导读:本文包含了竞争学习论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:竞争,稀疏,课堂教学,实训,在线,合作学习,计量学。
竞争学习论文文献综述
张锦凤,李士金,刘辉卉[1]（2019）在《以人为本的参与性竞争学习探究——李士金中国文化课堂教学改革生态述论》一文中研究指出中国传统文化中有很多值得当代人学习与研究的精华内容,甚至有很多古代人都可以意识到的问题,我们当代人反而无法理解,这点很值得我们思考。这些都是老师所提倡的"感兴趣学习,学会学习,有兴趣学习"的基础,让我们印象深刻。据此谈谈李士金老师课的体会。(本文来源于《湖北农机化》期刊2019年21期）
王岩霞,房昊[2]（2019）在《合作性竞争学习在中职数学课堂中的应用探究》一文中研究指出当前,中职数学课堂教学中存在着形式化合作、盲目合作以及为合作而合作的问题。所以,课堂教学不仅要关注合作学习效果,同时也要在合作的基础上采用竞争学习的方式,将合作与竞争进行融合,使得中职生可以学会学习、合作,进而提升数学成绩。本文系统论述了合作性竞争学习的概念和优势,总结了合作性竞争学习的基本原则,并从课前、课中以及课后叁个阶段阐述了在中职数学课堂中如何有效应用合作性竞争学习。(本文来源于《中国多媒体与网络教学学报(中旬刊)》期刊2019年11期）
刘明,董明刚,敬超[3]（2019）在《基于定期竞争学习的多目标粒子群优化算法》一文中研究指出为提高种群的多样性和算法的收敛性,提出一种基于定期竞争学习机制的多目标粒子群算法。该算法将多目标粒子群算法和竞争学习机制相结合,即每隔一定迭代代数便使用一次竞争学习机制,很好地保持了种群的多样性;同时,该算法不需要全局最优粒子的外部存档,而是从当前代种群中选取一部分优秀的粒子,再从这些优秀的粒子中随机选取一个作为全局最优粒子,能够有效提升算法的收敛性。将提出的算法与基于分解的多目标粒子群算法(MPSOD)、基于竞争机制且快速收敛的多目标粒子群(CMOPSO)算法、参考向量引导的多目标进化算法(RVEA)等8个算法在21个标准测试函数上进行了比较,结果表明,所提算法的帕累托(Pareto)前沿更加均匀,在世代距离(IGD)上会更加小。(本文来源于《计算机应用》期刊2019年02期）
周立军,刘凯,吕海燕[4]（2018）在《基于竞争学习的稀疏受限玻尔兹曼机机制》一文中研究指出针对受限玻尔兹曼机(RBM)无监督训练存在特征同质化问题以及现有稀疏受限玻尔兹曼机(SRBM)难以自适应稀疏的缺陷,提出了一种基于竞争学习的RBM稀疏机制方法。首先设计基于神经元权值向量与输入向量间夹角余弦值的距离度量,评估两者相似度;然后在训练过程中对不同样本选择出基于距离度量的最优匹配隐单元;其次根据最优匹配隐单元激活状态计算对其他隐单元的稀疏惩罚度;最后执行参数更新并依据深度模型训练过程,将竞争稀疏应用于深度玻尔兹曼机(DBM)的构建中。通过手写数字识别实验证明,与误差平方和正则化因子相比,基于该稀疏机制的DBM分类准确率提高了0.74%,平均稀疏度提高了5.6%,且无需设置稀疏参数,因此,该稀疏机制可提高RBM等无监督训练模型的训练效率,并应用于深度模型的构建中。(本文来源于《计算机应用》期刊2018年07期）
施维,王兴华,万巍,薛均,潘璀然[5]（2017）在《基于竞争学习的大规模微博文本聚类》一文中研究指出针对特定主题的微博文本进行聚类以发现潜在话题.基于深度学习的文本特征表示方法,并运用分布式计算平台提高了计算的效率。对竞争学习聚类算法进行介绍,提出了通过目标函数来分析聚类结果的好坏,通过评价实验得到的聚类结果,81.5%的聚类类别良好,说明竞争学习的聚类算法可以有效应用于大规模短文本.(本文来源于《江苏科技大学学报(自然科学版)》期刊2017年06期）
陈杰,尚丽[6]（2017）在《基于核竞争学习算法的图像特征提取》一文中研究指出利用核函数学习可有效解决图像特征线性不可分的特性,结合稀疏表示算法的优势,提出了一种新的图像特征提取方法。采用基于竞争学习规则的独立分量分析法对图像进行稀疏表示,该算法可提取数据的高维特征,且不需要优化高阶的非线性函数和进行稀疏密度估计,因而有较快的收敛速度。与仅使用基于竞争学习的独立分量分析法相比,在PolyU数据库上的实验结果表明,采用基于核函数学习和稀疏表示相结合的方法所提取的数据特征有利于提高特征分类精度。(本文来源于《计量学报》期刊2017年05期）
