导读:本文包含了感知学习偏好论文开题报告文献综述及选题提纲参考文献，主要关键词:情境感知,移动学习,质量评价,影响因素
感知学习偏好论文文献综述
张剑[1]（2019）在《情境感知移动学习质量影响因素与评价标准研究》一文中研究指出近年来,随着移动技术、无线网络技术的飞速发展,智能设备(手机、平板电脑等)的不断普及,移动学习成为整个教育界的关注焦点,深受更多的学习者青睐和追捧。然而由于移动学习的碎片化、移动性、非正式性等特点,使得移动学习质量难以保证,文章首先分析情境感知移动学习质量的影响因素,探讨情境感知移动学习质量评价内容和标准,为移动学习的顺利展开提供参考。(本文来源于《电子商务》期刊2019年12期）
朱祖勍,孔嘉伟,牛彬,唐绍飞,房红强[2]（2019）在《基于深度学习的面向IP-over-EON的可编程跨层网络业务性能感知系统》一文中研究指出为了实现实时的、细粒度的网络性能监测与调整,并且满足不同应用的特定服务质量需求,提出了基于深度学习的面向IP-over-EON的可编程跨层网络业务性能感知系统。该系统将基于网络业务性能感知的分布式网络监测与集中式网络管控相结合,分布式网络监测实现跨层和细粒度的网络监控,并基于深度学习进行数据分析。实验结果表明,该系统通过有机地结合集中式与分布式的处理方式,实现了及时的、自动化的网络控制与管理,具有良好的可扩展性。(本文来源于《通信学报》期刊2019年11期）
唐颖,葛蓉[3]（2019）在《长春英语学习者前元音的感知与产出研究》一文中研究指出本研究借助Praat语音分析软件对比了长春英语学习者和英语本族语者前元音的产出情况,并利用E-Prime软件对长春英语学习者前元音进行了感知实验。产出实验结果显示:长春英语学习者在产出英语前元音时无法正确区分相似音,产出标准程度明显不如英语本族语者。具体表现为长春英语学习者/i/和/i:/,/?/和/e/容易混淆,在产出前元音时舌位较美国发音人更低、更靠前。感知实验结果显示:长春英语学习者前元音感知情况存在较大差异,/i/和/i:/的感知情况较好,而/?/和/e/的感知情况不理想。相关性研究发现前元音产出与感知具有一定的相关性,感知情况较好的前元音产出效果也较为理想。影响产出与感知的因素复杂多样,如母语的负迁移和习得水平等。研究结果提示我们在英语语音教学过程中,有必要进行专门的感知和发音训练。(本文来源于《吉林省教育学院学报》期刊2019年11期）
王格格,郭涛,余游,苏菡[4]（2019）在《基于半监督学习的多层感知器生成对抗网络》一文中研究指出半监督学习通过充分利用大量无标记数据和少量有标记数据来改善学习性能,近年来已成为机器学习领域的研究热点.半监督生成对抗网络(SGAN)将生成对抗网络扩展到半监督学习,通过在原始无标记输入数据的基础上加入少量有标记数据,并将判别器转换成分类器输出分类结果,以此来解决传统分类问题中因有标记训练数据太少引起的过拟合问题.但SGAN判别器上的线性卷积层提取图像深层次特征的能力较弱,使其在半监督环境下对图像进行分类的准确率不高,且生成的图像质量较差.为此,提出半监督多层感知器生成对抗网络(SMPGAN).该网络采用多层感知器卷积层代替SGAN判别器上的线性卷积层来提高抽象层次,并在生成器上使用特征匹配进一步提高图像的分类精度.在不同数量的有标记样本辅助下,SMPGAN的分类精度和图像生成效果均有明显提升.(本文来源于《小型微型计算机系统》期刊2019年11期）
