精华内容
下载资源
问答
  • 对活动目标的表述进行分析
    千次阅读
    2015-10-26 21:06:00

     教学目标应规定学生在教学活动结束后能表现出什么样的学业行为,并限定学生学习过程中知识、技能的获得和情感态度发展的层次、范围、方式及变化效果的量度。对每节课教学目标的准确表述,可以充分发挥教学目标在教学活动中的指向、评估和激励作用。表述教学目标时一般要慎重考虑以下四个因素。

        1.行为主体。根据新课程的有关理念,在编写教学目标时,无论是一般的行为目标或是具体的行为目标,在描写时都应写成学生的学习行为而不是教师的教学行为,一般不用来描述教师的教学程序或活动的安排,如“使学生……”“让学生……”“提高学生……”及“培养学生……”等描述,而用“能认出……”“能解释……”“能设计……”“能写出……”“对……作出评价”或“根据……对……进行分析”等描述,要清楚地表明达成目标的行为主体是学生。

      2.行为动词。根据《生物课程标准》的要求,教学具体目标应采用可观察、可操作、可检验的行为动词来描述。而传统应用的“了解”“掌握”“知道”“熟悉”等几个笼统、含糊的,难以观察到的,仅表示内部心理过程的动词,往往难以测量,无法检验。而“认出”“说出”“描述”“解释”“说明”“分析”“评价”“模仿”“参与”“讨论”“交流”“认同”“拒绝”等词则是意义明确、易于观察、便于检验的行为动词。《生物课程标准》第44页在“学习目标的说明”中列出了一些常用的知识性目标动词、技能性目标动词及情感性目标动词,可作为生物教师备课时的参考。

     3.行为条件。有时需要表明学生在什么情况下或什么范围内完成指定的学习活动,如“用所给的材料探究……”“通过合作学习小组的讨论,制定……”“通过自行设计小实验,体验……”等。

      4.表现程度。指学生对目标所达到的表现水准,用以测量学生学习的结果所达到的程度。如“能准确无误地说出……”“详细地写出……”“客观正确地评价……”等表述中的状语部分,便是限定了目标水平的表现程度,以便检测。

    上述教学目标表述包括的“四要素”是由行为观的代表马杰(R.F.Mager)提出的“三要素”发展来的,又称为ABCD表述法。它们的含义是:A即“行为主体”(audience),意为学习者,就是目标表述句中的主语。B即“行为”(behaviour),即学习者应做什么,目标表述句中的谓语和宾语。C即“条件”(conditions),意为上述行为在什么条件下产生。D即“程度”(degree),即上述行为的标准。例如,一个运用ABCD方法表述的教学目标例句:“通过学习昆虫的形态特点后,学生能以90%的准确度,从书上的图中辨认出哪些是昆虫。”其中,行为主体是“学生”,行为是“辨认昆虫”,条件是“在本课课本的图中”,标准是“达到90%的准确度”。

     
     
