尤其对于P124S MEK1而言,核心激酶结构域1和激活片段之间的反向运动会减弱曲美替尼对MEK1的结合亲和力。此外,突变E203K和P124S使MEK1的变构通道变宽变短,从而曲美替尼的解离更加容易,减弱了曲美替尼对MEK1的抑制作用。3.配体结合对磺基转移酶SULT2A1结构稳定性和选择性的影响Ⅱ类代谢酶的胞质磺基转移酶(SULTs)通过将磺酸盐基团从辅因子3’-磷酸腺苷5’-磷酸硫酸(PAPS)转移到底物上来实现小分子的磺化反应。为了研究不同配体(辅因子、底物或抑制剂)的结合影响SULT2A1结构稳定性和底物选择性的理论机制,我们借助常规分子动力学模拟和批量对接的方法研究了辅因子(PAP)和底物/抑制剂(LCA、raloxifene、α-hydroxytamoxifen、ouabain和3’-phosphoadenylyl sulfate)对SULT2A1构象变化的影响。模拟结果表明:PAP的结合使SULT2A1中的活性位点cap(active-site cap,loop16)有明显的向内位移,缩小了活性口袋的空间,从而导致底物的选择性发生显着改变。因此,当PAP存在时,较小尺寸的底物(如LCA)可以稳定地结合在活性口袋中;然而,大尺寸底物(如3’-phosphoadenylyl sulfate和raloxifene)更倾向结合到没有PAP结合的开放构象中。4.利用图神经网络从分子动力学模拟中学习蛋白质(酶)中的相互作用网络为了开发新的分析方法来捕获驱动蛋白质复杂运动的相互作用变化,我们首次尝试应用基于图神经网络的神经关系推理(NRI)模型来分析模拟轨迹。在变构调节案例研究中,肽基脯氨酰基顺反异构酶(Pin1)可以利用配体结合到WW结构域上,来远程调控PPIase结构域中的催化位点。通过NRI模型的学习发现:配体的结合能够增强WW和PPIase两个结构域之间的协调性和紧凑性,进而启动结合位点与催化位点之间的变构通讯。此外,我们利用NRI模型学习了前三个体系(CbDPEase、MEK1和SULT2A1)的模拟轨迹。在CbDPEase系统中,我们发现突变Y68I/G109P增强了包围活性口袋的结构域之间的相互作用,从而增强了底物D-果糖和活性位点残基的结合亲和力。在MEK1系统中,我们发现在非活性MEK1中,残基/结构域之间几乎没有相互作用。相反,在活性MEK1(E203K和P124S MEK1)中,αA螺旋、αC螺旋、核心激酶结构域1、激活片段和脯氨酸富集区域与整个蛋白有强烈的相互作用;其中,激活片段可以作为“信使”介导MEK1中的信号传递。在SULT2A1系统中,我们发现PAP的结合能够增强loop12和loop16的相互作用,从而促使活性位点cap(loop16)朝着loop12的方向运动而导致活性口袋关闭。本研究所涉及的酶可以分为两种调控模式,一是突变和配体结合位点位于活性位点附近,能够直接调控活性位点的构象(如CbDPEase和SULT2A1的调控机制);二是突变和配体结合位点远离活性中心,需要通过变构调控改变酶的活性状态(如MEK1和Pin1的调控机制)。本研究说明NRI模型有能力推断不同调控机制下驱动蛋白质运动的残基相互作用,为轨迹分析提供了全新的视角。
顾鹏[3](2020)在《基于高光谱技术的食源性致病菌菌落分类检测研究》文中指出食源性致病菌引起的食源性疾病严重影响人们的生活品质和身体健康。因此,研究一种快速、准确、成本低且适用范围广泛的食源性致病菌检测技术具有重要的意义。本文将高光谱技术和化学计量学相结合,以大肠杆菌、金黄色葡萄球菌和沙门氏菌三种食源性致病菌为研究对象,分别研究高光谱技术对不同培养时间、不同培养基上细菌菌落的检测能力,主要研究成果如下:(1)确定了基于高光谱技术的不同培养时间下细菌菌落分类检测的最优方法和最佳细菌培养时间。研究对培养24±2h、48±2h和72±2h三个时间梯度的细菌菌落进行高光谱图像采集,利用形态学处理确定细菌菌落的感兴趣区域ROI并提取细菌光谱数据。对三个时间梯度的数据和所有时间混合的数据采用不同预处理方法和不同波长选择方法,分别建立基于偏最小二乘判别分析(PLS-DA)、遗传算法优化支持向量分类(GA-SVC)和粒子群算法优化支持向量分类(PSO-SVC)的全波长和特征波段模型。结果表明,PLS-DA模型仅可以对培养48±2h的细菌样本进行较好的分类,而SVC模型能够对所有三个培养时间的样本进行单独和整体的检测。综合考虑细菌检测周期和检测精度,确定24±2h是细菌分类检测的最佳培养时间。其中,最优的全波长模型为三个培养时间样本的整体混合数据经过SG光谱平滑后建立的遗传算法优化支持向量分类模型(All-SG-GA-SVC),其校正集分类准确率、预测集分类准确率和Kappa系数分别为98.69%、98.75%和0.981;最佳的简化模型为三个培养时间样本的整体混合数据经过SG光谱平滑和GA波长选择后建立的遗传算法优化支持向量分类模型(All-SG-GA-GA-SVC),其校正集分类准确率、预测集分类准确率和Kappa系数分别为98.69%、98.57%和0.979。(2)确定了基于高光谱技术的不同培养基上细菌分类检测的方法。研究采集了三种不同通用培养基(溶菌肉汤琼脂LA、平板计数琼脂PA和胰蛋白胨大豆琼脂TSA)上培养24±2h细菌菌落的高光谱图像,提取了细菌菌落的平均光谱和像素级光谱,并分别建立基于细菌菌落级的偏最小二乘判别分析(PLS-DA)、遗传算法优化支持向量分类(GA-SVC)、粒子群算法优化支持向量分类(PSO-SVC)和蚱蜢算法优化支持向量分类(GOA-SVC)的全波长和特征波段模型以及像素级的卷积神经网络模型。对菌落级细菌分类,仅SVC全波长模型和简化模型能够实现不同培养基上的细菌分类检测,其中最佳的全波长模型为数据经过MSC预处理后建立的蚱蜢算法优化支持向量分类模型(MSC-GOA-SVC),其校正集分类准确率、预测集分类准确率和Kappa系数分别为99.45%、98.82%和0.982;最佳的简化模型为数据经过MSC预处理和CARS波长选择后建立的蚱蜢算法优化支持向量分类模型(MSC-CARS-GOA-SVC),其校正集分类准确率、预测集分类准确率和Kappa系数分别为99.45%、98.73%和0.980。对像素级细菌分类检测模型,采用具有Le Net-5网络结构的卷积神经网络可以实现对细菌在像素级上进行准确和稳定地预测,且当迭代次数为1000、卷积核尺寸为1×13时,模型的预测分类准确率达到97.07%。本研究为不同培养环境下致病菌的检测提供了更简单、便捷的检测方法,为开发便携式致病菌检测仪器奠定基础。
杨婷婷[4](2020)在《基于用户评论数据的汽车产品功能需求分析方法研究》文中指出信息时代的用户需求趋于个性化、多样化、动态化,如何准确地掌握用户需求并快速地实现其向工程语言的转化成为企业关注的重点问题。如今越来越多的垂直网站、电商网站、产品论坛、社交媒体、问答社区可以为消费者提供广阔的意见表达平台,由此产生的评论内容能够较为真实地反映用户需求与产品缺陷。根据互联网评论数据挖掘用户需求并将其转化为指导产品设计的技术要素,能够帮助企业较好地了解用户体验以及较快地推动产品开发。本文针对汽车垂直网站的用户评论进行需求挖掘,旨在提出一种基于用户评论数据的汽车产品功能需求分析方法,其主要研究内容包括如下几个方面:(1)完成了用户评论数据的有用性筛选以及文本情感分类。采用Word2vec扩展汽车领域专业词库的属性词,通过语义指向点互信息(Semantic Orientation Pointwise Mutual Information,SO-PMI)补充基础情感词典的情感词,以此构建面向汽车领域的属性词库与情感词典,并且借助两者筛选有用评论。分别基于双向长短时记忆神经网络(Bi-directional Long Short-Term Memory,Bi LSTM)、卷积神经网络(Convolutional Neural Network,CNN)以及Bi LSTM-CNN进行文本分类模型的性能测试,实验结果表明Bi LSTM-CNN模型的文本分类效果最佳,该模型能够帮助判别有用评论的情感极性。(2)提出了一种基于XGBoost的汽车产品用户需求分析方法。根据用户评论数据的文本情感分类结果,建立基于XGBoost的用户满意度影响因素分析模型。结合关键影响要素重要度及其负面情感强度测量用户痛点指数,根据用户痛点指数排序确定汽车产品改进方向。针对亟需迭代的汽车产品属性进行负面观点抽取,进而分析得出汽车产品用户需求。(3)提出了一种基于粗糙质量屋(House of Quality,HOQ)的汽车产品功能特性综合重要度确定方法。基于用户评论数据获得汽车产品用户需求,采用粗糙数与最优最劣法(Best-Worst Method,BWM)的集成方法计算用户需求基本重要度,根据市场竞争性对其进行修正。结合用户需求综合重要度与粗糙质量屋(HOQ)计算功能特性基本重要度,分别基于功能特性的自相关关系、功能特性的技术竞争性修正其基本重要度,根据线性加权组合法确定功能特性综合重要度,以此明确汽车产品开发重点。
