一、单元网络教学研究方法初探（论文文献综述）
唐闺臣,谢跃,李克[1]（2021）在《基于人工智能技术的学生情绪在线分析方法》文中研究指明近年来,因为疫情以及音视频和网络技术的发展,在线教学急速发展。与传统课堂教学相比,在线教学具有不受地点限制、互动范围广等优点。但是,在线教学比较缺乏师生互动,受环境和软件等因素影响老师无法面对面有效观察学员,从而无法判断学习者的当时的学习状态,影响教学效果。为此,本文提出一种基于人工智能技术的学生情绪在线分析方法,旨在通过识别学生的情绪来辅助了解当前学生的学习状态,从而为授课教师提供教学参考,进而帮助老师正确选择教学策略,以达到提高教学质量的目的。
高子静[2]（2021）在《面向Scratch平台的音乐智能处理系统的研究与实现》文中研究表明随着计算机技术快速发展,人工智能技术已经在各行各业中应用。在信息科学教育领域,基于块的编程语言受到了越来越多学生和老师的关注。Scratch是一种基于块的可视化在线编程语言,用类似儿童积木来形象地表示代码模块,其低门槛和易于上手的特性使得其受到越来越多学生和老师的欢迎。Scratch工具中的音乐模块使得Scratch作品更加多元化,且具有艺术性。作品中音乐可以很好地表达出作者的情感。但是目前的Scratch平台上,没有提供一个能够识别音乐情感的工具,使用者无法了解自己制作的Scratch音乐的情感;同时,Scratch平台也没有提供音乐库,供用户根据自己的需求检索相关音乐为其作品配乐。因此在Scratch平台中,利用人工智能技术进行音乐智能处理系统的设计与实现,不仅可以让学生创作更加丰富的作品,还可以直观体验和理解人工智能技术。面向Scratch平台研究和实现音乐智能处理系统,需要对音乐情感识别和音乐生成等问题展开研究,构建Scratch音乐情感识别模型和Scratch音乐生成模型。在Scratch音乐情感识别模型中,通过分析Scratch音乐与传统音乐的差异性,构造了 Scratch音乐情感识别数据集,进而从Scratch音乐的音频底层特征和时序特征两个方面学习其与情感概念之间的联系,并引入注意力机制提高识别率。在Scratch音乐生成模型中,通过基于情感、时间结构的生成式对抗网络,构造了能够生成Pianoroll格式音乐的Scratch音乐生成模型,并且在生成器和判别器中使用卷积神经网络提升训练速度。两个算法模型通过多组对比实验和算法有效性实验,验证了模型的有效性和实用性。最后,设计并实现了面向Scratch平台的音乐智能处理系统。通过将Scratch音乐情感识别模型和Scratch音乐生成模型融入系统中,实现了 Scratch音乐情感识别和Scratch音乐检索等相关功能。丰富了Scratch平台中与音乐相关的模块,提高了平台的趣味性,帮助用户更好地创作作品学习编程,让青少年在使用Scratch平台的音乐相关功能时能够对人工智能有一个亲身体验,将会提高青少年学习编程的兴趣。
唐勇睿[3]（2021）在《面向Scratch的古诗智能处理系统的研究与实现》文中研究指明在当今信息科技飞速发展的时代,人工智能已经广泛应用到了教育领域。在青少年信息化教育中,基于Scratch的块编程越来越受到老师和学生的青睐。利用Scratch工具创作诗歌作品,能够让学生掌握Scratch编程技能,同时又提升语文学习兴趣。在目前的Scratch平台上,并没有为诗歌创作提供相关扩展块,从而使得Scratch诗歌作品创作具有局限性。因此在Scratch平台中,利用深度学习相关技术设计与实现诗歌智能处理系统,不仅可以让学生创作更加丰富的作品,还可以直观体验和理解人工智能技术。面向Scratch的古诗智能处理系统,包括前端扩展块部分和后端古诗情感识别部分。在古诗情感识别部分,鉴于中国古诗的多样性,选取了中国最具有代表性的唐诗和宋词,分别建立情感识别模型。在唐诗情感识别模型中,通过连续词袋模型、卷积神经网络和循环神经网络的结合,从唐诗局部特征和全局时序特征两个方面学习唐诗与情感倾向的内在联系,并利用唐诗对仗的特性对模型进行了进一步的优化。在宋词情感识别模型中,通过基于情绪特征向量的神经网络模型,完成了对宋词情感特征的学习。算法模型通过多组对比实验,验证了模型的有效性和合理性。最后,基于上述情感识别模型,设计并实现了面向Scratch的古诗智能处理系统,包括Scratch古诗创作、Scratch古诗检索和Scratch古诗情感识别等相关功能。拓展了 Scratch平台中与古诗智能处理相关的编程模块,提升了平台的趣味性。青少年在使用Scratch平台进行古诗相关作品创作的同时,又能够体验人工智能技术的魅力,将会提高青少年对未知领域进行探索的兴趣。
李永敏[4]（2021）在《基于音视频的多模态融合说话人识别研究》文中研究表明在信息化高度发展的今天,如何快速准确地识别出一个人身份,同时并保证其信息安全是一个必须研究的课题。虽然单一模态的生物特征识别技术已经广泛应用于各种场景中,但是仍然存在安全性低、易受到环境干扰等弊端。为了解决这一弊端,基于多模态融合的身份识别技术开始成为研究的热点,它被认为是未来身份识别的发展方向。本文基于声纹和人脸模态,研究多模态融合的生物特征识别技术,并探讨其对环境的适应性。本文的主要工作如下:1、研究多模态数据的融合方法和策略,分析多模态融合的身份识别技术在识别准确率上的优势。在Vox Celeb2数据集上利用深度残差网络（Res Net）和双向门控循环单元（Bi-GRU）对音视频数据进行特征层融合,分别实现了基于端到端的声纹识别、人脸识别和多模态融合的身份识别,通过实验结果的对比和分析,得出多模态融合的身份识正确率比单模态下声纹识别和人脸识别分别提升了17.55%和2.12%。2、研究多模态融合的身份识别系统在噪声环境下的性能表现。对原始数据添加不同程度的噪声,通过对比噪声环境中单模态和多模态融合身份识别在实验中的性能表现,得出在噪声数据下多模态融合的身份识别的正确率较单模态而言均有不同程度的提升。