    关于《怎样用ABCD法编写教学目标?》材料
     

    怎样用ABCD法编写教学目标?
    这种方法包含了四个要素:教学对象、行为、条件和标准。
    ⑴ 教学对象
    学习目标是针对学生的行为而写的,所以描述学习目标时应指明特定的教学对象。有时候如果教学对象已经明确了,就可以从目标中省去这个要素。
    ⑵ 行为
    行为是学习目标中必不可少的要素,它表明学生经过学习以后能做什么和应该达到的能力水平,这样教师才能从学生的行为变化中了解到学习目标是否已经实现了。一般情况下,我们使用一个动宾结构的短语来描述行为,其中动词是一个行为动词,它表明了学习的类型,而宾语则说明某一学科的具体学习内容。
    针对不同的学习领域及不同层次的学习目标,有一些可供教师参考选用的动词。比如,在编写认知学习领域的目标时,可以选用下面的动词:
    ① 知识:说出……名称、列举、选择、背诵、辩认、回忆、描述、指出、说明等;
    ② 领会:分类、叙述、解释、选择、区别、归纳、举例说明、改写等;
    ③ 应用:运用、计算、改变、解释、解答、说明、证明、利用、列举等;
    ④ 分析:分类、比较、对照、区别、检查、指出、评论、猜测、举例说明、图示、计算等;
    ⑤ 综合:编写、设计、提出、排列、组合、建立、形成、重写、归纳、总结等;
    ⑥ 评价:鉴别、讨论、选择、对比、比较、评价、判断、总结、证明等。
    而在编写情感学习领域的目标时,则可以选用下面这些动词:
    ① 注意:知道、看出、注意、选择、接受等;
    ② 反应:陈述、回答、完成、选择、列举、遵守、称赞、表现、帮助等;
    ③ 价值判断:接受、承认、参加、完成、决定、影响、区别、解释、评价等;
    ④ 组织:讨论、组织、判断、确定、选择、比较、定义、权衡、系统阐述、决定等;
    ⑤ 价值体系个性化:改变、接受、判断、拒绝、相信、解决、要求、抵制等。
    编写行为的具体方法是:首先根据前面讲过的学习目标分类方法,结合学科内容分成不同类别的学习目标,然后从上面提供的动词中选择出合适的行为动词,最后再把学科内容作为动宾结构中的宾语就可以了。例如:
    学习内容是“解释物体的热胀冷缩现象”,要求学生能够举出一两个例子,说明人们在生活中怎样预防热胀冷缩现象带来的损害。这是一个认知学习领域的目标,其目标层次是应用,所以应该从“应用”一行中查找动词,比如使用“列举”这个词,这样“行为”就可以被描写成“列举生活中的一至两个例子,说明人们怎样预防热胀冷缩现象带来的损害。”
    ⑶ 条件
    这个要素说明了上述行为是在什么样的条件下产生的,所以在评价学生的学习结果时,也应以这个条件来衡量。
    条件一般包括下列因素:环境、设备、时间、信息以及同学或老师等有关人的因素。比如,“在30秒内完成10个仰卧起坐。”就规定了完成仰卧起坐的具体时间;再比如,“查字典,翻译下面的英语短文。”就考虑了信息方面的因素。
    ⑷ 标准
    这个要素表明了行为合格的最低要求,教师可以用它不定期衡量学生的行为是否合格,学生也能够以此来检查自己的行为与学习目标之间是否还有差距。
    “在20分钟内,完成一篇看图写话练习。”这个标准表明了行为的速度;
    “在吹奏竖笛的考试中,如果出现两处以上的错误,就为不合格。”这个标准规定了行为的准确性。
    以上两个标准都采用了定量表示法,在这种方法中除了可以使用数字外,也可以采用百分比来表示。除此之外,标准还可以用定性的方法,或定量与定性相结合的方法来表示。
    标准是对每一个学生的行为质量的最起码的要求,它也从一个侧面反映了教师所要达到的教学效果。但是在编写学习目标时,一定要从学生的行为出发,而不能以教师的教学行为为标准。
    当我们把四个要素综合在一起的时候,就可以写出一个完整的学习目标了:
    “初中二年级上学期的学生(教学对象),能在5分钟内(条件),完成10道因式分解题(行为),准确率达95%(标准)。”
    其实采用ABCD法,并不意味着四个要素必须一应俱全。其中只有行为要素不能省略,而其他三个要素都可以根据具体情况适当省略。
    有时学习目标中的条件与标准是很难区分的,如上例中的“在5分钟内”既可以看成是表明时间限制的条件,又可以理解为表明行为速度的标准。遇到这种情况,我们可以不去细分它到底是条件还是标准,而是应该考虑学习目标是否能够用来指导教学及其评价。
       (附)怎样用内外结合的表述方法编写教学目标
        如果学生经过学习后能力的改变能反映到学生的行为中来,我们就可以观察到,用ABCD法描述是非常适合的;但有些变化却不能反映到行为中来,对于这一部分变化可以采用内外结合的表述方法来描述。

        用这种方法陈述的学习目标由两部分构成:

        第一部分为一般学习目标,用一个动词描述学生通过教学所产生的内部变化,如记忆、知觉、理解、创造、欣赏等;

        第二部分为具体学习目标,列出具体行为样例,即学生通过教学所产生的能反映内在心理变化的外显行为。

        例如,学习目标是培养学生关心班集体的态度。态度本身是无法观察的,但是通过列举一些学生的具体行为变化术可以反映出他们的态度是否已经改变,学习结果也就能够观察出来了。上面这个学习目标可以这样来描述:

        内部心理描述:

        具有关心班集体的态度。

        行为样例:

        认真做值日;

        主动做对班集体有益的事情;

        积极参加班集体组织的各项活动;

