导读:本文包含了生成学习论文开题报告文献综述及选题提纲参考文献，主要关键词:偶像,勇于担当,价值观判断
生成学习论文文献综述
李群华[1]（2019）在《培养学生的社会承担意识——“偶像生成学习领域”课程育人案例》一文中研究指出本文介绍上海市第八中学结合高中男生的发展需求及特性,以"偶像生成学习领域"课程为切入点,实施"智诚教育",培养具有社会承担意识的未来接班人。(本文来源于《现代教学》期刊2019年Z3期）
许靳昌[2]（2019）在《基于对抗式生成学习的人脸幻象研究》一文中研究指出现如今,基于深度学习的计算机视觉任务随着深度学习技术的发展都得到大幅提升,转化为我们当今生活中触手可及的应用。图像超分辨率重建不同于人脸识别、物体检测等高层语义理解的问题,图像超分辨率重建研究的是图像的视觉呈现效果,是比较偏向底层的技术,也是计算机视觉领域的几个基础子问题之一,在监控视频人脸恢复、低清图片重建、视频重建等领域有许多实际的应用。图像超分重建的难点有以下几个方面。首先图像超分辨率重建网络的计算都比较大,占用显存较多,比较依赖于硬件设备,如何将超分算法做到性能又高又快是非常需要亟待解决的问题;第二点如何超分重建模糊的小图片,对于大的质量高的图片,图片本身细节就相对丰富,再超分放大得到的图片更加清晰,然而实际需要超分的图片,往往是带有各式各样的模糊,图片尺寸比较小,能够利用的信息也比较少,如何使超分算法成功超分这样的图片也是一个需要突破的难点。为了解决上述难点问题,本文主要做了以下几点贡献:·探究目前基于深度学习方法的图像重建,对比不同的卷积神经网络结构,设计了实时图像超分网络结构TLSR。·对于超分和去模糊问题,设计了多尺度金字塔网络结构,使用层级化的监督方式,使得网络可以同时重建出多个不同尺度的超分图片并且能够去除图片中的JPEG模糊带来的“振铃”伪影。·针对监控视频中的模糊人脸的重建,设计了一个端到端的基于对抗式生成网络用来重建小人脸的框架,使用了叁种不同的残差模块,common、upsample和downsample。在设计优化目标函数时,除了一般GAN网络的对抗生成损失函数,还引入了像素值间距离损失函数。(本文来源于《北京邮电大学》期刊2019-03-26）
盛群力[3]（2019）在《生成学习及其策略》一文中研究指出为什么机器人能够战胜围棋高手?为什么人工智能医学助理读片能够同资深医生一比高下?这是因为人工智能研究和计算机科学已经对机器学习的算法有了透彻了解,掌握了机器学习的奥秘。一台没有任何经验的机器,经过了一定的学习程序,掌握了智能算法,就能够胜任许多智力劳动,甚至在很多方面的效率和效果领先于人类。机器学习是高科技的结晶,那么,人类学习的模式到底是什么呢?人类学习的(本文来源于《教育家》期刊2019年08期）
周云华[4]（2019）在《历史课堂生成资源的处理艺术——基于威特罗克的生成学习理论》一文中研究指出生成,意味着不断地增值、变化和创造,蕴含着一定的不可预见性和创新性。课堂上,为凸显生成学习的价值,教师可从四个方面把握课堂生成资源的处理艺术,即听到不同声音时要适当慢,发现无关因素时要及时转,遇到特殊问题时要勇于变,抓住关键细节时要深入挖。(本文来源于《教育研究与评论(中学教育教学)》期刊2019年02期）
陈静[5]（2019）在《借鉴生成学习理论构建英语高效阅读课堂》一文中研究指出本文论述基于生成学习理论的英语高效课堂的构建,将生成学习理论划分的学习模式与阅读教学相结合,提出话题导入激发阅读动力、捕捉主干信息完成内化、强化信息联结生成关系、开展话题延伸实现拓展等策略,以此提升英语阅读教学质量。(本文来源于《广西教育》期刊2019年06期）