纪泽宇,张兴军,付哲,高柏松,李靖波[5]（2019）在《分布式深度学习框架下基于性能感知的DBS-SGD算法》一文中研究指出通过增加模型的深度以及训练数据的样本数量,深度神经网络模型能够在多个机器学习任务中获得更好的性能,然而这些必要的操作会使得深度神经网络模型训练的开销相应增大.因此为了更好地应对大量的训练开销,在分布式计算环境中对深度神经网络模型的训练过程进行加速成为了研发人员最常用的手段.随机梯度下降(stochastic gradient descent, SGD)算法是当前深度神经网络模型中最常见的训练算法之一,然而SGD在进行并行化的时候容易产生梯度过时问题,从而影响算法的整体收敛性.现有解决方案大部分针对的是各节点性能差别较小的高性能计算(high performance computing, HPC)环境,很少有研究考虑过各节点性能差别较大的集群环境.针对上述问题进行研究并提出了一种基于性能感知技术的动态batch size随机梯度下降算法(dynamic batch size SGD, DBS-SGD).该算法通过分析各节点的计算能力,对各节点的minibatch进行动态分配,从而保证了节点间每次迭代更新的时间基本一致,进而降低了节点的平均梯度过时值.提出的算法能够有效优化异步更新策略中存在的梯度过时问题.选用常用的图像分类基准Mnist和cifar10作为训练数据集,将该算法与异步随机梯度下降(asynchronous SGD, ASGD)算法、n-soft算法进行了对比.实验结果表明:在不损失加速比的情况下,Mnist数据集的loss函数值降低了60%,cifar数据集的准确率提升了约10%,loss函数值降低了10%,其性能高于ASGD算法和n-soft算法,接近同步策略下的收敛曲线.(本文来源于《计算机研究与发展》期刊2019年11期）
陈宇磊,黄晓杰,邵跃堂,傅伟清,吴磊[6]（2019）在《基于感知机学习算法的地铁无线通信故障分析》一文中研究指出针对上海轨道交通11号线出现的车地无线通信失效的问题,对无线通信故障进行了研究。主要采用机器学习PLA算法(感知机学习算法)相关知识,对无线通信系统中列车运行时产生的日志数据进行分析研究,并使用AP(无线接入点)时间-状态曲线图、AP异常状态统计图和AP告警统计表等3种方式对轨旁通信设备AP运行状态信息进行统计及可视化展示。利用地铁公司提供的真实日志数据,验证了这种故障分析方式的有效性。该分析方式能够帮助地铁工作人员及时发现AP设备隐患、故障并维护,从而改善通信质量、提高通信效率,同时对其他地铁沿线通信故障分析也具有重要的借鉴意义。(本文来源于《城市轨道交通研究》期刊2019年11期）
方敏,钱晶,孙影[7]（2019）在《感知教师领导行为、行为调节与小学生体育学习投入的关系》一文中研究指出研究目的:学习投入是指学生在学习活动中行为涉入的强度、情感体验的质量以及所采用的认知策略。其不仅是衡量学生参与学习活动的主动性和努力程度的重要观测点,而且是预测学业成就,衡量教育质量的重要指标之一。本研究基于国内体育课多为教师主导下的结构性教学以及教学行为多样性特点,根据自我决定理论构建个体的内部和外部因素影响体育学习投入的中介模型,揭示不同动机类型对体育学习投入的作用差异。着力于促进学生体育学习投入的关键因素及其对体育学习投入的作用机制对于改善体育学习质量、促进学生体质健康具有重要的实践价值。研究方法:依据小学生的"向师性"心理和道德、兴趣发展的敏感期特点,选取小学高年级学生为研究对象。采用整群分层抽样,选取江苏和安徽两省4城市的9所小学856名5、6年级学生。采用体育教师领导行为量表、行为调节量表和专注力、乐趣和选择挑战性任务量表分别评价小学生感知的教师教学行为、自我决定动机和体育学习投入。剔除无效问卷后,有效被试769人,其中五年级406人,六年级363人;男生379人,女生390人。平均年龄11.21±0.58岁。为了确保量表测量的共同方法偏差,采用Harman单因子方法对问卷所有题目进行探索性因素分析,结果显示,抽取的特征值大于1的因子中,且第1个因子的解释变异量仅为13.43%,小于40%的判断标准,表明数据不存在共同方法偏差。