韩倩倩[5](2020)在《中美中小学人工智能教育的比较研究》文中研究说明新一轮人工智能(AI)浪潮形塑着人们的工作与生活,也对教育产生着深刻影响。各国政府迅速反应,纷纷出台相关政策推动中小学人工智能教育。美国与中国在中小学人工智能教育发展浪潮中备受瞩目。本研究基于“政策规划-目标定位-课程内容”的分析框架,通过文献法和比较法来研究中美中小学人工智能教育,分析两国中小学人工智能教育的相同与不同之处,进而为我国中小学人工智能教育发展提供政策性建议。经比较分析发现,中美两国中小学人工智能教育具有相近的政策规划框架,都以编程教育作为实施人工智能教育的基础,以多类型的课程与活动来落实人工智能教育,同时强调以教师培养作为人工智能教育实施的师资保障。但两国在驱动力和发展的侧重上呈现出不同,美国注重以资金推动人工智能教育,强调中小学人工智能教育基础的稳固性;我国主要依靠政策来驱动人工智能教育,注重中小学人工智能教育核心领域的发展,率先使人工智能基础教材进课堂。中美中小学人工智能教育的目标架构也颇为相似。两国都将中小学人工智能教育定位为培育计算思维、创造性、信息社会责任感等“软品质”的普及教育,但目标的深层内涵、呈现方式和背后动机存在不同。美国中小学人工智能教育目标既具普及性又具提高性,我国则重点关注普及性;美国对培养创造力、合作能力、跨学科思维的呈现方式是直接的,我国则不凸显。美国开展中小学人工智能教育的动机在于促进国家实力强大,具有经济导向性和外生性的特征,希望超越他国而实现对外的全球领导。中国则更多地以学生为中心,具有人本导向和内生性的特征,专注本国的发展与完善,以期实现民族复兴。中美中小学人工智能教育的课程内容都兼具时代性与育人性,课程内容不仅都反映了人工智能最新的技术发展趋势和应用热点,而且旨在塑造学生的高阶思维能力和引领学生精神性成长。但是,两国课程内容所体现的学段衔接性与学习文化存在差异。美国中小学人工智能课程内容以核心概念贯穿各学段,学段间具有更强的连贯性和衔接性。我国尚未建立起小学、初中、高中“三段一体”的人工智能教育课程标准,各学段间的衔接性有待增强。课程内容上,美国注重学生与人工智能行业实践、学习社区和市场用户的互动,因而渗透着一种“面向行业、社区与市场”的市场性特征;我国更加注重课程内容的适切性与实践性,课程内容更加体现出“立足学生、学科与实践”的教育性特征。基于上述分析,为推动我国中小学人工智能教育更好地发展:(1)我国人工智能教育政策应更加细化,同时统筹、凝聚政府、学校、企业、专业组织等各界的优势力量,形成推动中小学人工智能教育发展之合力,夯实中小学人工智能教育的课程基础、师资基础和资金基础。(2)在目标定位上宜在普及中小学人工智能教育的同时,强化高质量的目标要求,进一步强调人工智能创造者与反思者培养之重要性,同时将文化理解与传承素养、跨学科素养、批判性思维素养、沟通素养与合作素养等“新5C”素养纳入目标体系中。(3)在课程内容上需注重“科学性-市场性-教育性”三位一体:科学性指提升小学-初中-高中三个学段课程内容的衔接性,强调数据分析内容,在课程内容的呈现上更加深入浅出、突出核心;市场性指加强学生与人工智能行业、学习社区以及市场用户的交流互动;教育性指应更加注重批判性思维、计算思维培育方式的多样性,同时增添人文、艺术类的课程内容。
张帅[6](2020)在《对象的视觉关系检测算法研究》文中进行了进一步梳理视觉关系作为图像中孤立对象间的纽带,反映了对象之间的交互类型,是图像理解的一项重要研究。近些年,图像分类和目标检测快速发展,研究人员逐渐开始探索更高级的语义推理任务。视觉关系检测作为场景理解的中间级任务,能够连接计算机视觉和自然语言,促进一系列高级计算机视觉任务,例如图像字幕生成、视觉图像问答和图像检索等。视觉关系检测任务是检测和定位图像中的对象,同时预测它们之间的关系。通常通过主语-谓语-宾语的三元组表示一组视觉关系,用于描述图像的局部区域语义,例如“人骑车(personride bike)”。但是,由于每种关系类型涉及不同的对象组合,并且不同的对象组合表现出不同的交互类型,从而导致仅基于视觉特征的关系检测成为一项艰巨的任务。现阶段关系检测方法大多数都采用对象检测的流程,通过提取对象组合区域特征来生成视觉短语语义特征,然后将视觉关系当作分类问题进行处理。然而,这种矩形区域特征提取方式假设背景环境对预测关系类型总是有用的,导致模型在一些复杂环境下无法提取重要信息。为此,本文设计并实现了基于注意力机制的视觉关系检测算法。另外,本文将图方法应用于视觉关系检测任务,通过对图像中不同对象区域建立相关性联系,设计并实现了一种基于图神经网络检测视觉关系的通用网络框架。本文的主要工作和创新点如下:(1)基于注意力机制的视觉关系检测算法实现研究。本文介绍了一种新的视觉关系检测网络模型,该模型以目标检测算法为基础,采用了对象语义推理和注意力机制来提升视觉关系检测的性能。为了克服视觉外观多样性对实际检测的影响,该算法将语义推理模块和视觉特征结合并相互补充。本文设计了两种不同的注意力机制,分别用于对象特征提炼和短语特征提炼。为了获得每个对象的上下文信息,对象特征细化模块通过查询图像中的其他对象来增强每个对象的特征表示。另外提出了短语特征优化模块,使模型自动学习并关注相关图像区域,从而提升视觉关系检测任务的性能。(2)基于图神经网络的视觉关系检测算法实现研究。本文提出将图方法应用于视觉关系组成的场景图分析任务中。为了获得图像的结构化表示,在本次研究工作中,分别设计了外部知识指导和网络学习的方法构建关系图结构,有效减少了图像中对象之间平方数量级的候选关系。图节点结合了视觉和语言信息,使用对象视觉特征和类别词向量嵌入进行表示。在图信息传播过程中加入了多头注意力机制,使得图神经网络能够选择性捕获节点的上下文信息。在视觉关系预测阶段,将短语视觉特征和图节点融合进行关系类型预测。最后,我们在Visual Genome关系数据集上验证本文提出的算法。与最新技术方法MOTIFNET相比,基于注意力机制的视觉关系检测算法取得了竞争性结果。它在场景分类任务上相较于MOTIFNET提高了 3.1%。对比本文设定的基线方法,该算法的平均相对增益提高了 9.6%。基于图神经网络的视觉关系检测算法为未来视觉关系检测任务提出了一个更加通用且有效的网络框架。