        在年级或全校的各项比赛中,积极为自己的班级争取好成绩。

        又如,学习目标是理解议论文写作中的类比法。就可以这样描述:

        内部心理描述:

        理解议论文写作中的类比法。

        行为样例:

        用自己的话解释运用类比的条件;

        在课文中找出运用类比法阐明论点的句子;

        对提供的含有类比法和喻证法的课文,能指出包含了类比法的句子

    转载于:https://www.cnblogs.com/realkate1/p/4912429.html

    更多相关内容
  • 项目表述 业绩目标分析走势图表,ppt走势图表。
  • 实验采用可调对比度无穷远目标源装置、高速摄像机、精密转台和捕获仿真装置等建立检验环境,通过数学模型分析和图像分析相互验证,着重不同的外部因素进行了特性分析。实验结果证明:在背景辐亮度为3.2 W/(sr·m2)...
  • 本文来自于博客园,本文通过建模技术的描述,从分解,提炼和消除矛盾进行需求分析。需求分析最常见的误会是需求分析可以将需求做出成为方案,这是最大的误区,需求应该是还原业务,应该以业务为线索,换句话说就是...
  • 体育教师大本营 教学/训练/职业/成长强 烈 建 议 大 家星 标我 们教 学 ...这些问题一直以来都是一线教师较为困惑的问题,本研究分别以上问题进行了探讨,并针对如何具体在文本中表述目标内容,讨论了具体的方法和...

    f79afecbb81314d076fb7576b2966ddc.png

      体育教师大本营

      教学/训练/职业/成长

    1a33cebdfdbaccc2d1e4b444803f0572.png

     强 烈 建 议 大 家 星 标 我 们

    教 学 路 上  ☆  不 离 不 弃

    在以往看到的体育课的教案上,目标部分不是用教学目标就是用学习目标来表述,然而,这两种目标表达形式有没有本质区别?分别该如何表述才更加准确?这些问题一直以来都是一线教师较为困惑的问题,本研究分别对以上问题进行了探讨,并针对如何具体在文本中表述目标内容,讨论了具体的方法和硬把我的几个关键点。旨为一线教师更好地把握目标的设置提供一定的参考。

    一、教学目标与学习目标是不是一回事

    过去有人曾经问过这样的问题,体育课教学目标和学习目标有什么区别?教案上究竟应该用教学目标还是学习目标呈现目标的具体内容?就以上问题的回答,首先我们需要搞明白,教学目标和学习目标是什么关系?为什么有些人在教案上用教学目标,而有些人用学习目标?实际上,不但存在着认识上的不统一,还存在着概念的不清晰现象。

    1.教学目标和学习目标不完全是一回事

    无论从教学目标和学习目标字面上比较,还是从教学目标与学习目标内容上来分析,教学目标和学习目标不完全是一回事,但二者有着必然的联系。

    从概念上来看,教学目标是指教学活动实施的方向和预期达成的结果,是一切教学活动的出发点和最终归宿,它既与教育目的、培养目标相联系,又不同于教育目的和培养目标。而有人在对学习目标的概念进行界定的时候,只是说“学习目标是学习的出发点,也是学习的归宿。”显然,并没有揭示出学习目标的本质。实际上,从字面上来解释的话,学习目标无外乎是指学生通过学习预期要达到的结果。二者的区别在于:教学目标是从教师教和学生学的综合角度设置的,内容的表述是站在教师教的角度而不是仅站在学生学的角度。学习目标是从学生学习的角度设置的,内容的表述也是站在学生的立场上呈现的。

    2.教学目标与学习目标的共同的载体是教学活动

    教学目标和学习目标不完全是一回事,但是二者又有着必然的联系,二者共同的载体就是教学活动,离开了教学活动无从谈教学目标,学习目标也不复存在。除此之外,二者的共同点还在于无论是从教学的角度还是从学习的角度描述,最终达到的都是学生在体能素质、运动技能、健全人格方面要发生的变化上。即学生的发展、变化和提高是目标的精髓。所不同的是教学目标教师来制定,学习目标教师制定略显不妥,因为,学生差异性所在,学习目标之差异也固然存在。教师对每一个学生学习目标的把握也难以达到准确。因此,教学目标和学习目标无论从形式上还是从内容上都有明显的不同。要能够认清此不同,才能更好地把握教案中的目标的合理表述。