姚佳佳[5]（2020）在《同伴对话反馈策略促进大学生深度学习的理论与实践研究》文中研究指明传统高校教学中生生之间较为缺乏深度对话互动的机会是其不足以促进大学生实现深度学习的一个重要原因,而基于同伴对话反馈的协作式学习是高校课堂中激发学生高阶思维、加深学习投入的重要实现途径,对缓解高校教学互动现状和实现深度学习有较好的适用性。为了探索能够更好促进学生深度学习的同伴对话反馈策略,本研究以基于学习方法理论的深度学习影响因素模型、反馈干预促进深度学习的交互机制以及深度学习环路等重要相关理论为基础,构建了“同伴对话反馈策略促进深度学习的理论框架”,以此指导探究三种基于不同在线讨论工具（基础、增强、基础与可视化增强）的同伴对话反馈策略对大学生深度学习的具体影响过程和效果。具体实践研究包括:（1）以《现代教育技术》课程的94位大三本科生为研究对象,将其分为19个小组,学期前三周（6个课时）仅进行无讨论活动的教师讲授,后五周（14个课时）在教师讲授基础上增加基于基础在线讨论工具的组内同伴对话反馈活动设计,通过单组前后测实验和内容分析,探究基于基础在线讨论工具的组内同伴对话反馈策略对大学生深度学习的影响过程和效果。（2）以《现代教育技术》课程的57位大二本科生为研究对象,学期前六周（12个课时）的小组展示课使用电子问卷收集班级学生提问,然后由教师或展示小组成员给予面对面回应,后六周（12个课时）在保持小组展示方式和师生面对面交流方式不变的情况下,仅将学生以电子问卷提问的方式改为通过增强在线讨论工具进行同伴提问与回应,且六周里逐次尝试三种不同可视化程度的实时互动界面,每种互动方式持续两周,通过单组前后测实验和内容分析,探究基于增强在线讨论工具的班级同伴对话反馈策略（以及不同可视化程度的互动界面）对大学生深度学习的影响过程和效果。（3）以《网络与远程教育》课程的11位大三本科生为研究对象,将其分为3个小组,设计了持续八周（32个课时）的同伴对话反馈活动,包括基于基础在线讨论工具的班级提问与回应、基于可视化增强在线讨论工具的小组协作问题解决以及小组展示与师生答疑交流等环节,每周的学习过程中,学生不断在班级和组内来回转换同伴对话反馈角色,并从同伴处获得双层反馈,通过单组前后测实验、内容分析和个案研究,探究基于基础和可视化增强在线讨论工具的混合同伴对话反馈策略对大学生深度学习的影响过程和效果。研究主要得到以下发现:（1）基于基础在线讨论工具的组内同伴对话反馈策略可以显着促进学生的学习方法从浅表学习转向策略学习和深度学习,且对话反馈参与度越高,学习方法越深,尤其对浅表学习者作用较明显,对深度学习者可能存在负面效果。同时,该策略可以显着促进学生的认知层次从单一或低级多元结构转变到中高级多元结构,但尚不能激发其思维水平发展到更高层次的关联和抽象拓展结构,且更积极参与活动的深度学习者认知层次也并没有比浅表学习者提升更佳,尽管他们在带动浅表学习者参与互动和学习方法深化方面有着较为积极的作用。（2）基于增强在线讨论工具的班级同伴对话反馈策略可以显着削弱学生的浅表学习方法倾向,但对深度学习方法倾向的强化效果不明显。不过,同伴对话反馈过程中初始对话层面和初步反馈层面的提问行为以及深层反馈层面的提问与观点发表类行为都比初始对话层面和初步反馈层面的观点发表类行为更有利于促进学生学习方法的深化。同时,该策略可以显着促进学生的认知层次从浅表思维结构突破到深度思维结构,且适度增加可视化互动能更好地促进学生深层反馈行为的产生以及达到更深的认知层次。（3）基于基础和可视化增强在线讨论工具的混合同伴对话反馈策略既能避免深度学习者的学习方法浅化,又能促进浅表学习者的学习方法突破到深度层次,且学生学习方法的深化与其在班级同伴对话反馈中的深层认知初步回答行为密切相关,学生更多地在小组协作前期参与内容相关的组内同伴对话反馈有助于提升其在班级同伴对话反馈中的初步回答行为认知层次。此外,小组在协作解决问题的过程中存在问题导向、资料导向、任务导向三种同伴对话反馈行为模式,其对小组协作达到深度认知层次的促进作用依次减弱,但群体的深度协作并不能保证个体的深度学习,学生个体深度学习机制的触发更多来自班级同伴对话反馈的影响,且学生动机与信念的提高是激发其实现深度学习最主要的机制。最后,研究总结了不同同伴对话反馈策略对大学生深度学习的影响过程与效果,作为对理论框架中同伴对话反馈策略促进大学生深度学习相关规律的补充完善;此外,研究还从设计标准与课程、预评估、营造积极的同伴学习文化、预备与激活先期知识、获取新知识、深度加工知识以及评价学生的学习等七个环节提出了可以促进大学生深度学习的同伴对话反馈策略设计与实施要点,为高校教师如何更好地在混合教学情境下设计和实施基于同伴对话反馈的深度学习活动提供一定的参考和操作性指导。研究的创新点主要包括以下两个方面:（1）将促进学生深度学习的策略研究视角聚焦到同伴对话反馈活动上,并将学生深度学习促进效果的评价与同伴对话反馈具体行为的微观分析密切结合,且通过理论与实践的探索,构建并丰富了“同伴对话反馈策略促进深度学习的理论框架”,从更系统的视角解释同伴对话反馈对学生深度学习的影响过程,为他人开展后续相关研究提供了理论参考;（2）设计并检验了高校混合教学环境下促进大学生深度学习的三种同伴对话反馈策略干预方案,为高校教师开展基于同伴对话反馈的深度学习教学提供了实践案例参考以及相关策略优化设计与实施的具体建议。