熊亮[7](2020)在《现代性的流变:从“人是机器”到“机器是人”》文中进行了进一步梳理现代社会,人们既处于资本逻辑的强制下,也处在机器体系的程式里,更处于现代性的流变中。何谓现代性的流变?现代性如何流变?现代性流向何方?众说纷纭、各家不一。从人类四次工业革命的角度来探究现代性逻辑预设、反思与批判以及未来去向,可以深刻地阐释现代性的诸多元素嬗变的来龙去脉,而四次工业革命的“机器”为探究现代性提供了一个确定性的向度。18世纪拉美特利提出“人是机器”,这是对神的挑战;今天有人又说“机器是人”,这是对人的挑战,现代性就是在人与机器的关系里孕育了历史进步观念、历史整体性、自然范畴、工具理性以及主体性等特征,也正是诸多的特征特质让人们感受到今天仍然生活在现代性的流变框架里。因此,一部现代性的流变史,就是一部人与机器的关系史,探究人与机器的关系,既可以追溯现代性的发育生成,也可以反思现代性的二律背反,更可以探索现代性的未来旨趣。从18世纪法国哲学家拉美特利一部名着谈起,拉美特利的重要着作《人是机器》掀起了近代工业革命的一个历史直觉:西方人从神学转向人学,从中世纪的圣经故事转向近代工业革命的人—机器—自然的故事,在工业革命驱动背后的机器革命,告示了一种世界观转化“人是上帝儿子”转化为“人是机器”。“人是机器”现代性起源的解读:一是英国工业革命发端是现代性起源的社会存在论本体论。英国工业革命发展和建构的图景是现代性起源的社会物质基础和生产要素,涵盖了“物”的开发和激活、资本的嬗变和转型、土地要素的改变以及国际贸易的形成和发展,也是一种社会存在的本体论范式的显现。二是自然是现代性起源的工具理性。弗朗西斯.培根提出“知识就是力量”的口号,倡导科学技术转化为现实的历史性作用,一种新观念已经进入现代意识,动力这个概念不具有政治意义,它不是控制人们的能力,而是征服自然的能力,“机器”的实质就是反映人类对传统自然观念的颠覆,是改变并利用自然创造新事物、以前所未有的速度制造新事物的能力。三是分工与交换是科学技术与商业进程作了最好的统一,在斯密看来,分工的发展推动了商业社会的形成和发展,“社会即市场、人人皆商人”的商业社会,商业社会关键的要素就是科学技术能否普遍应用到社会,英国早期兴盛的成功奥秘就在于此。“人是机器”机器崇拜在这一时期是具有历史进步意义的,它不仅展现了人类通过对象化劳动创造的工具征服和改造自然,给人类带来丰裕的物品,也揭开了被神学所遮蔽的自然界和人,更是人类从附魅的神性自然转向了祛魅的机械自然观,人类逐渐追求理性、崇尚秩序以及构建制度,追求一种确定性、精准性以及因果关系的进步。近代工业革命,在机器崇拜的视域下孕育现代性的基本特征:一是物性,激活人的欲望。二是人的主体性,实现人与自然的分离。三是理性主义,追求确定性的方案。四是历史进步观念,历史发展的趋势。五是历史整体性,世界历史的进程。由于理工工具的过度膨胀以及人类主体性的无穷欲望引发了人们对现代性的忧患,现代性的忧患也就引发人类对现代性的诊断,开启了一种机器异化的历史哲学沉思。卢梭基于科学技术与人类道德的角度来诊断现代性,提出自然人向文明人的过渡是一种历史化进程。人的秉性是自然的、是趋善的,科学技术、理性机器泯灭了人天然的善与爱,给人类带上“伪善的面具”,遮蔽了人类相互之间的猜疑、斗争和奴役,腐化了人的心灵与斗志,给人类带来了惩戒,消解了人类美德的民族性、独特性和魅力性,助长人的闲适与骄逸,给人类带来了惰性,造就了人类时间的多余、多事和多败,科学进步每前进一步,人类道德就堕落一步。科学技术发明的“机器”所打造的社会状态都是人类带着“伪善的面具”去追求带着“枷锁的自由”,人类的行为和道德被对象化的工具所异化,人类失去了道德至善的禀赋,理性工具是产生异化的根源之所在,现代性的本质就是二律背反。在黑格尔看来,现代性二律背反的发生,既是合理的,又是需要扬弃的,现代性二律背反发生在市民社会和国家两大重要范畴,就是处理特殊利益与普遍利益、市民精神与国家精神以及历史特殊性与普遍性。现代世界的核心特征市市民社会和国家的背离,这种背离是在市民社会里产生的,而扬弃这种背离主要是靠思辨的精神来进行调和。在微观的市民社会领域中体现了二律背反的发生,如人性、欲望、财富、机器、劳动以及分工等范畴,在宏观的国家领域中也体现了二律背反的发生,如普遍精神、普遍利益、自由、必然等范畴,对于现代性的发生既要看到其合理性,又要扬弃其不合理的成分。马克思通过宗教异化、政治异化、异化劳动以及剩余价值论的分析,深刻地分析到机器大工业生产中技术与现代性的关系,更为深刻的则是技术背后的资本力量对现代性产生的作用。资本就是现代性的本质以及内在的规定,通过对资本这一范畴的深刻剖析,认识到资本和劳动之间的对立矛盾关系,从而揭示现代性深刻的一对又一对二律背反范畴。从现代性本质的批判来看,《资本论》深刻地揭示了资本的内在否定性中的五种对立关系:资本与劳动关系的对立、资本的私向化与社会化的对立、资本的技术向度与人本向度的对立、资本的主体间性的内在竞争与对立、资本追求剩余的秉性与文明发展的极限的对立等。从货币史、交换史、工业史以及世界交往史来视角来考察,深刻地揭示了现代性社会工业文明发展的历史必然性和经济危机爆发的周期性规律,同时也澄明了在现代性过程中资本的内在紧张与外在竞争必然要回答人与劳动、人与自然、人与社会、人与技术以及人与人之间的对立与统一关系。以电力革命为标志的第二次工业革命、以计算机信息技术为标志的第三次工业革命,马克思意义上的现代性政治经济学批判从没有间断过,政治经济学批判进入了新的历史转折时期。随着技术革命的发展,作为对象化工具—机器形态发生了新的变化,人们在享受机器的便利同时,机器也在“酸蚀”着人类生存方式、生产方式以及价值观念。这一时期对“机器”的现代性批判旨趣:一是工具理性的批判,工具理性把“机器”作为工具肆意破坏自然,将自然“被宰制”的对象,带来了深刻的自然危机;工具理性把一切都加以量化、价值化,使得人的需求唯一性,导致“单向度”的人;工具理性将一切事实纯粹化,导致目的的“无意义”,侵蚀着人的心智。二是“机器”世界观的异化:人生活在流水线上,每天都要从事同一单调的工序,但是又不能造成工序任何一环节的错误,使得人失去了创造性,造成人的心理紧张压抑的状态。三是消费的异化从马克思意义上的商品拜物教转向景观拜物教,景观打造的幻象催生了人们的消费欲望,使得人们偏离消费本身。“机器”本身是可以创造物质财富的,但是过于追求“机器”,“机器”权力逐渐主导并限制着人的生活,使得人失去生活的意义目的。“机器”形态、性质在发生着变化,人与“机器”之间也随之发生变化,现代性发生着流变,然而人们对现代性的反思与批判并没有停止。智能化科技革命迅速发展,认识论的转换发生了转换,由“人是机器”转向“机器是人”。进入“机器是人”时代,现代性的物性、主体性、理性主义、历史整体主义以及历史进步观念在经历着思维方式的转化,而这种思维方式的转化构建了智能化时代的价值观。由于现代性发展水平各不相同,现代性场域里的唯物史范畴也在面临着质疑:生命、意识以及伦理道德是否只是人类独有的现象?分工、交换、无人车间是否在改变劳动价值论?自然是继续在被人征服,还是在与人日趋和谐?资本逻辑是在宰制人类,还是在造福人类?工具理性是导致目的的丧失,还是意义的再现?人的主体性是愈渐丧失,还是愈加巩固?异化理论是继续深化,还是走向终结?“机器是人”时代,现代性被筑堤愈加巩固,还是被掘墓走向终结?这有待于人类在智能化时代不断地验证,有待于人类在现代性的流变里反思着人类未来的三种抉择:人类被智能化机器圈养、人类战胜智能化机器以及人类与智能化机器共生。不可否认的是“机器是人”既给人类的发展带来一连串的机遇,也给人类的命运带来挑战。“机器是人”时代既给人类的发展带来了一连串的机遇:一是生产过程的多样性、多元化以及闲暇性。二是交换形式的便捷性、跨时空性以及颠覆性。三是消费方式的瞬时性、多样性以及快捷性。四是分配结果的公平性、公开性以及公正性。五是人类自身的改造。高科技可以把自身作为技术手段,使人类能用技术手段来改造自己、完善自己,成为自我进化的新手段。“机器是人”也给人类的命运带来了一系列的挑战:一是人机界限越来越模糊,人与机器鸿沟在缩小。二是机器越来越智能化,自我控制的能力越来越强,对人的依赖性越来愈小。三是机器取代人的体力劳动,未来将会取代人的脑力劳动,如果人类一旦将全部的体力劳动和脑力劳动都交给机器,人类将一无是处,并且人的器官都将退化。四是人类对机器的依赖性越来越强,失去了对自然和外部世界的关注,自然和外部世界成为机器主宰的对象,人类失去了对客体的反思。五是人类在智能手机、电脑的时间越来越长,越来越长时间将智能手机、电脑作为“身体的部件”,越来越沉浸在虚拟空间里生活,人类失去交往的意义。六是人类对科学技术的好奇心,无视道德规则的底线,践踏人类生命,如基因编辑婴儿,是对人类行为规范底线的践踏,在深层次的好奇心就是一种权力。现代性场域里人、机器、社会以及国家的理论观念在发生着嬗变,也引发了人类对未来社会的构想。