向直扬[7]（2017）在《竞争学习神经网络的广义训练理论、算法及应用研究》一文中研究指出随着信息化不断深入,互联网在覆盖空间和容量上快速增长,其信息量的增长速度已经超过了计算能力的增长速度。与此同时信息化发展逐渐深入到物联网领域,其中包括存储能力有限的嵌入式智能系统,如何在有限的存储空间中完成对较大规模问题的解是当前机器学习研究中的挑战。传统的机器学习算法需要将完整的训练数据读入存储器,这一类方法称为离线学习。在线学习与之不同,一般通过对训练数据的一次扫描完成训练。在线学习显然比离线学习有着更高的空间效率,然而在现有机器学习研究中,在线学习的研究不如离线学习广泛和透彻。此外,在某些应用如网络入侵检测、短时电力需求预测和交通流预测中,问题规模随着时间变化而不断扩大,且需要实时更新由机器学习所建立的预测模型,而在线学习是提高算法实时性的主要手段之一。虽然在线学习空间效率较高,但由于其训练的特点,使得在解决非线性问题、半监督学习问题和参数选取时比离线学习更为困难,且部分在线学习算法需要大量的计算来完成机器学习模型的在线更新。竞争学习是在线学习的主要实现方法之一,可以较好地解决非线性和时间复杂度问题。然而竞争学习神经网络的理论与算法研究集中在聚类任务,在其他任务如回归、半监督分类和降维方面的研究较少。本文研究更加广义的竞争学习神经网络理论与算法,通过建立聚类、回归、半监督分类和降维的相互关系,将竞争学习神经网络从聚类算法扩展为完成多任务的算法。主要的工作和贡献如下:1.提出核密度回归框架将竞争学习神经网络转化为回归算法。在线学习算法可以分为参数学习算法和非参数学习算法。参数学习算法将数据的生成模型假设成一个特定的可解析方程,由于在线学习中难以调整生成模型的方程与参数,因此无法学习最优模型。非参数学习方法中则由于不具有全局的模型难以给出平滑的预测且泛化能力有限。本文提出一种参数模型的非参数学习框架。利用竞争学习神经网络较强的数据分布学习能力,通过结合核密度估计与密度回归思想,推导从聚类转化为回归的核密度回归框架。最后结合具体的竞争学习神经网络实现回归算法。所提出的算法具有常数空间复杂度和O(n)的时间复杂度,在六个UCI数据集上的实验表明所提出的算法与主流的离线方法具有同等的预测精度。2.推导核密度回归中平滑参数的最优选取规则,提出无需指定参数的核密度回归框架。核密度回归中需要指定平滑参数,而在线学习中存在难以选择最优参数的困难。针对这个困难,使用最大似然估计原则自适应地计算核密度回归中的平滑参数,构造在线学习场景之下的最优自适应参数选取。将回归参数选取作为混合模型最优参数问题建模,针对混合模型中最大似然估计无法解析计算的困难,提出了全局参数选取与局部参数选取两种策略,利用贝叶斯推断与最大似然方程获取最佳的参数选取。所提出的框架不仅具有与离线学习具有同等精度的预测,且不需要指定任何参数。3.提出反向竞争学习规则,将竞争学习神经网络转化为半监督学习算法。竞争学习算法中的自组织学习神经网络由于不适合处理已标记数据,且在线半监督学习由于无法预见数据分布的全貌,因此难以在在线学习下完成流形假设的半监督学习。针对这些问题提出一种新的反向竞争学习规则,在产生标签冲突时候,将神经元向相反方向进行移动。通过结合原竞争学习规则与反向竞争学习,将竞争学习神经网络扩展为半监督学习算法,再结合图割完善在流形假设下的半监督学习。并针对图割算法计算效率较低的问题,提出基于贪心思想的快速标签传播算法提高算法时间效率。在入侵检测数据集上的实验表明,所提出的算法在实现在线半监督学习且降低空间复杂度的同时,预测精度高于主流的离线半监督学习算法。4.提出一种将聚类算法转化为降维算法的框架,并利用竞争学习实现算法。现有的降维算法研究中存在将非线性降维与在线降维相结合的困难。本文则提出以竞争学习为核心的非线性降维在线训练算法。通过半监督竞争学习神经网络获得对数据的精简表达,然后通过结合图相似度与最优化方法将所得到的聚类模型转化为降维模型,将相似度矩阵合并的问题作为二次规划来建模并求解。最后经过核平滑过程将除了神经元之外的样本进行降维。此外还基于竞争学习的拓扑构造能力提出高维数据的一种可视化方法。在入侵检测数据集上的实验表明,所提出的算法在实现在线半监督学习,在降低算法空间复杂度的同时,预测精度高于主流的离线半监督学习算法。5.基于竞争学习神经网络集成的短期交通流预测。将在线训练的回归器进行集成训练时由于基础回归器的预测结果和权值都在随时间不断变化,因此难以设计有效的在线回归器集成算法。针对这个困难,本文通过核密度估计的加权训练思想,实现竞争神经网络核密度回归的集成训练框架,并将所提出的算法应用于短期交通流的应用研究。通过计算加权移动平均值方法将交通流预测的时间序列问题转化为回归问题,然后利用本文所提出的无需指定参数的核密度回归和集成核密度回归对未来短时间内的交通流进行预测。实验结果表明所提出的算法在预测精度上超过了现有的代表性算法如支持向量回归、决策树和极限学习机等,且所提出的算法框架无需指定参数。(本文来源于《湖南大学》期刊2017-03-14）