    二、体育教学目标与学习目标的混淆现象

    既然体育教学目标和学习目标不完全是一回事,二者就不能混淆,更不能视为等同,在撰写教案的时候,一定要避免混淆现象发生。下面针对一些混淆现象展开讨论。

    1.名称是学习目标内容却是教学目标的表述现象

    有的教案上在目标栏中,标题写着学习目标,但具体的目标内容却依然是教学目标的表述方式。如有份高一年级“快速跑”教案是这样表述学习目标的,“学习目标:采用游戏、接力的形式,进行加速跑、往返跑练习,发展学生速度以及快速跑的能力;通过教学培养学生顽强拼搏、锲而不舍、团结协作的精神品质,提高他们的安全意识。”从这份教案可以看出,目标内容是站在教师教的角度表述的,很显然用“教学目标”定位为更为准确,而本节课用“学习目标”显然是不准确的。这一现象说明,自体育与健康课程标准出现“学习目标”的表述以来,由于没有对学习目标与教学目标在内容表述上有何区分的进一步解释,因此,有些老师在教案撰写,尤其是在用“学习目标”替代“教学目标”的时候,对两种表达方式并不是很清晰,结果就很容易导致“换汤不换药”现象发生。即将已经熟知和习惯了的教学目标表述方式不加调整地照搬到学习目标之中。这一现象,或许尚未引起大家的关注,但是,这种现象说明了在教案中该如何规范设置目标把握还不够到位。追求教案的规范性,就要使每一个要素能够准确反映出应有的作用和呈现形式。而且,如果是糊里糊涂地写,就有可能会导致不明不白地教。

    2.名称是教学目标内容却是学习目标的表述现象

    不能用教学目标的表达方式去表述学习目标,同样道理,也不能用学习目标的表达方式来表述教学目标。然而,在过去的个别教案上却呈现有此类现象。如有份高三年级“篮球运球、双手胸前传接球”教案,将教学目标表述为:“教学目标:(1)认知目标:进一步建立运球,双手胸前传接球动作概念;(2)技能目标:巩固提高运球、传接球技术动作和对球的控制和支配能力,发展灵敏、速度、耐力等身体素质;(3)情感目标:培养勇敢、机智、果断、胜不骄、败不馁的优良品质和团队一致、密切配合的集体主义精神。”从该目标中,我们不难看出,三维目标内容都是站在学生的角度表述的,这种表述方式显然也有失妥当,因为,标题是“教学目标”,而具体每一个维度的目标内容都是“学习目标”的表述语句。这种现象在撰写教案的时候也是应该尽量避免的。

    3.同一目标内既有教学目标又有学习目标的表述现象

    在同一目标内,如果出现既有教学目标的表达语言,也有学习目标的表达语言,说明对教学目标和学习目标的概念是混淆的,尽管这种表达有可能对教学的效果的影响不是很明显,但是,这种表达是不够严谨的,也是不够规范的。如有份“搏击操”教案,将教学目标表述为:“教学目标:(1)了解搏击健美操的概念和搏击健美操的基本动作,激发学习兴趣;(2)掌握搏击健美操前五组的动作技能,在创编健美操过程中,提高健美操动作的组合编排能力,发展学生灵敏、协调性等身体素质;(3)充分发挥想象力和合作探究的能力,培养团队协作能力和集体荣誉感。”从该案例中,我们显然看到了既有教学目标的表述语句,如“发展学生灵敏、协调性等身体素质”,显然是站在教师教授的角度来说的;又有学习目标的表述语句,如“了解搏击健美操的概念和搏击健美操的基本动作,激发学习兴趣”,显然是站在学生学习的角度来说的。由此看来,这种表述表明对教学目标和学习目标的表达形式有混淆现象。

    三、体育教学目标与学习目标的取舍及规范撰写要求

    一份完整的体育教案上,究竟是用教学目标还是用学目标,一方面考虑教师的习惯性写法,另一方面看要突出什么。至于选择什么,并没有明确要求一定要用教学目标或一定要用学习目标。因此,在二者的取舍上,任课教师有一定的自主性。但该如何取舍,什么样的表述是基本符合要求的?下面分别对以上问题进行讨论。