侯玉珊[6]（2020）在《基于智能手机超声信号和深度学习的手势识别》文中提出手势识别技术在普适计算领域引起了研究人员的广泛关注。它不仅可以为人们提供多种方便简单的控制手势,还给人们带来了一种更加符合日常生活习惯的人机交互模式。随着智能手机的普及和其内置传感器性能的提升,利用手机内置的扬声器和麦克风实现基于超声波的手势识别逐渐成为研究的热点。本文研究使用智能手机内置的扬声器和麦克风实现基于超声信号的手势识别方案。该方案利用手机内置的扬声器发射超声波信号,内置的麦克风接收由于手部运动引起变化的信号,然后通过分析信号的变化,从而实现对靠近、远离、英文字母、顺时针旋转等八种手势的识别分类。本文分别在嘈杂的环境下和安静的环境下对设计的系统进行了测试,实验的结果显示本文所设计的系统能够达到99%的识别精度。本文的主要研究内容与创新如下:（1）总结了目前手势识别常用的技术,并针对基于智能手机超声波信号的手势识别技术进行了研究。介绍了现有的基于智能手机超声波信号的手势识别方案,并对其涉及的算法和相关知识原理进行了总结,同时阐述了本系统所用的算法和相关知识。（2）基于现有的智能手机超声波信号的手势识别方案,设计并实现了一种基于智能手机超声波信号的手势识别系统。该系统将智能手机转变成主动声呐,并利用超声波信号的多普勒频移现象实现了对用户不同手势的识别。（3）提出了利用卷积神经网络进行手势识别的方法以及利用门控循环单元网络进行手势识别的方法。通过构建神经网络并在两种环境下进行测试,其测试结果显示两种方法的识别精度分别达到99%、98%以上。
蒋康康[7]（2020）在《基于信道状态信息和深度学习的穿墙人体行为识别》文中提出近年来,人体行为识别技术在众多领域得到快速发展,已成为新的研究热点。随着WiFi设备在室内广泛部署,基于WiFi信号的行为识别技术引起广泛关注。在WiFi信号的传播过程中,人的行为会干扰信号的传播,包括振幅的衰减和相位的失真,信道状态信息（Channel State Information,CSI）描述了信道通信状态,可以通过测量信道状态的变化,分析信道状态的变化规律来实现人体行为的识别。由于墙壁干扰WiFi信号的传播,严重影响行为识别的精度,因此,设计与实现基于CSI的穿墙人体行为识别系统有着重要的研究价值。本文提出了一种基于CSI和深度学习算法的人体行为识别方法,实现了基于CSI穿过两面混凝土墙壁场景下的8种人体日常行为（行走、坐下、抬臂、踢腿、弯腰、下蹲、拳击、体侧运动）的识别,且行为的平均识别精度超过99%。首先,本文总结了国内外人体行为识别的研究成果,详细介绍了 CSI的基本原理以及深度学习算法的基础理论知识。其次,对基于CSI穿墙人体行为识别系统进行分析和设计,主要包括实验数据的收集、处理与分析,基信号的选择,卷积神经网络、长短期记忆网络、门控循环单元网络的搭建。然后,将包含有行为信息的实验数据转换成频谱图后,把包含CSI子载波振幅信息的频谱图输入卷积神经网络、长短期记忆网络、门控循环单元网络中,分别进行训练,实现了8种日常行为的识别。最后,对实验结果进行详细分析,和基于门控循环单元网络与长短期记忆网络的方法相比,基于卷积神经网络的方法平均识别精度最好,平均识别率分别为99.75%。通过和其他穿墙行为识别系统TW-See、WiHACS比较,证实本文所采用的方法可较高的实现穿墙人体行为识别。
罗永盛[8]（2020）在《基于全局与局部协同注意力的图文检索算法研究》文中研究表明传统的信息检索是基于关键字匹配或者是在单一模态下进行的,例如文本检索的查询集和结果集都是文本形式,而图像检索也是如此。面对互联网中日益增长的各类型数据,这种单模态的检索方式已经不能满足人们的需求,跨模态检索应允而生。本文研究的图文检索问题,正是从单一的文本检索或图像检索转换到图像和文本两种模态形式的检索。然而,目前大多的图文检索算法不仅结构复杂冗余,而且在检索匹配时往往只利用单一的全局（全局匹配型方法）或局部（局部匹配型方法）图像文本信息,而忽略了全局与局部语义信息之间的关联性。针对上述问题,本文提出了一种简单且有效的神经网络模型,不仅能够有效地对齐视觉和文本信息,并且模型中的结构能够轻松地迁移到其他模型上,改进原模型的检索能力。本文的贡献如下:1)提出基于全局与局部的协同注意力网络,该网络结构简洁,包含两种协同注意力机制ii-tt和it-ti。ii-tt协同注意力机制通过关联全局的图像/文本与局部的区域/单词的相关性,增强模型所提取特征的表达能力;而it-ti协同注意力机制通过利用全局的图像/文本与局部的单词/区域的匹配关系,能有效地对齐视觉和文本信息。因此,本文通过使用协同注意力机制结合图像文本的全局与局部信息,有效地克服局部匹配型和全局匹配型方法的不足,从而提高模型的检索能力。2)改进主流的图文检索模型SCAN和RDAN,提出相应的b GL-SCAN和b GLRDAN模型。在全局与局部协同注意力网络中,协同注意力结构具有良好的可拓展性,能有效地迁移到其他图文检索模型中。SCAN和RDAN模型在进行图文匹配时,主要关注于最大化程度匹配局部的图像文本信息,而忽视了全局与局部语义信息之间的关联性。因此,本文通过迁移协同注意力结构到SCAN和RDAN模型中,挖掘图像文本的全局与局部信息的关联性,增强模型的检索能力。3)本文在公开的数据集Flickr30K和MS-COCO上,通过多个不同实验的对比,验证了所提出的网络和改进模型的有效性。