Ricardo,Delgado,Tellez,王少华,钟耳顺,蔡文文,龙亮[8]（2016）在《基于土地持续利用适宜性分析的GIS竞争学习方法研究（英文）》一文中研究指出本文基于预期效用假设提出了可结合竞争学习算法(CLG–LUSA)的新方法,即土地利用适宜性分析的GIS模型。该模型使用了Kohonen的自组织映射法和线性矢量化法来实现多选项的综合排序。该模型还利用决策者的优选位置和环境数据,来构造一个分支决策属性空间。决策和不确定性映射来自于该分支算法。使用该模型算法的一个例子就是在古巴市选择椰子最合适的生长环境。结果表明,CLG–LUSA模型能够提供决策过程中关键环节的精确视觉反馈,从而制定最适合个人或群体决策支持方法。(本文来源于《Journal of Resources and Ecology》期刊2016年06期）
陈健[9]（2016）在《合作竞争学习在会计实训课程中的应用研究——以郴州职业技术学院为例》一文中研究指出为探讨合作竞争学习改善会计实训课程教学的效果,以会计综合实训课程作为研究基础,比较实验班与对照班学生的学习成绩,分析合作学习方式的有效性。实验结果表明单一课程、单一形式的教学方式改变对于学生学习成效的提升水平有限。(本文来源于《时代金融》期刊2016年30期）
陈健[10]（2016）在《合作竞争学习在会计专业实训教学中的应用初探——以高职院校会计专业为例》一文中研究指出会计实训教学是培养高职会计专业学生职业能力的关键方式。本文分析目前高职院校会计专业实训教学中面临的主要问题,提出合作竞争学习方法作为改善会计实训教学效果的一种有效途径。(本文来源于《时代金融》期刊2016年26期）
竞争学习论文开题报告
（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：
当前,中职数学课堂教学中存在着形式化合作、盲目合作以及为合作而合作的问题。所以,课堂教学不仅要关注合作学习效果,同时也要在合作的基础上采用竞争学习的方式,将合作与竞争进行融合,使得中职生可以学会学习、合作,进而提升数学成绩。本文系统论述了合作性竞争学习的概念和优势,总结了合作性竞争学习的基本原则,并从课前、课中以及课后叁个阶段阐述了在中职数学课堂中如何有效应用合作性竞争学习。
（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。
竞争学习论文参考文献
[1].张锦凤,李士金,刘辉卉.以人为本的参与性竞争学习探究——李士金中国文化课堂教学改革生态述论[J].湖北农机化.2019
[2].王岩霞,房昊.合作性竞争学习在中职数学课堂中的应用探究[J].中国多媒体与网络教学学报(中旬刊).2019
[3].刘明,董明刚,敬超.基于定期竞争学习的多目标粒子群优化算法[J].计算机应用.2019
[4].周立军,刘凯,吕海燕.基于竞争学习的稀疏受限玻尔兹曼机机制[J].计算机应用.2018
[5].施维,王兴华,万巍,薛均,潘璀然.基于竞争学习的大规模微博文本聚类[J].江苏科技大学学报(自然科学版).2017
[6].陈杰,尚丽.基于核竞争学习算法的图像特征提取[J].计量学报.2017
[7].向直扬.竞争学习神经网络的广义训练理论、算法及应用研究[D].湖南大学.2017
[8].Ricardo,Delgado,Tellez,王少华,钟耳顺,蔡文文,龙亮.基于土地持续利用适宜性分析的GIS竞争学习方法研究（英文）[J].JournalofResourcesandEcology.2016
[9].陈健.合作竞争学习在会计实训课程中的应用研究——以郴州职业技术学院为例[J].时代金融.2016
[10].陈健.合作竞争学习在会计专业实训教学中的应用初探——以高职院校会计专业为例[J].时代金融.2016
论文知识图