面对现代性的流变,人类未来何处何从?德日进在《人类的未来》里提供了两种方案:“一种是基督教方案,唯有在统一世界内在深处的顶峰上最终出现的一个自主集合中心,才能从结构上和功能上在仍然分崩离析的人类群体内部充分激起,维持并释放出期待的促进共识力量,也就是真正的超级爱,要有真正的大我。一种是马克思主义方案,使人类个体在人类起源与发展终结的地方隐约地看到集体思考和同情提升到某种状态,使每个个体从参与中得益,就足以激励人类个体并使其确定前进的方向。”在德日进的马克思主义方案里,可以看出个人进入到集体的思考和同情就是为了获得自由,“每个人的自由发展是一切人的自由发展的条件。”今天人类社会处于马克思第二大形态“人对物的依赖”前提下,人类无法摆脱资本的逻辑和机器的体系,但是追求人类的历史进步、历史整体性、科学精神、人文精神以及自由精神是人类追求的共同目标之所在。不管是发达国家,还是发展中国家,都面对“机器是人”所引发对人类未来的思考。悲观者担忧人类会遭受对象化智能化机器的灭绝,人类会走向终结局面,乐观者认为智能化机器为人类减轻了劳动的负担,人类会实现全面解放。尽管如此,人类生产力还在发展,人类社会还在前进,人类探索自然、外部世界乃至发明创造智能化机器的脚步并没有停止。人工智能赋能新时代、国家治理制度、人与自然和谐相处、一带一路战略以及人类命运共同体的路径方案,不仅为实现科学精神和人文精神的深度融合指引了行动的方向,而且为人类追求的共同目标贡献了智慧,更为重要的是成为人类在现代性前进路上的“明灯”。
田恬恬[8](2020)在《嗅觉神经通路关键部分模型研究》文中研究表明嗅觉神经通路研究是嗅觉研究的基础,对脑科学研究同样具有多方面的重要意义。本文从探索嗅觉神经通路出发,对关键部分进行模型研究。首先,本文归纳总结了嗅觉神经通路的神经传导机制,这条神经通路分为前段(嗅上皮、嗅球、前嗅核、梨状皮质)、中段(杏仁核、内嗅皮质)和后段(海马、下托),其中,嗅球、梨状皮质到内嗅皮质的投射过程是未知的,假设其神经元连接方式为一对一连接或随机连接。然后,针对KIII模型进行改进,提出了嗅觉神经通路的前段模型。采用小世界网络理论分析了输入通道数从5逐渐增加到100时,KIII模型和前段模型的平均路径长度和聚类系数的变化情况,分析结果表明,与KIII模型相比,前段模型在输入通道数大于16时,具有较小的平均路径长度和更大的聚类系数。此外,基于深度学习理念分析KIII模型。从模型结构、对噪声的容忍度和神经元间的连接三个方面对比分析了KIII模型和深度学习模型之间的相似性,并将脑电信号通过合适的切分预处理后直接输入KIII模型和深度学习模型进行识别,不进行特征提取的过程,实验结果表明,KIII模型具有自动提取脑电特征的能力,并且不同的切分方式也会对识别结果产生影响。因此,鉴于KIII模型与深度学习模型之间的相似性,结合深度学习理念优化KIII模型性能是一种自然而极具前景的研究思路,以求在高仿生和高性能之间达到一个平衡。接着,针对已有的病理状态下的齿状回模型进行改进,提出了嗅觉神经通路的后段模型。使用NEURON仿真平台实现后段模型,并观察典型神经元的膜电位变化情况,仿真结果表明,后段模型的神经元符合真实神经元所具有的刺激-响应特性。另外,基于神经团理论构建以内嗅皮质为核心的中段模型,并根据嗅球、梨状皮质到内嗅皮质假设的神经元连接方式,构建出嗅觉神经通路仿生模型。
刘庆庆[9](2020)在《面向网络语句的自然语言生成算法研究》文中研究说明近几年,自然语言生成已经在很多领域都有涉及,与我们的生活息息相关,比如人们常用到的人机对话、机器翻译、语音识别等,都有自然语言生成的参与,语句生成的好坏直接影响到用户体验,故对自然语言生成的研究近几年一直在如火如荼的进行中。自然语言生成的研究目标是能够生成模仿人类用语的语句,包括对各个国家的语言。近几年网络的飞速发展,随之产生了人类的另一种用语——网络语言。这是一个新兴的语言研究领域,与人类常用语言不同的是,网络语言会包含很多缩略词或新兴词语,是时下网民热衷使用的语言。目前,对于网络语言生成的研究可以用于网络舆情控制,将来可以扩展到为网民服务,是一个很有研究前景的领域。本文主要针对赛博空间的网络语言自动生成展开研究,其主要研究内容与贡献如下:1、针对赛博空间的网络语言语义丰富等特点,本文提出了基于混合输入的多层LSTM网络语言生成模型。本文加入网络词典与原始输入字符混合作为该模型的输入,以丰富生成语句的词汇量。在该模型训练阶段,由于使用的Adam优化方法对于LSTM模型的训练效果不理想,本文对模型中使用的原始Adam进行优化和改进,在其训练过程加入了模拟退火机制。实验结果表明基于改进后的Adam训练方法,模型效果优于传统基于SGD和原始Adam方法的LSTM模型,同时实验结果显示改进后的Adam训练方法的困惑度比原始Adam方法低4.941。2、GRU作为LSTM的变体被提出,在很多领域都被证实优于LSTM,但是在语言建模领域占劣势。针对GRU在语言建模领域的效果不如LSTM的问题,本文基于GRU分别对门控、隐藏层以及偏置项进行了信息缩减、正则化及参数优化等改进,提出了三种GRU的变体。实验结果表明其中GRU2和GRU3变体在困惑度实验中均优于LSTM,并且GRU3变体以困惑度0.942的差距逼近上章节提出的改进Adam方法后的LSTM,这表明本文提出的GRU变体具有可用性和有效性。3、针对VAE模型应用于文本领域时,仅使用LSTM作为编/解码器导致接受的潜在向量过少的问题,本文提出了混合VAE文本生成模型。该模型采用了CNN作为编码器进行训练,此外模型加入了数据预处理操作,利用词向量技术丰富输入向量携带的语义信息,并加入Highway网络以减轻深度网络的训练复杂问题。实验结果显示该模型能够加强解码器对潜在向量的依赖,能够捕捉更多的潜在信息且有更快的收敛速度。
高常乐[10](2019)在《基于机器学习的脱硝系统建模研究》文中研究表明目前我国火电机组广泛使用SCR脱硝系统作为烟气NOx治理的主要手段,建立准确的脱硝系统模型,掌握SCR系统的运行特性,对火电机组经济环保运行具有重要意义。本文以某660MW燃煤机组为研究对象,采用机器学习方法对SCR脱硝系统进行建模研究,主要研究内容如下:首先,从动力学角度分析催化还原反应机理,建立了SCR脱硝系统机理模型。为提高机理模型准确性,结合非线性权重更新策略和多目标跟踪策略提出了改进的粒子群优化算法,进而提出了采用该算法从现场实际运行数据中辨识机理模型参数的方法,针对某660MW机组的算例表明了该方法的有效性。其次,提出了一种改进的稀疏最小二乘支持向量机回归建模方法,该方法在传统剪枝策略的基础上对数据中的奇异点样本进行剔除,利用IPSO算法对核参数进行寻优,在获取模型稀疏特性的同时提高了模型的预测性能。提出了基于IS-LSSVR的SCR脱硝系统喷氨量预测模型,算例结果验证了该模型的预测精度和泛化能力。再次,建立了基于LSTM的烟囱入口NOx浓度软测量模型,该模型以SCR脱硝系统相关变量的时序数据作为输入,采用LSTM神经网络方法提取时序数据中的特性信息,实现了烟囱入口NOx浓度的软测量。针对SCR系统的时变特性,引入模型更新策略,提高了模型的自适应能力,采用现场运行数据进行了模型验证。然后,采用烟囱入口NOx浓度软测量模型对SCR出口NOx浓度测量值进行校正,基于校正后的现场数据,提出了两种催化剂性能劣化分析方法。其一,在SCR脱硝系统机理模型的基础上,利用校正后的运行数据对机理模型动力学参数进行辨识,从SCR脱硝反应动力学参数变化的角度分析催化剂服役期间的活性性能变化情况。其二,利用基于IS-LSSVR的SCR系统喷氨量预测模型,以服役过程中同一标准工况的耗氨量变化来表征催化剂活性性能的变化,采用分时段多模型建模方法获取催化剂的性能劣化趋势。最后,依托某集团公司脱硝催化剂两化融合平台,开发了SCR脱硝系统状态监测及催化剂性能劣化分析软件。