李煊[9]（2019）在《基于超网络的商务模式创新的创意汇聚研究 ——数据驱动视角》文中认为商务模式已成为了企业创新的重要议题。随着大数据的迅速发展,数据驱动的商务模式创新表现为企业组织内外资源进行创意的汇聚、创新方案的生成、论证、评估和完善等过程。海量数据为商务模式创新提供丰富资源的同时,也导致了创新过程中数据管理成本高以及数据利用效率低等问题。如何有效利用企业内外部数据资源,充分挖掘资源内的逻辑关系,实现商务模式创新创意的有效汇聚,使之满足创新后续阶段的需求,是新趋势下解决海量数据与应用矛盾的关键。研究以综合集成方法为方法论指导,对商务模式创意汇聚过程展开研究。首先对商务模式创新的创意进行内涵界定,将商务模式创意的汇聚过程视为复杂系统处理过程。从定性角度分析创意汇聚中创意主体、创意存储媒介以及创意单元的特性以及三者间的复杂联系。进而,基于商务模式创意汇聚的超网络特性,构建由同质网络和异质网络共同组成的商务模式创意汇聚的超网络模型。最后,结合商务模式创新过程的特性与超图理论,以建立创意单元之间关系的数学建模为研究出发点,综合自然语言处理等计算机技术进行实验,分别模拟了基于企业内外数据源的商务模式创意汇聚过程,实现了基于商务模式创新主题的创意主体、创意存储媒介以及创意单元的汇聚过程。-研究综合采用复杂性科学、知识管理方法、计算机技术以及自然语言处理等技术对商务模式创新的创意展开从定性分析到定量建模的研究,以商务模式创新一致性与高效性为目标,实现了创意主体网络、创意存储媒介网络以及创意单元网络的交错融合汇聚过程。模型结果验证了基于超网络的商务模式创意汇聚模型的可行性,并为数据驱动的商务模式创意汇聚的商务平台提供参考。
刘景霞[10]（2019）在《基于复杂网络的《教育技术学》课程知识网络构建与分析》文中研究指明随着课程教育的改革和发展,课程是教育教学活动的基本依据,在教学过程中发挥了重要的影响作用。教师不仅要了解课程的基本知识内容,还要掌握课程的整体结构特征,把握课程的重难点内容,优化课程的教学模式。课程知识网络是将课程中的知识点和知识关系进行有效分析和研究的一种科学方法,本文主要将复杂网络运用到课程知识结构分析中,实现《教育技术学》课程知识网络的构建、分析和优化。通过验证,证明运用复杂网络科学方法对《教育技术学》课程进行分析研究是合理并且可行的,为优化教育教学提供一种基于现代信息技术的新方法。（1）构建了《教育技术学》课程知识网络模型及其网络。通过分析《教育技术学》课程教材和相应教学大纲的知识结构,使用概念图构建出课程知识结构化模型,基于复杂网络构建出课程知识网络化模型。并且确定出知识节点和对应的知识关系,构建出课程知识网络和课程知识单元网络。（2）分析了《教育技术学》课程知识网络的结构及其属性。从三个层次来对《教育技术学》课程知识网络进行分析:使用网络密度、聚类系数和平均路径长度等指标来分析课程知识网络的整体属性和特征;利用节点中心度（度数中心度、中介中心度、接近中心度）等指标来分析课程知识网络的个体属性和特征;从整体性和个体性两方面进一步来分析各单元子网络所具有的属性和特征。（3）优化了《教育技术学》课程知识结构,并提出了教学性建议。结合实际教学特点,采用基于有向图拓扑排序的方法对《教育技术学》课程知识结构进行优化,并根据相应的对比分析的评价体系,从网络的整体结构属性、个体属性和单元子网络的属性来对优化前后的课程知识网络进行对比分析,说明优化后课程知识结构的优越性。最后基于优化前后的课程知识网络分析的结果,提出相应的教学性建议,真正实现优化教学的目的。
二、单元网络教学研究方法初探（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、单元网络教学研究方法初探（论文提纲范文）
（1）基于人工智能技术的学生情绪在线分析方法（论文提纲范文）
| 引言 |
| 1 情绪识别模型 |
| 1.1 系统架构 |
| 1.2 音视频特征提取 |
| 1.3 识别模型 |
| 2 情绪识别实验 |
| 2.1 实验设置 |
| 2.2 实验结果 |
| 3 结论 |
（2）面向Scratch平台的音乐智能处理系统的研究与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和研究意义 |
| 1.2 国内外研究现状 |
| 1.3 论文工作内容 |
| 1.4 论文内容安排 |
| 第二章 相关技术综述 |
| 2.1 Scratch音乐综述 |
| 2.2 音乐智能处理 |
| 2.3 音乐情感识别相关技术 |
| 2.3.1 音乐情感模型 |
| 2.3.2 相关研究现状 |
| 2.4 音乐生成相关技术 |
| 2.4.1 音乐表示形式 |
| 2.4.2 相关研究内容 |
| 2.5 深度学习相关技术 |
| 2.6 相关开发技术介绍 |
| 2.7 本章小结 |
| 第三章 Scratch音乐情感识别的研究与设计 |
| 3.1 Scratch音乐情感识别数据集 |
| 3.1.1 基于shazam算法的Scratch音乐数据集构造 |
| 3.1.2 基于V-A情感模型的数据打标 |
| 3.1.3 音频底层特征提取 |
| 3.2 Scratch音乐情感识别模型 |
| 3.2.1 卷积神经网络层 |
| 3.2.2 Attention层 |
| 3.2.3 门控循环单元层 |
| 3.2.4 模型训练 |
| 3.3 实验与分析 |
| 3.3.1 实验准备 |
| 3.3.2 模型合理性对照实验 |
| 3.3.3 Scratch音乐数据集合理性对比实验 |
| 3.4 本章小结 |
| 第四章 Scratch音乐生成的研究与设计 |
| 4.1 Scratch音乐生成的分析 |
| 4.2 基于GAN的Scratch音乐生成模型 |
| 4.2.1 基于情感的GAN音乐生成模型 |
| 4.2.2 基于时间结构的GAN音乐生成模型 |
| 4.2.3 结果离散化处理 |
| 4.2.4 GAN网络内部架构 |
| 4.2.5 模型训练 |