吴炎芳[6]（2018）在《立足文本 关注生成 学习语言——浅谈语文课如何引领学生实现言语生成》一文中研究指出《义务教育语文课程标准(2011年版)》指出,语文是最重要的交际工具,是人类文化的重要组成部分。语文课程应指导学生正确理解和运用祖国语言,丰富语言的积累,培养语感,发展思维。这就要求教师在教学实践中,立足文本,准确捕捉语言训练点,有效引领学生实现言语生成,让学生在言语实践中,内化语言、运用语言、丰富语言积淀、促进言语运用能力的发展。(本文来源于《新教师》期刊2018年05期）
赵玉桂[7]（2018）在《基于生成学习的高光谱遥感图像分类算法研究》一文中研究指出在遥感技术的应用中,遥感图像分类是一种非常重要的技术。近些年,高光谱遥感图像数据应用越来越广泛,无论是地表信息获取、植被覆盖率监测、还是地图制作等都与遥感分类技术是分不开的。然而,高光谱遥感数据的高维性、冗余性等特点严重影响了遥感分类技术的发展。针对高光谱遥感图像在分类中遇到的挑战,本文就数据降维、空谱特征融合、分类算法进行了研究。生成学习算法是通过总结类别的特征分布和先验概率来判断某个样本的所属类别。生成学习算法虽然解决了判别学习模型存在的一些问题,但是,其在分类中还存在许多不足之处。因此,该算法有待改进和完善。针对其不足,本文提出了改进型的分类算法,先将高光谱数据进行降维处理,然后利用线性鉴别分析将提取的光谱特征与空间特征进行降维融合,最后,在此空间中进行分类。这种改进型的分类算法不仅提高了地物的识别能力,而且也加速了分类进程。本文算法分为两步。第一步空谱特征融合,首先,利用主成分分析提取高光谱图像的光谱特征,在此基础上,利用形态学滤波算子提取高光谱图像的空间特征;然后,将所获得的两种特征进行迭加融合;最后,利用线性鉴别分析对融合特征进行进一步降维,从而获得分类的空谱特征空间。主成分分析可以提取高光谱图像的主要特征,从而可以有效的缩减高光谱数据的维数,并提高分类效率。空间特征的提取有利于不同类别的区分。线性鉴别分析对空谱信息的二次降维融合进一步加大了类间差距,缩小了类内差距。第二步,在形成的空谱特征空间利用高斯判别分析进行分类。实验结果表明,与其他分类算法相比,本文算法在分类中具有一定的优势。本文通过生成学习算法的探讨和研究,针对该算法本身存在的不足提出了一种改进型的算法。在高光谱遥感图像分类中,该算法不仅充分利用了高光谱图像的空谱信息,而且有效的提高了高光谱遥感图像的分类效率和分类精度。论文最后实验结果评价了本文算法分类性能的优劣,为今后的研究奠定了基础。(本文来源于《北方民族大学》期刊2018-05-01）
谢小清[8]（2017）在《探寻学生思维起点,生成学习顿悟机会》一文中研究指出初中语文课堂教学时,教师要特别关注学生主动学习思维的发动,强化教学引导,催生学生积极顿悟意识,可以有效提升教学品质。顿悟,是思维获得重要突破的表现形式,所谓茅塞顿开,说的就是顿悟。在课堂教学过程中,如果能够让学生不断顿悟,说明教师教学引导设计是比较成功的。因此,教师需要做好深度教学调研,探寻学生学习思维起点,给出科学点拨,形成激发力量,促使学生在不断顿悟中形成学习认知。一、强化引导,催生顿悟积极因素(本文来源于《教育艺术》期刊2017年06期）
洛根·费奥雷拉,理查德,E.梅耶,陆琦,盛群力[9]（2016）在《八种生成学习策略》一文中研究指出生成学习意味着学习者会积极尝试去理解所呈现的材料内容。学习者会通过在学习时对所呈现材料进行相关部分的"选择",在工作记忆中进行心理表征的"组织",再将所组织的材料与长时记忆中激活的已有知识进行"整合",以此实现知识的掌握并能将其运用到新的情境中。本文总结了在特定情境下能够有效促进生成学习的八种策略:善作小结、结构映射、绘制图示、联想要义、自我检查、自我解释、乐于教人与生动再现。本文首先简要地概述生成学习理论,其次阐述每一种生成学习策略,最后则探讨生成学习对研究学习科学的重要意义。(本文来源于《数字教育》期刊2016年03期）