    1.教学目标与学习目标的取舍

    撰写教案的时候,究竟是选用教学目标的形式来表述本节课要达到的目标,还是用学习目标来表述,就二者的取舍问题下面谈几点认识。

    首先,从严格意义上说,教学目标应是教师根据教学的实际情况和学生发展的需要设定的。而学习目标应该是学生根据教学的情况、自己原有基础和自己发展的需要自主设定的。也就是说,教学目标和学习目标分别是由教师和学生各自设定的教学或学习的程度。但,实际上,目前大家对两者的认识,并非如此。在一些教案上也出现有教师为学生设置学习目标的现象。但这样的话,教师为学生设定的学习目标和学生为自己设定的学习目标就会存在一定的出入。因此,从这种情况下来看,教案上的目标用教学目标或许会更容易把握。

    其次,由于《义务教育体育与健康课程标准》在课程内容部分,各个学习方面的目标呈现是学习目标而不是教学目标。如水平一运动技能学习方面,学习体育运动知识的学习目标是:获得运动的基本知识和体验。因此,学习目标已经被一些老师逐渐在教案中替代了教学目标的表述现象。这样表述并不为过,只是在目标的具体内容的表述上,要与教学目标的角度有着明显的区别。学习目标内容具体呈现的时候,最好不要出现“能够使学生.....”、“帮助学生建立....”、“培养学生.....”等的表述形式。

    第三,假如选取了教学目标或学习目标作为教案中的目标表述形式,最好能够在整个单元,整个学期的每一份教案上都能够保持一致的写法。不能一个单元内,这节课的教案是用教学目标,而另外一两节课又是用学习目标。同样,在同一个学期内的教案上,每个单元的目标表述是用教学目标还是用学习目标,也要保持一致,最好不要在一个学期中这个单元用教学目标,下一个单元又用学习目标。保持一致性是规范性的另一种体现形式。

    2.教学目标和学习目标表述案例分析

    无论是用教学目标还是用学习目标,作为目标的标题呈现,都会涉及到内容的规范性表述问题,下面分别从三维目标的表述案例来分析一下,目标大致写成什么样基本上符合要求。

    就教学目标而言,我们先来看一个目标案例,该目标是某任课教师为初中二年级学生的一节“篮球原地单手肩上投篮”课设置的。目标维度采用的是知识技能学习目标、体能素质锻炼目标、情感品质培养目标三个方面。具体目标内容是:“教学目标:(1)知识技能学习目标:通过本课的学习,使学生能够认识到单手肩上投篮的正确的动作要领,使80%的学生能够运用单手肩上投篮技术完成投篮练习任务;使20%的学生达到完成该项技术时能够全身协调用力。(2)体能素质锻炼目标:通过本课的练习,使学生在上肢力量及全身的协调性上得到锻炼,并通过课课练提高学生的速度和灵敏素质。(3)情感品质培养目标:通过合作练习及分组比赛,培养学生相互学习、相互帮助、勇于展示,团结协作的意志品质。”从该目标的维度和具体内容表述情况来看,用这三个维度较为合理,相对比“认知、技能、情感”三维度目标更为准确和全面;比“知识与技能、过程与方法、情感态度与价值观”三维目标更容易撰写。从具体的目标表述内容来看,采用“使学生能够.....”、“提高学生的...素质”、“培养学生...的品质”等语言表达方式能够明确地看出,是站在教师的角度设定的目标。因此,可以作为教学目标的语言表述范式。

    就学习目标而言,也首先看一个目标案例,该案例是一节小学四年级的“击剑:佩剑的基本动作”课,该课任课教师设置的目标是:“学习目标:(1)通过学习,初步学会击剑的基本步伐,掌握佩剑防守与进攻的动作要领;(2)通过练习,锻炼协调性、上下肢力量,以及反应能力;(3)通过参与游戏活动,提升相互帮助、团结协作的意志和集体荣誉感。”很显然,该表述方式与前面所说的教学目标截然不同,从具体内容中,我们没有看到“使学生能够...”等的表达形式,三个目标尽管没有写明哪一个目标是属于哪一个维度,但是,这三个方面的目标表述中都没有出现“学生”这一名词。无论从字面上还是从具体内容上来理解,都能够感觉到是站在学生的角度设置的目标。尽管不是由学生亲自设置的,但是,当教学目标调整为学习目标表述呈现的时候,语气调整一下,就能看出二者的明显区别了。当然,更具体、适宜的学习目标应该有学生自己来设置,或学生与任课教师共同协商来确定。不过,有时候,如果任课教师在课前准备阶段,与学生有过接触,并能够充分把握学情的话,教师设置学习目标也不是不可能。