| 4.3 实验与分析 |
| 4.3.1 实验准备 |
| 4.3.2 实验结果 |
| 4.3.3 模型有效性实验 |
| 4.4 本章小结 |
| 第五章 Scratch音乐智能处理系统的设计与实现 |
| 5.1 系统设计 |
| 5.1.1 系统需求分析 |
| 5.1.2 系统的架构设计 |
| 5.1.3 系统的模块设计 |
| 5.1.4 系统的数据库设计 |
| 5.2 系统实现 |
| 5.2.1 系统架构实现 |
| 5.2.2 系统模块实现 |
| 5.3 本章小结 |
| 第六章 系统验证与性能测试 |
| 6.1 测试环境及工具 |
| 6.2 系统功能测试 |
| 6.2.1 音乐情感识别模块功能测试 |
| 6.2.2 音乐检索模块功能测试 |
| 6.2.3 音乐管理模块功能测试 |
| 6.3 系统性能测试 |
| 6.3.1 综合负载性能测试 |
| 6.3.2 异步Scratch音乐情感识别性能测试 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 7.1 论文工作总结 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士期间发表的学术论文和专利 |
（3）面向Scratch的古诗智能处理系统的研究与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与研究意义 |
| 1.2 国内外研究现状 |
| 1.3 论文研究内容 |
| 1.4 论文内容安排 |
| 第二章 相关技术综述 |
| 2.1 Scratch诗歌创作概述 |
| 2.2 诗歌智能处理 |
| 2.2.1 诗歌智能处理系统 |
| 2.2.2 相关研究工作 |
| 2.3 诗歌情感分析综述 |
| 2.4 相关深度学习模型 |
| 2.4.1 Word2Vec模型 |
| 2.4.2 卷积神经网络 |
| 2.4.3 循环神经网络 |
| 2.5 工程技术概述 |
| 2.6 本章小结 |
| 第三章 唐诗情感分析模型的研究与设计 |
| 3.1 总体设计 |
| 3.2 唐诗情感分析模型 |
| 3.2.1 词嵌入网络 |
| 3.2.2 基于唐诗对仗特性的模型优化 |
| 3.2.3 双通道卷积网络 |
| 3.2.4 门控循环单元网络 |
| 3.2.5 训练算法 |
| 3.3 实验与分析 |
| 3.3.1 实验准备 |
| 3.3.2 训练及参数 |
| 3.3.3 实验结果及分析 |
| 3.4 本章小结 |
| 第四章 宋词情感分析模型的研究与设计 |
| 4.1 总体设计 |
| 4.2 宋词情感分析模型 |
| 4.2.1 基于情绪特征向量的模型优化 |
| 4.2.2 单通道卷积网络 |
| 4.2.3 长短期记忆网络 |
| 4.2.4 训练算法 |
| 4.3 实验与分析 |
| 4.3.1 实验准备 |
| 4.3.2 训练与参数 |
| 4.3.3 实验结果与分析 |
| 4.4 本章小结 |
| 第五章 古诗智能处理系统的设计与实现 |
| 5.1 需求分析 |
| 5.2 系统模块设计 |
| 5.2.1 Scratch扩展模块的设计 |
| 5.2.2 古诗检索模块的设计 |
| 5.2.3 古诗情感分析模块的设计 |
| 5.2.4 数据库设计 |
| 5.3 系统实现 |
| 5.3.1 Scratch块扩展模块的实现 |
| 5.3.2 古诗检索模块的实现 |
| 5.3.3 古诗情感分析模块的实现 |
| 5.4 系统测试 |
| 5.4.1 功能测试 |
| 5.4.2 性能测试 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士期间发表的学术论文和专利 |
（4）基于音视频的多模态融合说话人识别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 论文组织结构 |
| 第2章 声纹识别和人脸识别技术及特征融合策略 |
| 2.1 声纹识别技术 |
| 2.1.1 声纹识别的分类 |
| 2.1.2 语音信号特征提取 |
| 2.2 人脸识别技术 |
| 2.2.1 人脸识别的步骤 |
| 2.2.2 人脸识别的常用方法 |
| 2.3 多模态融合的说话人识别 |
| 2.3.1 融合分类 |
| 2.3.2 典型融合算法 |
| 2.3.3 神经网络中常见的融合策略 |
| 2.4 本章小结 |
| 第3章 多模态融合说话人识别网络模型架构 |
| 3.1 网络结构 |
| 3.1.1 深度残差网络 |
| 3.1.2 双向门控循环单元网络 |
| 3.2 音频流数据的处理 |
| 3.3 视频流数据的处理 |
| 3.4 端到端多模态融合模型 |
| 3.5 本章小结 |
| 第4章 基于音视频的多模态融合说话人识别 |
| 4.1 实验环境介绍 |
| 4.2 实验数据 |
| 4.3 基于端到端的多模态融合说话人识别 |
| 4.3.1 数据预处理 |
| 4.3.2 模型训练基本参数 |
| 4.3.3 模型结构设置 |
| 4.4 实验结果与分析 |
| 4.5 本章小结 |
| 第5章 噪声数据下的多模态融合说话人识别 |
| 5.1 音频噪声 |
| 5.2 图像噪声 |
| 5.3 基于噪声数据的多模态融合说话人识别 |
| 5.3.1 基于噪音数据的声纹识别 |
| 5.3.2 基于噪声数据的人脸识别 |
| 5.3.3 基于噪声数据的多模态融合说话人识别 |
| 第6章 总结与展望 |