唐博,梁兴思,张静,李铂[10]（2016）在《生成学习理论教学法在培养研究生科研思维中的应用效果探讨》一文中研究指出目的探讨维特罗克所提倡的生成学习理论教学法在培养研究生科研思维中的应用效果。方法在该校研究生学院选择2014级在读学术型临床专业研究生50名,将学生随机分为两组,观察组和对照组。对照组运用传统的培养方式:在老师的带领下,对学生进行文献查阅的指导,并给予一定的方向,同时老师重点讲授文献中的实验结果。观察组使用维特罗克所提倡的生成学习理论教学法来培养学生。采用问卷调查和提交课题并由专家组综合评分的形式对两组学生进行考察。结果观察组学生在问卷调查表中对学习积极性、创新性以及对新型培养方式的满意度均高于对照组,差异有统计学意义(P<0.5);观察组学生在创新课题报告中的表现,用考核成绩评价为(79.7±3.2)分,对照组学生考核成绩评价为(65.1±6.7)分,两组考核成绩差异有统计学意义(P<0.05)。结论维特罗克所提倡的生成学习理论教学法对于培养研究生科研思维效果明显,值得大家参考。(本文来源于《中国卫生产业》期刊2016年11期）
生成学习论文开题报告
（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：
现如今,基于深度学习的计算机视觉任务随着深度学习技术的发展都得到大幅提升,转化为我们当今生活中触手可及的应用。图像超分辨率重建不同于人脸识别、物体检测等高层语义理解的问题,图像超分辨率重建研究的是图像的视觉呈现效果,是比较偏向底层的技术,也是计算机视觉领域的几个基础子问题之一,在监控视频人脸恢复、低清图片重建、视频重建等领域有许多实际的应用。图像超分重建的难点有以下几个方面。首先图像超分辨率重建网络的计算都比较大,占用显存较多,比较依赖于硬件设备,如何将超分算法做到性能又高又快是非常需要亟待解决的问题;第二点如何超分重建模糊的小图片,对于大的质量高的图片,图片本身细节就相对丰富,再超分放大得到的图片更加清晰,然而实际需要超分的图片,往往是带有各式各样的模糊,图片尺寸比较小,能够利用的信息也比较少,如何使超分算法成功超分这样的图片也是一个需要突破的难点。为了解决上述难点问题,本文主要做了以下几点贡献:·探究目前基于深度学习方法的图像重建,对比不同的卷积神经网络结构,设计了实时图像超分网络结构TLSR。·对于超分和去模糊问题,设计了多尺度金字塔网络结构,使用层级化的监督方式,使得网络可以同时重建出多个不同尺度的超分图片并且能够去除图片中的JPEG模糊带来的“振铃”伪影。·针对监控视频中的模糊人脸的重建,设计了一个端到端的基于对抗式生成网络用来重建小人脸的框架,使用了叁种不同的残差模块,common、upsample和downsample。在设计优化目标函数时,除了一般GAN网络的对抗生成损失函数,还引入了像素值间距离损失函数。
（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。
生成学习论文参考文献
[1].李群华.培养学生的社会承担意识——“偶像生成学习领域”课程育人案例[J].现代教学.2019
[2].许靳昌.基于对抗式生成学习的人脸幻象研究[D].北京邮电大学.2019
[3].盛群力.生成学习及其策略[J].教育家.2019
[4].周云华.历史课堂生成资源的处理艺术——基于威特罗克的生成学习理论[J].教育研究与评论(中学教育教学).2019
[5].陈静.借鉴生成学习理论构建英语高效阅读课堂[J].广西教育.2019
[6].吴炎芳.立足文本关注生成学习语言——浅谈语文课如何引领学生实现言语生成[J].新教师.2018
[7].赵玉桂.基于生成学习的高光谱遥感图像分类算法研究[D].北方民族大学.2018
[8].谢小清.探寻学生思维起点,生成学习顿悟机会[J].教育艺术.2017
[9].洛根·费奥雷拉,理查德,E.梅耶,陆琦,盛群力.八种生成学习策略[J].数字教育.2016
[10].唐博,梁兴思,张静,李铂.生成学习理论教学法在培养研究生科研思维中的应用效果探讨[J].中国卫生产业.2016