研究数据采用SPSS17.0和MPLUS 7.4软件进行处理分析。研究结果:1相关变量的描述性统计及相关分析小学生对教师领导行为的感知均呈现较高的认可度,教师领导行为的性别和年级无统计学意义的差异(F=1.41,P=0.22;F=2.20,P=0.06)。小学生的体育学习动机总体上以自我决定和自主性动机为主,无动机、外在调节动机、内摄调节动机的得分显着低于自主性程度较高的内在动机和认同调节动机(F=25.12,P=0.00)。体育学习过程中,男女生都表现较高的体育学习投入度。相关分析表明,教师领导行为各维度与体育学习投入均呈现正相关,无动机和外在调节与学习投入呈负相关,认同调节和内在动机与学习投入正相关,且自主性程度越强正相关系数值越高,表明小学生体育学习投入度随动机的自主性程度呈正向变化。2教师领导行为与动机类型、体育学习投入的关系多元回归分析结果表明教师领导行为对学习动机类型和学习投入的预测作用。教师领导行为各因子对内在动机和认同调节动机有积极的正向预测作用,其中,对内在动机的预测力最为明显。此外,教学指导行为负向预测了控制性动机,而社会支持正向预测控制性动机(内摄调节和外在调节)。教师行为对体育学习投入及各因子的影响呈现类似的结果,教学行为、社会支持行为、管理行为和沟通行为正向预测了小学生的体育学习投入,教师领导行为共解释学习投入26.7%的方差。3动机类型与体育学习投入的关系动机类型与体育学习投入的多元回归分析结果显示:内在动机、内摄调节、认同调节正向预测学习投入,外在动机和无动机负向预测学习投入。学习动机解释学习投入36.0%的方差(F=88.223,P=0.00)。结果表明:外部动机的行为调节过程中,低自我调节水平的外部学习动机(外在调节)对体育学习投入有明显的抑制作用,而中等和高自我调节水平(内摄调节和认同调节)的外部动机正向预测体育学习投入,且预测效应随动机内化程度而增强。4自我决定动机的中介作用采用结构方程模型考察自主性动机在教师领导行为与小学生体育学习投入关系中的中介作用。运用Bootstrapping的稳健最大似然法估计模型。研究支持自主指数在教师领导行为与体育学习投入之间的部分中介作用。教师领导行为对自主指数和体育学习投入的标准化估计值分别为0.39(SE=0.03,P<0.01)和0.41(SE=0.05,P<0.01);自主性动机的间接效应β=0.18(SE=0.02,P<0.01)。设定的部分中介模型解释体育学习投入53.2%的方差。研究结论:(1)小学生在体育课上表现出较高的学习专注力、更高的乐趣、更愿意参与具有挑战性的学习任务。(2)学生感知到教师提供的教学领导行为,既可以直接影响学生的学习投入,也可以通过影响学生在课堂上的认知和评价系统来间接影响学习投入。从动机调节方式作用途径的角度揭示了教师教学方式与学习投入的联系。研究结果强调了中国学校环境下领导式教学风格的结构化教学环境对儿童学习发展的重要性。(3)激发自主性动机来提高小学生体育学习投入的影响远大于外部动机,但不可忽视外部激励策略在提升学习投入、激发学习动机内化过程中的作用。体育学习环境中既要重视学习者的动机激发,又要注重提升对体育教师教学策略的培养训练,以实现其持久有效的体育学习投入。(本文来源于《第十一届全国体育科学大会论文摘要汇编》期刊2019-11-01）
尹力[8]（2019）在《如何实现机器人灵巧操作的主动感知与技能学习?》一文中研究指出作为国内顶尖学府之一,清华大学是我国最早开展智能机器人研究的单位之一。早在1985年该校就成立了智能机器人实验室,1990年智能技术与系统国家重点实验室又在此成立。2019年5月,清华大学人工智能研究院智能机器人研究中心宣告成立。该中心旨在推进跨学科基础理论研究,密切结合人工智能、认知科学、生物材料、仿生学等领域的最新进展,与人工智能研究院其他中心通力合作,在机器人主动感知、认知学习、(本文来源于《高科技与产业化》期刊2019年10期）