| 6.1 工作总结 |
| 6.2 工作展望 |
| 参考文献 |
| 攻读学位期间的研究成果 |
| 致谢 |
（5）同伴对话反馈策略促进大学生深度学习的理论与实践研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.1.1 传统高校教学中的浅表互动问题 |
| 1.1.2 高等教育开展深度学习的必要性和重要性 |
| 1.1.3 同伴对话反馈作为高校深度学习促进策略的可能性 |
| 1.2 研究目的与问题 |
| 1.3 研究意义 |
| 1.3.1 理论意义 |
| 1.3.2 实践意义 |
| 1.4 研究方法 |
| 1.4.1 单组前后测实验法 |
| 1.4.2 个案研究法 |
| 1.4.3 内容分析法 |
| 1.5 核心概念界定 |
| 1.5.1 深度学习 |
| 1.5.2 同伴对话反馈 |
| 1.5.3 同伴对话反馈策略 |
| 1.5.4 基础在线讨论工具 |
| 1.5.5 增强在线讨论工具 |
| 1.5.6 可视化增强在线讨论工具 |
| 1.6 研究思路 |
| 1.6.1 研究技术路线 |
| 1.6.2 实验设计及策略干预教学方案 |
| 1.7 本章小结 |
| 2 文献综述 |
| 2.1 深度学习的内涵与评价研究 |
| 2.1.1 深度学习的内涵辨析 |
| 2.1.2 面向过程的深度学习评价 |
| 2.1.3 面向结果的深度学习评价 |
| 2.1.4 已有研究总结与启示 |
| 2.2 深度学习的促进机制、策略及效果研究 |
| 2.2.1 深度学习常见的促进机制 |
| 2.2.2 关注个体学习参与的深度学习促进策略及效果 |
| 2.2.3 关注个体深化理解的深度学习促进策略及效果 |
| 2.2.4 关注同伴合作学习的深度学习促进策略及效果 |
| 2.2.5 关注同伴交互反馈的深度学习促进策略及效果 |
| 2.2.6 已有研究总结与启示 |
| 2.3 同伴对话反馈的策略、效果及分析框架研究 |
| 2.3.1 基于面对面口头讨论的同伴对话反馈策略及效果 |
| 2.3.2 基于在线讨论工具的同伴对话反馈策略及效果 |
| 2.3.3 同伴对话反馈的典型分析框架 |
| 2.3.4 已有研究总结与启示 |
| 2.4 本章小结 |
| 3 同伴对话反馈策略促进深度学习的理论框架构建 |
| 3.1 同伴对话反馈策略促进深度学习的理论基础 |
| 3.1.1 社会建构主义 |
| 3.1.2 联通主义 |
| 3.1.3 ICAP深度学习框架 |
| 3.2 同伴对话反馈策略促进深度学习的理论框架构建依据 |
| 3.2.1 基于SAL学习方法理论的深度学习影响因素3P模型 |
| 3.2.2 反馈干预促进深度学习的交互机制 |
| 3.2.3 DELC深度学习环路 |
| 3.3 同伴对话反馈策略促进深度学习的理论框架构建及内容 |
| 3.4 本章小结 |
| 4 基于基础在线讨论工具的组内同伴对话反馈策略实践研究 |
| 4.1 研究设计与实施 |
| 4.1.1 课程的介绍 |
| 4.1.2 课程平台的建设 |
| 4.1.3 同伴对话反馈活动的设计 |
| 4.1.4 研究的实施过程 |
| 4.2 数据收集与分析 |
| 4.2.1 学习方法前后测数据分析与预处理 |
| 4.2.2 认知层次前后测数据分析与预处理 |
| 4.2.3 学生Moodle讨论区交互内容数据分析与预处理 |
| 4.2.4 学生课程体验反馈数据分析与预处理 |
| 4.3 研究结果与发现 |
| 4.3.1 组内同伴对话反馈对学生整体学习方法和认知层次的影响 |
| 4.3.2 组内同伴对话反馈对不同学生学习方法和认知层次的影响 |
| 4.3.3 不同学习类型学生的同伴对话反馈参与度差异分析 |
| 4.3.4 学生课程体验反馈总结与教学反思 |
| 4.4 研究讨论与结论 |
| 4.4.1 主要结果讨论 |
| 4.4.2 结论与启示 |
| 4.5 本章小结 |
| 5 基于增强在线讨论工具的班级同伴对话反馈策略实践研究 |
| 5.1 研究设计与实施 |
| 5.1.1 课程的介绍 |
| 5.1.2 课程平台的建设 |
| 5.1.3 同伴对话反馈活动的设计 |
| 5.1.4 研究的实施过程 |
| 5.2 数据收集与分析 |
| 5.2.1 学习方法前后测数据分析与预处理 |
| 5.2.2 学生的提问数据分析与预处理 |
| 5.2.3 学生Padlet交互内容数据分析与预处理 |
| 5.2.4 学生课程体验反馈数据分析与预处理 |
| 5.3 研究结果与发现 |
| 5.3.1 班级同伴对话反馈对学生学习方法的影响 |
| 5.3.2 班级同伴对话反馈对学生提问认知层次的影响 |
| 5.3.3 学生班级同伴对话反馈行为与其深度学习促进效果的关联 |
| 5.3.4 学生课程体验反馈总结与教学反思 |
| 5.4 研究讨论与结论 |
| 5.4.1 主要结果讨论 |
| 5.4.2 结论与启示 |
| 5.5 本章小结 |
| 6 基于基础和可视化增强在线讨论工具的混合同伴对话反馈策略实践研究 |
| 6.1 研究设计与实施 |
| 6.1.1 课程的介绍 |
| 6.1.2 课程平台的建设 |
| 6.1.3 同伴对话反馈活动的设计 |
| 6.1.4 研究的实施过程 |
| 6.2 数据收集与分析 |
| 6.2.1 学习方法前后测数据分析与预处理 |
| 6.2.2 学生Tronclass讨论区与会议桌交互内容数据分析与预处理 |
| 6.2.3 小组协作成果数据分析与预处理 |