    四、教学目标与学习目标设置应把握的关键

    体育教案上关于目标的撰写,无论是用教学目标还是学习目标,都要确保准确、具体和适宜。这是目标是否合理、规范的关键性问题。

    1.准确性是清晰呈现目标的前提

    一线教师在撰写教案设置目标的环节,首先要把握好一个概念就是“准确”。如何才能准确?准确是否有明显的特点?如何才能达到准确?这是设置目标的时候需要充分考虑的问题。

    准确一词,可以基本定位在“与实际或预测完全相符。” 或换句话说是“严格符合事实、标准或真实情况”。就目标而言,确保目标准确,意味着实际教学结果与预先设定的目标完全吻合。那么,什么样的才算是准确呢?无论三维目标中的哪一个维度,在教学过程中都应有所体现,而且,课结束的时候,每一个维度都应该是完全达到了。缺少任何一个维度的准确性,都不能称为目标准确。由此可以看出,结果与目标“相符”是准确性的最本质特性。如果从目标的角度来评价的话,我们可以理解为不具有准确性的目标设置是不合理的;如果从教学实施的角度,我们可以说,达不到预期目标的教学也不是最有效的教学。因此,准确性,也同时是体育教学的根本要求。

    2.具体性是目标能够操作的保障

    要想使目标能够体现出设置的准确,及目标设置与实际教学结果相一致,有一个关键性问题需要认真把握,即目标的具体性。具体性是目标规范、合理与否的又一大特性。

    具体,言外之意就是不抽象、不笼统,细节很明确。目标具体与否,也同样体现在目标的设置是否抽象、笼统,细节是否明确。从具体的含义可以看出,具体的目标要求是不抽象的、不笼统的,更重要的是细节要明确的。纵观过去有很多的目标中出现的“初步了解”、“基本掌握”、“进一步提高”等的语言表达形式,就显得较为笼统和抽象。不具体的目标本身也缺乏可操作性,在进行教学评价的时候,也难以做出准确的评价。因为,什么是初步了解了,什么基本掌握了,什么算是进一步提高了,甚至提高多少都难以度量。为此,要想使目标具有可操作性,用具体的表达,尤其是能够量化的尽量量化的表达,才能具体操作,包括教学的具体化和评价的标准化。如箱上前滚翻的“基本掌握”的目标语言,可以调整为“在同伴的保护和帮助下能够按照动作要求完成箱上前滚翻技术动作”等。

    3.适宜性是学生发展要求的标准

    前面谈到目标设置准确、具体十分重要,否则,就难以评价和操作。但是,假如所设置的目标与教学实际相脱离,与学生发展相违背,尽管目标较为准确,也体现出了具体性,依然不能算是一个合理的和规范的目标。因为,从一定程度上来说,脱离实际、背离发展的目标缺乏适宜性。然而,适宜是什么?如何才能达到适宜?

    所谓适宜,即合适、相宜。目标适宜是难度合适的,要求相当的,是通过师生的共同努力能够达成的。过去的诸多目标设置中存在较为明显的不适宜现象,或体现出目标设置与实际教学两张皮现象,甚至有的老师在设置目标的时候,未与实际课堂教学相结合,出现写教案是为了上交文本,至于上成什么样,有时候反映出是跟着感觉走的教学,说明将事先设置好的目标早早仍到一边去了。如一节小学二年级的“前滚翻”课,教师为本次课设置的体能素质目标是:“通过游戏,使学生的速度、灵敏、柔韧、耐力、力量等都得到一定的发展。”首先,我们会从目标表述中发现,该目标呈现出了大而全的目标设置不良现象,一节课要想使几大素质都能得到发展,是很难或几乎是不可能通过师生的共同努力办到的。另外,与学生的素质发展敏感期不相一致,其中的耐力和力量素质并非是在小学二年级就需要很好地发展的,说明从学生的发展角度,该目标也缺乏适宜性。因此,从目标层面上来讲,适宜的目标才有利于学生发展。反之,学生发展需要设置适宜的目标体系。

    五、结束语

    在体育课程改革过程中,存在诸多困惑,其中,目标的设置问题,是长期且深入影响体育教学效果的主要困惑之一。长期以来,有很多人在为如何规范设置目标而纠结,本研究认为,教学目标与学习目标只是具体命名上的自主取舍问题,从教师教的角度来看,为体育课设置目标,用教学目标还是用学习目标,并没有严格的规定,只是在表述形式上有所区分就可以。但是,假如从学生学习的角度来看,学习目标最好能够由学生结合教学目标和自己的实际情况自行设定,或最起码也要在学生的参与下,师生共同确定,这样设置的目标才能够更加准确、适宜。