二、A SPEECH RECOGNITION METHOD USING COMPETITIVE AND SELECTIVE LEARNING NEURAL NETWORKS(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、A SPEECH RECOGNITION METHOD USING COMPETITIVE AND SELECTIVE LEARNING NEURAL NETWORKS(论文提纲范文)
(1)基于分子表征的药物筛选方法及应用(论文提纲范文)
摘要 |
ABSTRACT |
缩略语表 |
1 绪论 |
1.1 药物研发与化学信息学 |
1.2 化学信息学中的分子表征 |
1.2.1 基于特征工程的分子表征 |
1.2.2 基于表示学习的分子表征 |
1.2.3 基于生物活性的分子表征 |
1.3 化学信息学中的机器学习算法 |
1.3.1 线性模型 |
1.3.2 非线性模型 |
1.3.3 深度学习的模型架构 |
1.4 本章小结与论文研究内容 |
1.4.1 本章小结 |
1.4.2 论文研究内容 |
2 三维分子表征方法BRS-3D在单胺氧化酶亚型选择性抑制剂发现中的应用 |
2.1 引言 |
2.1.1 单胺类神经递质与单胺氧化酶 |
2.1.2 单胺氧化酶选择性抑制剂的研究进展 |
2.2 研究数据与方法 |
2.2.1 数据收集与处理 |
2.2.2 三维生物相关谱 |
2.2.3 待筛数据库 |
2.2.4 MAO亚型选择性抑制剂的虚拟筛选 |
2.2.5 分子对接 |
2.2.6 分子动力学模拟 |
2.2.7 结合自由能计算 |
2.2.8 药物化学合成优化 |
2.2.9 MAO抑制活性测试 |
2.2.10 基于注意力机制的深度学习模型 |
2.2.11 模型的评价指标 |
2.3 研究结果与讨论 |
2.3.1 基于BRS-3D的虚拟筛选结果 |
2.3.2 C7取代的香豆素系列化合物的合成与活性研究 |
2.3.3 5H-噻唑并[3,2-a]嘧啶-5-酮类系列化合物的选择性机制研究 |
2.4 本章小结 |
3 不同分子表征方法在GPCR亚型选择性预测中的应用 |
3.1 引言 |
3.1.1 G蛋白偶联受体 |
3.1.2 GPCR的配体筛选方法 |
3.2 研究数据与方法 |
3.2.1 GPCR数据集的构建 |
3.2.2 分子表征方法 |
3.2.3 多任务学习模型 |
3.2.4 模型的评价指标 |
3.3 研究结果与讨论 |
3.3.1 GPCR数据性质分布 |
3.3.2 不同超参数对算法性能的影响 |
3.3.3 不同分子表征方法性能比较 |
3.3.4 与单任务学习方法性能比较 |
3.3.5 训练样本大小对模型性能的影响 |
3.3.6 外部测试集上单任务模型与MTDNN的预测结果 |
3.4 本章小结 |
4 分子表示学习在组蛋白去甲基化酶抑制剂发现中的应用 |
4.1 引言 |
4.1.1 组蛋白去甲基化酶LSD1 |
4.1.2 LSD1抑制剂的研究进展 |
4.2 研究数据与方法 |
4.2.1 LSD1活性分子数据集的收集与预处理 |
4.2.2 基准数据集 |
4.2.3 注意力机制 |
4.2.4 分子表示学习模型整体架构 |
4.2.5 模型评价指标 |
4.2.6 分子对接 |
4.2.7 生物活性测试 |
4.3 研究结果与讨论 |
4.3.1 MPTransformer在基准测试集上的预测效果 |
4.3.2 LSD1活性分类模型与拟合模型结果 |
4.3.3 LSD1活性化合物筛选结果 |
4.3.4 活性化合物结合模式分析 |
4.3.5 不同筛选方法在LSD1抑制剂筛选中的有效性评价 |
4.4 本章小结 |
5 总结与展望 |
5.1 总结 |
5.2 展望 |
参考文献 |
附录Ⅰ 预处理后的GPCR数据集 |
附录Ⅱ MOE-2D描述符信息 |
攻读博士期间发表的论文与成果 |
致谢 |
(2)分子动力学模拟结合深度学习探究氨基酸突变或配体结合对酶活性的影响(论文提纲范文)
中文摘要 |
abstract |
第1章 绪论 |
1.1 传统生物学方法在蛋白质研究中的应用 |
1.1.1 X射线晶体衍射技术 |
1.1.2 核磁共振技术 |
1.1.3 冷冻电镜技术 |
1.2 分子动力模拟在蛋白质研究中的应用 |
1.2.1 氨基酸突变对蛋白质功能的影响 |
1.2.2 配体结合对蛋白质功能的影响 |
1.3 分子动力学模拟的分析方法 |
1.3.1 互相关性分析 |
1.3.2 主成分分析 |
1.3.3 残基相互作用网络及网络中心性分析 |
1.3.4 结合自由能分析 |
1.3.5 传统分析方法的局限性 |
1.4 图神经网络简介及其在运动系统中的应用 |
1.4.1 图神经网络 |
1.4.2 图神经网络在运动系统中的应用 |
1.4.3 图神经网络学习分子动力学模拟轨迹的可行性 |
1.5 研究目的与论文内容 |
第2章 理论基础 |
2.1 分子动力学模拟 |
2.1.1 分子力场 |
2.1.2 常用的分子力场 |
2.1.3 牛顿运动方程 |
2.1.4 分子动力学的有限差分算法 |
2.1.5 分子动力学模拟系综 |
2.2 分子动力学模拟的基本流程 |
2.3 主成分分析 |
2.4 互相关性分析 |
2.5 蛋白质网络分析 |
2.6 MM-PBSA计算分析方法 |
2.7 图神经网络 |
2.8 神经关系推断模型 |
2.8.1 编码器 |
2.8.2 采样 |
2.8.3 解码器 |
第3章 突变Y68I/G109P提高阿洛酮糖酶CbDPEase催化活性的理论机制 |
3.1 引言 |
3.2 模拟细节 |
3.2.1 体系准备 |
3.2.2 常规分子动力学模拟 |
3.2.3 自适应拉伸分子动力学模拟 |
3.3 计算结果与讨论 |
3.3.1 同源模建结构验证 |
3.3.2 网络中心性分析 |
3.3.3 蛋白质内部残基相互作用网络分析 |
3.3.4 结合自由能分析 |
3.3.5 CbDPEase的通道分析 |
3.3.6 解离通道分析 |
3.4 小结 |
第4章 活性突变影响曲美替尼抑制MEK1活性的理论机制 |
4.1 引言 |
4.2 模拟细节 |
4.2.1 体系准备 |
4.2.2 分子动力学模拟 |
4.2.3 拉伸分子动力学模拟 |
4.3 结果与讨论 |
4.3.1 曲美替尼与MEK1的结合模式 |
4.3.2 活性突变对MEK1结构稳定性、二级结构以及网络相互作用的影响 |
4.3.3 活性突变对MEK1结构运动的影响 |
4.3.4 CAVER3.0识别MEK1的变构通道 |
4.3.5 曲美替尼从野生型和三个突变体MEK1通道中的解离过程 |
4.4 小结 |
第5章 配体结合影响磺基转移酶SULT2A1结构稳定性和选择性的理论机制 |
5.1 引言 |
5.2 模拟细节 |
5.2.1 体系准备 |
5.2.2 常规分子动力学模拟 |
5.2.3 批量分子对接 |
5.3 结果与讨论 |
5.3.1 SULT2A1结构稳定性分析 |
5.3.2 网络中心性和蛋白质结构网络分析 |
5.3.3 辅因子PAP和底物LCA的结合对蛋白质-配体相互作用的影响 |
5.3.4 配体结合后的SULT2A1的运动变化 |
5.3.5 SULT2A1的底物选择性分析 |
5.3.6 交互指纹(IFP)分析 |
5.3.7 大尺寸配体与开/闭构象之间的相互作用对比 |
5.4 小结 |
第6章 利用图神经网络从分子动力学模拟中学习蛋白质中的相互作用网络 |
6.1 前言 |
6.2 NRI模型构造细节 |
6.3 NRI模型学习经典Pin1变构调节过程中的长程相互作用 |
6.4 突变Y68I/G109P对阿洛酮糖酶CbDPEase中相互作用的影响 |
6.5 活性突变对MEK1中相互作用的影响 |
6.6 配体结合对磺基转移酶SULT2A1中相互作用的影响 |
6.7 小结 |
第7章 总结与展望 |
7.1 总结 |
7.1.1 氨基酸突变对酶活性的影响 |
7.1.2 配体结合对酶活性的影响 |
7.1.3 利用图神经网络从分子动力学模拟中学习蛋白质(酶)中的相互作用网络 |
7.2 展望 |