| 6.2.4 学生反思报告数据分析与预处理 |
| 6.2.5 学生课程体验反馈数据分析与预处理 |
| 6.3 研究结果与发现 |
| 6.3.1 混合同伴对话反馈对学生学习方法的影响 |
| 6.3.2 学生个体在不同层面的同伴对话反馈行为表现 |
| 6.3.3 小组同伴对话反馈行为对其协作成果认知层次的影响 |
| 6.3.4 学生深度学习机制的触发情况 |
| 6.3.5 学生课程体验反馈总结与教学反思 |
| 6.4 研究讨论与结论 |
| 6.4.1 主要结果讨论 |
| 6.4.2 结论与启示 |
| 6.5 本章小结 |
| 7 研究总结与展望 |
| 7.1 研究总结与结论 |
| 7.2 启示与建议 |
| 7.3 创新点 |
| 7.4 不足与展望 |
| 参考文献 |
| 中文文献 |
| 英文文献 |
| 附录 |
| 附件1 ASSIST学习方法倾向测量问卷(缩减版) |
| 附件2 ASSIST(缩减版)评分规则 |
| 附件3 研究一的学生主观题测试 |
| 附件4 研究三的学生反思提纲 |
| 附件5 研究三的小组协作作品 |
| 附件6 研究三的学生同伴对话反馈内容实例 |
| 作者简历 |
（6）基于智能手机超声信号和深度学习的手势识别（论文提纲范文）
| 摘要 |
| Abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文研究内容与贡献 |
| 1.4 本文结构安排 |
| 2 预备知识 |
| 2.1 基于智能手机超声信号的手势识别方法的基本原理 |
| 2.2 声音信号处理 |
| 2.3 深度神经网络结构 |
| 2.4 本章小结 |
| 3 手势识别系统的设计与实现 |
| 3.1 系统总体结构 |
| 3.2 超声波信号生成 |
| 3.3 数据收集 |
| 3.4 数据预处理 |
| 3.5 手势定义与分类模型 |
| 3.6 本章小结 |
| 4 实验及手势分类结果分析 |
| 4.1 实验环境部署 |
| 4.2 卷积神经网络训练结果 |
| 4.3 门控循环单元网络训练结果 |
| 4.4 实验结果对比 |
| 4.5 本章小结 |
| 5 总结与展望 |
| 5.1 本文主要研究工作总结 |
| 5.2 今后研究工作展望 |
| 参考文献 |
| 作者简历 |
| 致谢 |
| 学位论文数据集 |
（7）基于信道状态信息和深度学习的穿墙人体行为识别（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 研究现状 |
| 1.3 主要研究内容 |
| 1.4 结构安排 |
| 2 相关背景理论 |
| 2.1 信道状态信息 |
| 2.2 深度学习方法概述 |
| 2.3 本章小结 |
| 3 基于CSI穿墙人体行为识别系统的设计 |
| 3.1 基于CSI行为识别的基本原理 |
| 3.2 系统需求分析 |
| 3.3 系统架构 |
| 3.4 本章小结 |
| 4 实验数据的采集与处理 |
| 4.1 实验设备 |
| 4.2 原始CSI数据的收集 |
| 4.3 实验数据的处理与分析 |
| 4.4 本章小结 |
| 5 实验结果及分析 |
| 5.1 基于卷积神经网络的实验结果 |
| 5.2 基于长短期记忆神经网络的实验结果 |
| 5.3 基于门控循环单元的实验结果 |
| 5.4 性能对比 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 局限性和发展方向 |
| 参考文献 |
| 作者简历 |
| 致谢 |
| 学位论文数据集 |
（8）基于全局与局部协同注意力的图文检索算法研究（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 本文研究内容和主要贡献 |
| 1.3 本文组织结构 |
| 第二章 相关技术介绍 |
| 2.1 多模态检索 |
| 2.2 深度学习图文检索 |
| 2.2.1 全局匹配型方法 |
| 2.2.2 局部匹配型方法 |
| 2.2.3 其他方法 |
| 2.3 协同注意力机制 |
| 2.4 本章小结 |
| 第三章 图文检索的定义及理论介绍 |
| 3.1 图文检索 |
| 3.2 卷积神经网络 |
| 3.3 双向门循环单元网络 |
| 3.4 注意力机制 |
| 3.5 本章小结 |
| 第四章 基于全局与局部协同注意力的图文检索模型 |
| 4.1 引言 |
| 4.2 基于全局与局部的协同注意力网络 |
| 4.2.1 图像文本的特征提取 |
| 4.2.2 全局与局部的特征交互 |
| 4.2.3 图像文本相似度计算 |
| 4.3 b GL-SCAN模型 |
| 4.4 b GL-RDAN模型 |
| 4.5 本章小结 |
| 第五章 实验与结果分析 |
| 5.1 引言 |
| 5.2 数据集介绍 |
| 5.3 评价指标 |
| 5.4 实验参数及时长 |
| 5.5 实验结果分析与比较 |
| 5.5.1 b GL-SCAN模型的结果分析 |
| 5.5.2 b GL-RDAN模型的结果分析 |
| 5.5.3 GLCAN模型的结果分析 |
| 5.5.4 GLCAN模型消融分析 |
| 5.5.5 可视化模型结果 |
| 5.6 本章小结 |
| 总结与展望 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（9）基于超网络的商务模式创新的创意汇聚研究 ——数据驱动视角（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究问题与研究意义 |