鲍瑜静[9]（2019）在《基于群体感知的CSCL的学习分析工具》一文中研究指出随着社会经济发展,教育的精益化发展需求日益突出,计算机支持的协作学习(Computer Supported Collaborative Learning,CSCL),指在计算机的支持下,通过协同学习环境,应用人际交互的协同效应以及计算机信息网络环境传达与解决优势的基础上进行的传统合作学习的延伸和发展的新的学习模式。但是CSCL机制也存在协作与交互机制的问题。本文构建分析基于群体感知的CSCL学习分析工具。(本文来源于《试题与研究》期刊2019年34期）
卢兰凤[10]（2019）在《感知教师自主支持与网络英语自主学习成效关系研究——自我导向式学习的中介效应》一文中研究指出"互联网+"时代网络英语学习形式快速发展,但针对继续教育和终身教育主要群体——成人英语学习者的网络英语自主学习成效研究相对不足。以自我决定理论为基础,通过对某开放大学282名成人英语学习者进行问卷调查,运用结构方程模型检验网络英语自主学习成效的影响因素。结果表明:学生感知教师自主支持、自我导向式学习能力均正向影响网络英语自主学习成效;自我导向式学习在感知教师自主支持和网络英语自主学习成效间起中介效应。研究结果为提高成人学习者网络英语自主学习成效提供一定理论支撑并提出实践建议。(本文来源于《广东开放大学学报》期刊2019年05期）
感知学习偏好论文开题报告
（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：
为了实现实时的、细粒度的网络性能监测与调整,并且满足不同应用的特定服务质量需求,提出了基于深度学习的面向IP-over-EON的可编程跨层网络业务性能感知系统。该系统将基于网络业务性能感知的分布式网络监测与集中式网络管控相结合,分布式网络监测实现跨层和细粒度的网络监控,并基于深度学习进行数据分析。实验结果表明,该系统通过有机地结合集中式与分布式的处理方式,实现了及时的、自动化的网络控制与管理,具有良好的可扩展性。
（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。
感知学习偏好论文参考文献
[1].张剑.情境感知移动学习质量影响因素与评价标准研究[J].电子商务.2019
[2].朱祖勍,孔嘉伟,牛彬,唐绍飞,房红强.基于深度学习的面向IP-over-EON的可编程跨层网络业务性能感知系统[J].通信学报.2019
[3].唐颖,葛蓉.长春英语学习者前元音的感知与产出研究[J].吉林省教育学院学报.2019
[4].王格格,郭涛,余游,苏菡.基于半监督学习的多层感知器生成对抗网络[J].小型微型计算机系统.2019
[5].纪泽宇,张兴军,付哲,高柏松,李靖波.分布式深度学习框架下基于性能感知的DBS-SGD算法[J].计算机研究与发展.2019
[6].陈宇磊,黄晓杰,邵跃堂,傅伟清,吴磊.基于感知机学习算法的地铁无线通信故障分析[J].城市轨道交通研究.2019
[7].方敏,钱晶,孙影.感知教师领导行为、行为调节与小学生体育学习投入的关系[C].第十一届全国体育科学大会论文摘要汇编.2019
[8].尹力.如何实现机器人灵巧操作的主动感知与技能学习?[J].高科技与产业化.2019
[9].鲍瑜静.基于群体感知的CSCL的学习分析工具[J].试题与研究.2019
[10].卢兰凤.感知教师自主支持与网络英语自主学习成效关系研究——自我导向式学习的中介效应[J].广东开放大学学报.2019