参考文献 |
作者简介及攻读博士学位期间取得的科研成果 |
致谢 |
(3)基于高光谱技术的食源性致病菌菌落分类检测研究(论文提纲范文)
摘要 |
Abstract |
缩略语表 |
1 绪论 |
1.1 研究目的与意义 |
1.2 高光谱技术在微生物检测中的应用 |
1.3 对已有研究的思考和分析 |
1.4 研究内容 |
1.5 技术路线 |
1.6 本章小结 |
2 基于高光谱的不同培养时间细菌菌落的分类检测研究 |
2.1 引言 |
2.2 材料 |
2.2.1 试验对象与材料 |
2.2.2 微生物培养与样本制备 |
2.3 数据采集 |
2.3.1 高光谱图像采集 |
2.3.2 高光谱图像处理与数据提取 |
2.3.3 样本集建立 |
2.4 数据分析 |
2.4.1 光谱预处理 |
2.4.2 模型建立与优化 |
2.4.3 特征选择 |
2.4.4 模型评价标准 |
2.5 结果与分析 |
2.5.1 不同培养时间细菌菌落的光谱分析 |
2.5.2 不同培养时间细菌菌落的偏最小二乘判别分析模型 |
2.5.3 不同培养时间细菌菌落的支持向量机分类模型 |
2.5.4 各个模型对比 |
2.6 本章小结 |
3 基于高光谱的不同培养基上细菌的分类检测研究 |
3.1 引言 |
3.2 材料 |
3.2.1 试验对象与材料 |
3.2.2 微生物培养与样本制备 |
3.3 数据采集 |
3.3.1 高光谱图像采集 |
3.3.2 高光谱图像处理与数据提取 |
3.3.3 样本集建立 |
3.4 数据分析 |
3.4.1 光谱分析 |
3.4.2 模型建立与优化 |
3.4.3 特征选择 |
3.4.4 模型评价标准 |
3.5 结果与分析 |
3.5.1 不同培养基上细菌菌落的光谱分析 |
3.5.2 不同培养基上细菌菌落的主成分分析 |
3.5.3 不同培养基上细菌菌落的偏最小二乘判别分析模型 |
3.5.4 不同培养基上细菌菌落的支持向量机分类模型 |
3.5.5 菌落级模型对比 |
3.5.6 不同培养基上细菌像素级数据的分析 |
3.6 本章小结 |
4 总结与展望 |
4.1 主要结论 |
4.2 创新之处 |
4.3 展望 |
参考文献 |
攻读学位期间的主要研究成果 |
致谢 |
(4)基于用户评论数据的汽车产品功能需求分析方法研究(论文提纲范文)
摘要 |
ABSTRACT |
字母注释表 |
第一章 绪论 |
1.1 研究背景及意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 国内外相关领域研究现状 |
1.2.1 用户需求研究现状 |
1.2.2 数据挖掘研究现状 |
1.3 本文研究框架 |
1.4 本章小结 |
第二章 汽车评论文本的情感分类研究 |
2.1 用户评论数据爬取及预处理 |
2.1.1 用户评论数据爬取 |
2.1.2 用户评论数据预处理 |
2.2 词库构建及有用评论筛选 |
2.2.1 汽车产品属性词库构建 |
2.2.2 汽车产品情感词典构建 |
2.2.3 有用评论筛选 |
2.3 基于深度学习的汽车评论文本情感分类 |
2.3.1 文本预处理 |
2.3.2 文本向量化 |
2.3.3 文本情感分类模型构建 |
2.3.4 文本情感分类模型训练 |
2.3.5 实验与分析 |
2.3.6 文本情感分类 |
2.4 本章小结 |
第三章 基于XGBoost的汽车产品用户需求挖掘 |
3.1 用户满意度 |
3.2 XGBoost |
3.3 基于XGBoost的用户满意度影响因素分析 |
3.3.1 变量设置 |
3.3.2 XGBoost模型构建 |
3.3.3 XGBoost模型训练 |
3.3.4 实验与分析 |
3.3.5 用户满意度影响因素分析 |
3.4 基于用户满意度影响因素的汽车产品用户需求分析 |
3.5 本章小结 |
第四章 基于粗糙HOQ的汽车产品用户需求转化 |
4.1 HOQ |
4.2 基于粗糙HOQ的汽车产品功能特性重要度分析 |
4.2.1 用户需求基本重要度分析 |
4.2.2 用户需求市场竞争性分析 |
4.2.3 用户需求与功能特性的映射模型构建 |
4.2.4 功能特性自相关关系分析 |
4.2.5 功能特性技术竞争性分析 |
4.3 实例与分析 |
4.4 本章小结 |
第五章 总结与展望 |
5.1 总结 |
5.2 展望 |
参考文献 |
附录 A |
附录 B |
发表论文和参加科研情况说明 |
致谢 |
(5)中美中小学人工智能教育的比较研究(论文提纲范文)
摘要 |
ABSTRACT |
绪论 |
(一)问题提出 |
(二)研究意义 |
(三)概念界定 |
1.人工智能 |
2.人工智能教育 |
(四)文献综述 |
1.我国中小学人工智能教育 |
2.美国中小学人工智能教育 |
3.对已有国内外文献的评价 |
(五)研究设计 |
1.研究目的 |
2.研究内容 |
3.研究方法 |
一、美国中小学人工智能教育 |
(一)政策规划 |
1.粗放规划期(1983年-2014年) |
2.精细规划期(2015年-2020年) |
(二)目标定位 |
1.宏观目标:为所有学生提供高质量的人工智能教育 |
2.中观目标:培养人工智能的生产者和创造者 |
3.微观目标:培育中小学生的计算思维与创造力 |
(三)课程内容 |
1.基础内容:编程与算法 |
2.重点内容:K-12人工智能国家导则 |
3.支撑内容:数据与建模 |
二、我国中小学人工智能教育 |
(一)政策规划 |
1.局部试行期(2000年-2014年) |
2.整体布局期(2015年-2020年) |
(二)目标定位 |
1.宏观目标:面向中小学生普及人工智能教育 |
2.中观目标:培养人工智能的使用者和创新者 |
3.微观目标:提升中小学生的信息素养 |
(三)课程内容 |
1.基础内容:编程与算法 |
2.重点内容:新版课标AI内容 |
3.支撑内容:机器人与数据分析 |
三、中美中小学人工智能教育比较分析 |
(一)相同点 |
1.以编程教育为基础,以师资培养为保障 |
2.以多样化的课程与活动落实人工智能教育 |
3.以计算思维、创造性等软品质培育为目标 |
4.课程内容呈现出时代性与引领性的统一 |
(二)不同点 |
1.美国以资金推动人工智能教育,中国以政策驱动人工智能教育 |
2.美国的政策规划注重稳固基础,中国的政策规划讲求核心高效 |
3.美国目标具有提高性和直接性,中国则具有普及性和非凸显性 |
4.美国目标具有经济导向和外生性,中国具有人本导向和内生性 |
5.美国重内容的衔接性与互动性,中国重内容的适切性与实践性 |
四、研究结论与建议 |
(一)研究结论 |
1.两国政策规划框架高度一致,但在驱动力和发展的侧重上不同 |
2.两国教育目标架构近似,但深层内涵、呈现方式和旨趣皆有别 |
3.两国课程内容皆具育人的时代性,但衔接性与学习文化有差异 |
(二)政策性建议 |
1.细化人工智能教育政策,合力夯实课程、资金与师资基础 |
2.关注人工智能教育质量,突显目标重点,纳入新5C素养 |
3.构建科学性-市场性-教育性一体的人工智能课程内容体系 |
参考文献 |
攻读学位期间取得的研究成果 |
致谢 |
(6)对象的视觉关系检测算法研究(论文提纲范文)
摘要 |
ABSTRACT |
符号对照表 |
缩略语对照表 |
第一章 绪论 |
1.1 研究背景和意义 |
1.1.1 计算机视觉发展现状 |
1.1.2 视觉关系检测背景及意义 |
1.2 国内外研究现状 |
1.3 本文主要工作 |
1.4 本文组织结构 |
第二章 相关研究工作 |
2.1 目标检测 |
2.1.1 基于区域建议的目标检测算法 |
2.1.2 基于回归学习的目标检测算法 |
2.2 注意力机制 |
2.3 图神经网络 |
2.3.1 图神经网络 |
2.3.2 图卷积神经网络 |
2.3.3 门控图神经网络 |
2.3.4 图注意力神经网络 |
2.4 视觉关系检测算法 |
2.4.1 外部知识指导 |
2.4.2 迭代消息传递 |