| 1.3 研究内容与研究方法 |
| 1.4 论文结构 |
| 第2章 文献综述 |
| 2.1 商务模式及其创新研究 |
| 2.2 数据驱动的商务模式创新研究 |
| 2.3 商务模式创新的创意研究 |
| 2.4 商务模式创意及其汇聚的复杂性 |
| 2.5 知识网络的研究 |
| 2.6 超网络的研究 |
| 2.7 本章小结 |
| 第3章 基于超网络的商务模式创意分析 |
| 3.1 商务模式创意的超网络特性 |
| 3.2 商务模式创意汇聚的构成分析 |
| 3.3 商务模式创意的主体分析 |
| 3.4 商务模式创意的存储媒介分析 |
| 3.5 商务模式创意的单元分析 |
| 3.6 本章小结 |
| 第4章 基于超网络的商务模式创意汇聚建模 |
| 4.1 商务模式创意汇聚构成的超网络建模 |
| 4.2 商务模式创意汇聚过程的超网络描述 |
| 4.3 算例及应用分析 |
| 4.4 本章小结 |
| 第5章 商务模式创意单元网络的关系建模 |
| 5.1 超图的基本理论 |
| 5.2 基于超图的商务模式创意单元关系建模 |
| 5.3 基于外部数据的创意单元汇聚 |
| 5.4 本章小结 |
| 第6章 基于超网络的商务模式创意汇聚实现 |
| 6.1 基于超网络的商务模式创意汇聚机理 |
| 6.2 基于超图的商务模式创意超网络模型改进 |
| 6.3 基于内部数据的创意汇聚 |
| 6.4 本章小结 |
| 第7章 结论 |
| 7.1 研究总结 |
| 7.2 研究创新点 |
| 7.3 研究展望 |
| 参考文献 |
| 附录A：A-K-M超网络关系图 |
| 附录B：A-K-M超网络关系矩阵 |
| 附录C：商务模式创意汇聚模型核心代码 |
| 攻读博士学位期间发表的论文及参加的科研工作 |
| 致谢 |
（10）基于复杂网络的《教育技术学》课程知识网络构建与分析（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的及意义 |
| 1.3 国内外研究现状 |
| 1.3.1 复杂网络研究现状 |
| 1.3.2 知识网络研究现状 |
| 1.3.3 课程知识网络研究现状 |
| 1.4 研究内容和技术路线 |
| 1.5 论文的组织与结构 |
| 第2章 基本理论和相关概念 |
| 2.1 复杂网络基本理论 |
| 2.2 网络的一般表示方法 |
| 2.3 网络的基本属性指标 |
| 2.4 网络结构的优化方法 |
| 2.5 本章小结 |
| 第3章 《教育技术学》课程知识网络模型及其网络构建 |
| 3.1 课程知识网络模型的构建 |
| 3.1.1 知识结构化模型 |
| 3.1.2 知识网络化模型 |
| 3.2 课程知识网络的构建 |
| 3.2.1 数据的采集 |
| 3.2.2 节点和关系的确定 |
| 3.2.3 课程知识网络拓扑图的构建 |
| 3.2.4 课程知识单元网络拓扑图的构建 |
| 3.3 本章小结 |
| 第4章 《教育技术学》课程知识网络结构及其属性分析 |
| 4.1 《教育技术学》课程知识网络整体结构分析 |
| 4.2 《教育技术学》课程知识网络个体属性分析 |
| 4.3 《教育技术学》单元子网络属性分析 |
| 4.3.1 单元子网络整体性分析 |
| 4.3.2 单元子网络个体性分析 |
| 4.4 本章小结 |
| 第5章 《教育技术学》课程知识结构优化及其教学性建议 |
| 5.1 基于有向图拓扑排序的知识结构优化方法 |
| 5.2 优化后的《教育技术学》课程知识网络 |
| 5.3 《教育技术学》课程知识网络整体结构优化对比分析 |
| 5.4 《教育技术学》课程知识网络个体属性优化对比分析 |
| 5.5 《教育技术学》单元子网络属性优化对比分析 |
| 5.5.1 单元子网络整体性优化对比分析 |
| 5.5.2 单元子网络个体性优化对比分析 |
| 5.6 基于优化前后的课程知识网络分析结果的教学性建议 |
| 5.7 本章小结 |
| 第6章 总结与展望 |
| 6.1 研究总结 |
| 6.2 研究不足与展望 |
| 参考文献 |
| 附录 A |
| 附录 B |
| 攻读学位期间发表的学术论文和研究成果 |
| 致谢 |
四、单元网络教学研究方法初探（论文参考文献）
- [1]基于人工智能技术的学生情绪在线分析方法[J]. 唐闺臣,谢跃,李克. 科教导刊, 2021(33)
- [2]面向Scratch平台的音乐智能处理系统的研究与实现[D]. 高子静. 北京邮电大学, 2021(01)
- [3]面向Scratch的古诗智能处理系统的研究与实现[D]. 唐勇睿. 北京邮电大学, 2021(01)
- [4]基于音视频的多模态融合说话人识别研究[D]. 李永敏. 西北民族大学, 2021(08)
- [5]同伴对话反馈策略促进大学生深度学习的理论与实践研究[D]. 姚佳佳. 浙江大学, 2020(04)
- [6]基于智能手机超声信号和深度学习的手势识别[D]. 侯玉珊. 山东科技大学, 2020(06)
- [7]基于信道状态信息和深度学习的穿墙人体行为识别[D]. 蒋康康. 山东科技大学, 2020(06)
- [8]基于全局与局部协同注意力的图文检索算法研究[D]. 罗永盛. 华南理工大学, 2020(02)
- [9]基于超网络的商务模式创新的创意汇聚研究 ——数据驱动视角[D]. 李煊. 厦门大学, 2019(08)
- [10]基于复杂网络的《教育技术学》课程知识网络构建与分析[D]. 刘景霞. 云南师范大学, 2019(01)