2.4.3 视觉转换嵌入 |
2.4.4 注意力机制 |
2.4.5 图神经网络 |
2.5 本章小结 |
第三章 基于注意力机制的视觉关系检测 |
3.1 研究问题 |
3.2 基于注意力机制的视觉关系检测算法 |
3.2.1 网络整体框架 |
3.2.2 编码上下文特征的目标检测模块 |
3.2.3 基于视觉注意力机制的关系检测模块 |
3.2.4 语义推导模块 |
3.2.5 损失函数优化 |
3.3 实验与分析 |
3.3.1 数据集 |
3.3.2 网络训练过程及超参数选择 |
3.3.3 评价指标 |
3.3.4 实验结果与分析 |
3.3.5 注意力可视化 |
第四章 基于图神经网络的视觉关系检测 |
4.1 背景介绍 |
4.2 基于图神经网络的视觉关系检测算法 |
4.2.1 网络整体框架 |
4.2.2 构建关系图结构 |
4.2.3 基于图网络的视觉关系检测模块 |
4.2.4 损失函数优化 |
4.3 实验与分析 |
4.3.1 数据集 |
4.3.2 网络训练过程及超参数选择 |
4.3.3 任务设置及评价指标 |
4.3.4 实验结果与分析 |
4.4 本章小结 |
第五章 总结与展望 |
5.1 本文总结 |
5.2 未来工作展望 |
参考文献 |
致谢 |
作者简介 |
(7)现代性的流变:从“人是机器”到“机器是人”(论文提纲范文)
摘要 |
abstract |
导论 |
第一节 现代性流变及相关研究的意义 |
一、现代性、流变的概念及多维度 |
(一)现代性的多重涵义及维度 |
(二)流变的多重涵义及维度 |
(三)现代性的流变及其相关因素 |
二、现代性流变运动与“机器”变革的关系 |
三、现代性流变研究的意义 |
第二节 文献研究综述 |
一、国外研究成果 |
(一)关于“人是机器”论断研究 |
(二)现代性与“机器”关系研究 |
(三)关于“机器是人”论断研究 |
二、国内研究现状 |
(一)关于拉美特利“人是机器”的研究 |
(二)关于人与机器异化关系的研究 |
(三)关于“机器是人”的研究及相关理论探讨 |
(四)简评 |
第三节 内容与重点 |
一、研究内容 |
二、研究思路与方法 |
(一)研究思路 |
(二)研究方法 |
三、研究的范围、重点和难点 |
(一)研究的范围 |
(二)研究的重点和难点 |
四、创新点与不足 |
第一章 “人是机器”,近代工业革命时代的一个历史直觉 |
第一节 罗吉尔.培根的质疑 |
一、中世纪经院哲学的世界观 |
二、罗吉尔.培根的质疑 |
第二节 英国工业革命发端:现代性起源的社会存在本体论解读 |
一、“物”的开发和激活 |
二、资本的嬗变和转型 |
三、土地要素的改变 |
四、国际贸易的形成和发展 |
第三节 法国战斗唯物主义思想的投射 |
一、“彻底而又坚决”的无神论世界观 |
二、“从自然中把握自然”的机械自然观 |
第四节 拉美特利《人是机器》:由神学转向人为中心、自然为本 |
一、人为中心的属性及地位 |
二、自然为本源的法则及规律 |
第二章 “机器”的实质就是反映人类对传统自然观念的颠覆 |
第一节 弗朗西斯.培根关于新自然科学四种范畴的诠释 |
一、自然:被人改造的质料 |
二、自然性:主体把握客体的逻各斯范畴 |
三、自然法:统治宇宙万物的规则秩序 |
四、新自然科学:知识论的拷问确证 |
第二节 科学技术与自然的内在逻辑关系 |
一、科学技术与人类征服自然的力量 |
二、科学技术与创造物质财富的关系 |
三、科学技术与生产精神财富的关联 |
第三节 现代性起源的工具理性解读:自然 |
一、自然范畴的历史嬗变 |
二、工具理性范畴的现代性解读 |
三、征服自然的理想状态与现代性起源的关联 |
第三章 “人是机器”催生了亚当.斯密的分工理论 |
第一节 物化的机器与分工关系 |
一、劳动分工的缘由 |
二、劳动分工与机器的关系 |
三、劳动分工的结果及论断 |
第二节 英国早期兴盛:科学技术与商业进程作了最好的统一 |
一、早期英国踏上成功之路的秘诀:科学技术与商业的结合 |
二、工业革命的兴起与经济增长模式的形成 |
三、后起资本主义国家发展的动力要素:机器的发明和应用 |
第三节 机器崇拜时代的开始及现代性特征的生成 |
一、机器崇拜的缘由 |
二、机器崇拜的表现 |
三、现代性发育生成的特征原则 |
第四章 卢梭:从自然人到文明人——关于历史化的忧患 |
第一节 卢梭的忧患意识 |
一、忧患历史化的进程:由自然人向文明人的过渡 |
二、忧患历史化的工具:农业和冶金术的使用 |
三、忧患历史化的思维:理性对人的束缚与异化 |
四、忧患历史化的终点:自然的“回环闭合”运动 |
第二节 科学技术导致人性道德的异化 |
一、追问科学技术的溯源 |
二、科学技术与人类道德异化的表现 |
三、科学技术导致人类道德异化的结果 |
第三节 现代性的本质:二律背反 |
第五章 黑格尔的精神异化思想 |
第一节 黑格尔哲学中“异化”概念的产生及其内容 |
一、黑格尔哲学的自然异化 |
二、黑格尔哲学异化的历史过程 |
第二节 黑格尔晚期重要着作:《法哲学原理》中的现代性诊断 |
一、现代性的起点:市民社会的分析与批判 |
二、市民社会的自我超越与意志定在 |
三、现代性的诊断:市民社会与国家的背离 |
第三节 现代性二律背反的发生,既是合理的,又是需要扬弃的 |
一、现代性二律背反发生的合理性 |
二、现代性二律背反发生的扬弃 |
第六章 马克思的人机异化理论 |
第一节 马克思早期异化思想的生成:从宗教异化、政治异化到劳动异化 |
一、异化的开端与马克思早期思想的批判精神 |
二、异化劳动与马克思异化思想的成熟 |
第二节 剩余价值理论深刻解剖了人机关系的本质 |
一、机器在生产力发展过程的作用 |
二、机器与资本范畴的关系 |
三、机器、劳动以及人的关系 |
四、人机关系的异化问题 |
五、人机关系与私有制的批判 |
第三节 现代性:《资本论》的政治经济学批判 |
一、资本与劳动关系的对立 |
二、资本的私向化与社会化的对立 |
三、资本的技术向度与人本向度的对立 |
四、资本的主体间性的内在竞争与对立 |
五、资本追求剩余的秉性与文明发展的极限的对立 |
第四节 马克思之后对“机器”的现代性诊断与反思 |
第七章 21世纪智能化科技革命 |
第一节 20世纪图灵测试一种大胆的设想:“机器是人” |
一、人工智能发端的前奏:两大测试实验 |
二、人工智能“三阶段说”及其特征 |
第二节 21世纪智能化科技革命的经济哲学表征 |
一、人工智能与工业产业的再升级 |
二、人工智能与新型的社会分工 |
三、人工智能与重新定义世界的思维方式 |
第八章 由“机器是人”引发唯物史观的三个重大问题 |
第一节 “机器是人”提出的第一个形上学问题:生命的原理与机器的原理能否重叠? |
一、智能化机器具有生命吗? |
二、智能化机器会有意识吗? |
三、智能化机器要伦理道德吗? |
第二节 “机器是人”提出的第二个形上学问题:马克思的剩余价值理论消失了吗? |
一、智能化机器取代人劳动的表现与担忧 |
二、智能化时代“无人工厂”与劳动价值论 |
三、智能化时代劳动价值论和剩余价值理论会消失吗? |
第三节 “机器是人”提出的第三个形上学问题:马克思的异化理论过时了吗? |
一、异化理论及其在智能化时代的嬗变 |
二、马克思的异化理论过时了吗? |
第九章 现代性场域里智能化机器与人的关系反思 |
第一节 现代性场域里智能化机器与人关系的延异 |
一、智能化机器显现人类遗忘缺陷的记忆 |
二、智能化机器“检查”一切具体的资源 |
三、智能化机器的外化表现得以澄明并被解蔽 |
第二节 现代性场域里智能化机器与人关系的断裂 |
一、智能化机器使得主体性人的理性能力完全“短路” |
二、智能化机器与人在时空发生断裂的表现 |
三、智能化机器与人对真理的认知 |
第三节 现代性场域里智能化机器与人关系的重塑 |
第十章 “机器是人”命题背后关于人类的遭遇、人类的命运以及人类的未来忧思 |
第一节 智能化时代现代性的转换、遭遇、发展及隐忧 |
一、历史进步与历史整体性观念 |
二、自然是继续被人征服,还是与人日趋和谐? |
三、资本逻辑是在宰制人类,还是造福于人类? |
四、工具理性是目的的丧失,还是意义的再现? |
五、人的主体性是愈渐丧失,还是愈加巩固? |
第二节 人类面对智能化机器未来的三种抉择 |
一、人类被智能化机器“圈养” |
二、人类“战胜”智能化机器 |
三、人类与智能化机器“共生” |
第三节 “机器是人”视野中的人类未来 |
结语 |
一、现代性流变的总体轮廓:概念范畴的反思 |
二、现代性流变的核心轴线:人机关系的嬗变 |
三、现代性流变的风险危机:终结论的沉思 |
四、现代性流变的未来去向:人类面临的选择 |
参考文献 |
致谢 |
个人简历 |
(8)嗅觉神经通路关键部分模型研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.3 论文内容及结构 |
第2章 嗅觉神经通路 |
2.1 引言 |
2.2 前段嗅觉神经通路 |
2.3 中段嗅觉神经通路 |
2.4 后段嗅觉神经通路 |
2.5 小结 |
第3章 前段嗅觉神经通路模型研究 |
3.1 引言 |
3.2 前段嗅觉神经通路模型 |
3.2.1 KIII模型 |
3.2.2 改进的KIII模型 |
3.2.3 小世界特性分析 |
3.3 前段嗅觉神经通路模型分析 |
3.3.1 模型结构分析 |
3.3.2 模型性能分析 |
3.4 小结 |
第4章 后段嗅觉神经通路模型研究 |
4.1 引言 |
4.2 后段嗅觉神经通路模型 |
4.3 特性分析 |
4.3.1 模拟仿真平台 |
4.3.2 分析结果 |
4.4 嗅觉神经通路模型结构假设 |
4.5 小结 |
总结与展望 |
1 总结 |
2 展望 |
参考文献 |
附录 (攻读学位期间发表的论文) |
致谢 |
(9)面向网络语句的自然语言生成算法研究(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 自然语言生成的研究现状 |
1.2.1 传统的自然语言生成方法 |
1.2.2 可训练生成器的出现 |
1.2.3 基于语料库的自然语言生成 |
1.2.4 基于深度学习的自然语言生成 |
1.3 本文的主要研究工作 |
1.4 本文的内容安排 |
第二章 基于混合输入的LSTM自然语言生成模型 |
2.1 引言 |
2.2 基线模型介绍 |
2.3 基于混合输入的多层LSTM网络语言生成模型 |
2.3.1 改进的模型整体架构介绍 |
2.3.2 模型训练及优化——Adam训练方法的改进 |
2.3.3 语句生成优化 |
2.4 实验结果与分析 |
2.4.1 实验数据集 |
2.4.2 实验设置 |
2.4.3 实验结果及分析 |
2.4.4 实用性实验——语句长度实验 |
2.5 本章小结 |
第三章 基于GRU及其变体的自然语言生成算法 |
3.1 引言 |
3.2 相关工作 |
3.3 GRU模型及其变体介绍 |
3.3.1 GRU模型介绍 |
3.3.2 GRU与LSTM性能比较 |
3.3.3 GRU的三种变体 |
3.4 实验结果及分析 |
3.5 本章小结 |
第四章 基于变分自编码器的自然语言生成模型 |
4.1 引言 |
4.2 相关工作 |
4.3 文本VAE预备知识 |
4.3.1 VAE的背景知识 |
4.3.2 文本VAE的相关工作 |
4.4 混合VAE文本生成模型 |
4.4.1 数据预处理 |
4.4.2 混合VAE文本生成模型 |
4.4.3 模型的优化 |
4.5 实验结果及分析 |
4.5.1 KL项权重增长函数实验 |
4.5.2 word-drop值对语句生成效果影响实验 |
4.5.3 模型比较结果及分析 |
4.6 本章小结 |
第五章 总结与展望 |
5.1 论文总结 |
5.2 工作展望 |
参考文献 |
致谢 |
在学期间的研究成果及发表的论文 |
(10)基于机器学习的脱硝系统建模研究(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 课题研究现状 |
1.2.1 机器学习简介 |
1.2.2 SCR脱硝系统建模研究 |
1.3 本文研究对象 |
1.4 论文的主要内容 |
第二章 SCR系统机理模型 |
2.1 引言 |
2.2 SCR系统简介 |
2.2.1 SCR烟气脱硝反应原理 |
2.2.2 SCR系统布置工艺 |
2.3 SCR系统机理模型 |
2.3.1 SCR系统动力学模型 |
2.3.2 模型求解 |
2.4 机理模型参数辨识 |
2.4.1 标准粒子群算法 |
2.4.2 改进粒子群优化算法 |
2.4.3 IPSO算法性能验证 |
2.4.4 基于IPSO算法的机理模型参数辨识 |
2.4.5 机理模型验证 |
2.5 本章小结 |
第三章 基于IS-LSSVR的 SCR系统喷氨量预测模型 |
3.1 引言 |
3.2 最小二乘支持向量机回归 |
3.3 改进稀疏最小二乘支持向量机回归 |
3.3.1 LSSVR的稀疏化分析 |
3.3.2 兼顾奇异点剔除的稀疏策略 |
3.3.3 改进稀疏LSSVR的性能验证 |
3.4 基于IS-LSSVR的 SCR脱硝系统喷氨量预测模型 |
3.5 本章小结 |
第四章 基于LSTM的烟气NOX浓度软测量模型 |
4.1 引言 |
4.2 烟气NOX浓度软测量分析 |
4.3 长短期记忆神经网络 |
4.3.1 循环神经网络 |
4.3.2 长短期记忆神经网络 |
4.4 基于LSTM的烟囱入口NOX浓度软测量模型 |
4.4.1 辅助变量确定及建模数据准备 |
4.4.2 LSTM神经网络模型的建立 |
4.4.3 LSTM模型对比验证 |
4.5 自适应LSTM软测量模型 |
4.5.1 自适应更新策略 |
4.5.2 自适应LSTM模型性能验证 |
4.6 本章小结 |
第五章 SCR脱硝催化剂性能劣化分析 |
5.1 引言 |
5.2 基于机理模型的SCR脱硝反应动力学参数变化分析 |
5.3 基于数据模型的SCR标准工况耗氨量变化分析 |
5.4 本章小结 |
第六章 SCR系统状态监测及催化剂性能劣化分析软件开发 |
6.1 引言 |
6.2 SCR系统状态监测及催化剂性能劣化分析软件开发 |
6.2.1 软件功能设计 |
6.2.2 开发环境及软件 |
6.2.3 SCR脱硝系统状态监测平台 |
6.2.4 SCR脱硝系统催化剂性能劣化分析平台 |
6.3 本章小结 |
第七章 结论与展望 |
7.1 论文主要工作 |
7.2 进一步研究方向 |
参考文献 |
致谢 |
作者简介 |
四、A SPEECH RECOGNITION METHOD USING COMPETITIVE AND SELECTIVE LEARNING NEURAL NETWORKS(论文参考文献)
- [1]基于分子表征的药物筛选方法及应用[D]. 王栋. 华中农业大学, 2021(02)
- [2]分子动力学模拟结合深度学习探究氨基酸突变或配体结合对酶活性的影响[D]. 朱镜璇. 吉林大学, 2021(01)
- [3]基于高光谱技术的食源性致病菌菌落分类检测研究[D]. 顾鹏. 华中农业大学, 2020(02)
- [4]基于用户评论数据的汽车产品功能需求分析方法研究[D]. 杨婷婷. 天津大学, 2020(02)
- [5]中美中小学人工智能教育的比较研究[D]. 韩倩倩. 浙江师范大学, 2020(02)
- [6]对象的视觉关系检测算法研究[D]. 张帅. 西安电子科技大学, 2020(05)
- [7]现代性的流变:从“人是机器”到“机器是人”[D]. 熊亮. 上海财经大学, 2020(04)
- [8]嗅觉神经通路关键部分模型研究[D]. 田恬恬. 湖南师范大学, 2020(01)
- [9]面向网络语句的自然语言生成算法研究[D]. 刘庆庆. 南京航空航天大学, 2020(07)
- [10]基于机器学习的脱硝系统建模研究[D]. 高常乐. 东南大学, 2019(01)