    然而,本研究还仅仅是对过去观察到、了解到的一些关于目标问题的初步思考,或许或多或少地能够给一线教师带来一点目标设置方面的启发,但还远远不够,因为,目标的设置还会有一些新的困惑不断涌现,因此,仍需大家共同努力,进一步深入探讨如何设置目标这一带有普遍性的困惑。

    852b384d205e3666f36f8e9e6036c495.png

    展开全文
  • 分析得到典范性状可以用以供选择的各性状 x i ( i= 1,2,…,m)为因,典范目标性状 H ig 为果的中心线性回归模型表述;定义了各选择性状典范目标性状的决策系数,各决策系数代表了各选择性状典范目标性状的综合效用...
  • 该算法首先依据字典原子的结构特点进行划分,简化字典表述的同时减少了原子数据存储量;随后,采用遗传匹配追踪算法(GAMP)一维距离像训练样本进行稀疏分解以获得类别字典;最后,根据类别字典分析测试样本的...
  • 点击上方“Python爬虫与数据挖掘”,进行关注回复“书籍”即可获赠Python从入门到进阶共10本电子书今日鸡汤苍苍竹林寺,杳杳钟声晚。大家好,我是Python进阶者。前言前几天星耀群有...

    点击上方“Python爬虫与数据挖掘”,进行关注

    回复“书籍”即可获赠Python从入门到进阶共10本电子书

    苍苍竹林寺,杳杳钟声晚。

    大家好,我是Python进阶者。

    前言

    前几天星耀群有个叫【小明】的粉丝在问了一道关于Python处理文本可视化+语义分析的问题,如下图所示。

    71ed77aa25070cf782fee9b5655bc4be.png他要构建语料库,目前通过Python网络爬虫抓到的数据存在一个csv文件里边,现在要把数据放进txt里,表示不会,然后还有后面的词云可视化,分词,语义分析等,都不太会。

    关于词云的文章,历史文章已经写了十几篇了,感兴趣的话可以在公众号历史文章搜索关键字“词云”前往,但是关于分词和语义分析的文章,就分享过一篇,这个我在读研的时候写的,虽然有些时日,但是内容依旧精彩,欢迎前往查探:Python大佬分析了15万歌词,告诉你民谣歌手们到底在唱什么

    一、思路

    内容稍微有点多,大体思路如下,先将csv中的文本取出,之后使用停用词做分词处理,再做词云图,之后做情感分析。

    1、将csv文件中的文本逐行取出,存新的txt文件,这里运行代码《读取csv文件中文本并存txt文档.py》进行实现,得到文件《职位表述文本.txt》

    2、运行代码《使用停用词获取最后的文本内容.py》,得到使用停用词获取最后的文本内容,生成文件《职位表述文本分词后_outputs.txt》

    3、运行代码《指定txt词云图.py》,可以得到词云图;

    4、运行代码《jieba分词并统计词频后输出结果到Excel和txt文档.py》,得到《wordCount_all_lyrics.xls》和《分词结果.txt》文件,将《分词结果.txt》中的统计值可以去除,生成《情感分析用词.txt》,给第五步情感分析做准备

    5、运行代码《情感分析.py》,得到情感分析的统计值,取平均值可以大致确认情感是正还是负。

    关于本文的源码和数据我都已经打包好上传到git了,在公众号后台回复关键词小明的数据即可获取。

    35e0a7dcea52ad8b9abc7a3406238cd6.png

    二、实现过程

    1.将csv文件中的文本逐行取出,存新的txt文件

    这里运行代码《读取csv文件中文本并存txt文档.py》进行实现,得到文件《职位表述文本.txt》,代码如下。

    # coding: utf-8
    import pandas as pd
    df = pd.read_csv('./职位描述.csv', encoding='gbk')
    # print(df.head())
    
    for text in df['Job_Description']:
        # print(text)
        if text is not None:
            with open('职位表述文本.txt', mode='a', encoding='utf-8') as file:
                file.write(str(text))
    
    print('写入完成')
    2.使用停用词获取最后的文本内容

    运行代码《使用停用词获取最后的文本内容.py》,得到使用停用词获取最后的文本内容,生成文件《职位表述文本分词后_outputs.txt》,代码如下:

    #!/usr/bin/env python3
    # -*- coding: utf-8 -*-
    import jieba
    
    # jieba.load_userdict('userdict.txt')
    # 创建停用词list
    def stopwordslist(filepath):
        stopwords = [line.strip() for line in open(filepath, 'r', encoding='utf-8').readlines()]
        return stopwords
    
    # 对句子进行分词
    def seg_sentence(sentence):
        sentence_seged = jieba.cut(sentence.strip())
        stopwords = stopwordslist('stop_word.txt')  # 这里加载停用词的路径
        outstr = ''
        for word in sentence_seged:
            if word not in stopwords:
                if word != '\t':
                    outstr += word
                    outstr += " "
        return outstr
    
    inputs = open('职位表述文本.txt', 'r', encoding='utf-8')
    outputs = open('职位表述文本分词后_outputs.txt', 'w', encoding='utf-8')
    for line in inputs:
        line_seg = seg_sentence(line)  # 这里的返回值是字符串
        outputs.write(line_seg + '\n')
    outputs.close()
    inputs.close()

    关键节点,都有相应的注释,你只需要替换对应的txt文件即可,如果有遇到编码问题,将utf-8改为gbk即可解决。

    3.制作词云图

    运行代码《指定txt词云图.py》,可以得到词云图,代码如下:

    from wordcloud import WordCloud
    import jieba
    import numpy
    import PIL.Image as Image
    
    def cut(text):
        wordlist_jieba=jieba.cut(text)
        space_wordlist=" ".join(wordlist_jieba)
        return space_wordlist
    with open(r"C:\Users\pdcfi\Desktop\xiaoming\职位表述文本.txt" ,encoding="utf-8")as file:
        text=file.read()
        text=cut(text)
        mask_pic=numpy.array(Image.open(r"C:\Users\pdcfi\Desktop\xiaoming\python.png"))
        wordcloud = WordCloud(font_path=r"C:/Windows/Fonts/simfang.ttf",
        collocations=False,
        max_words= 100,
        min_font_size=10, 
        max_font_size=500,
        mask=mask_pic).generate(text)
        image=wordcloud.to_image()
        # image.show()
        wordcloud.to_file('词云图.png')  # 把词云保存下来

    如果想用你自己的图片,只需要替换原始图片即可。这里使用Python底图做演示,得到的效果如下:

    80284b55fbf7ae818e52057fae826fbe.png
    4.分词统计

    运行代码《jieba分词并统计词频后输出结果到Excel和txt文档.py》,得到《wordCount_all_lyrics.xls》和《分词结果.txt》文件,将《分词结果.txt》中的统计值可以去除,生成《情感分析用词.txt》,给第五步情感分析做准备,代码如下:

    #!/usr/bin/env python3
    # -*- coding:utf-8 -*-
    
    import sys
    import jieba
    import jieba.analyse
    import xlwt  # 写入Excel表的库
    
    # reload(sys)
    # sys.setdefaultencoding('utf-8')
    
    if __name__ == "__main__":
    
        wbk = xlwt.Workbook(encoding='ascii')
        sheet = wbk.add_sheet("wordCount")  # Excel单元格名字
        word_lst = []
        key_list = []
        for line in open('职位表述文本.txt', encoding='utf-8'):  # 需要分词统计的原始目标文档
    
            item = line.strip('\n\r').split('\t')  # 制表格切分
            # print item
            tags = jieba.analyse.extract_tags(item[0])  # jieba分词
            for t in tags:
                word_lst.append(t)
    
        word_dict = {}
        with open("分词结果.txt", 'w') as wf2:  # 指定生成文件的名称
    
            for item in word_lst:
                if item not in word_dict:  # 统计数量
                    word_dict[item] = 1
                else:
                    word_dict[item] += 1
    
            orderList = list(word_dict.values())
            orderList.sort(reverse=True)
            # print orderList
            for i in range(len(orderList)):
                for key in word_dict:
                    if word_dict[key] == orderList[i]:
                        wf2.write(key + ' ' + str(word_dict[key]) + '\n')  # 写入txt文档
                        key_list.append(key)
                        word_dict[key] = 0
    
        for i in range(len(key_list)):
            sheet.write(i, 1, label=orderList[i])
            sheet.write(i, 0, label=key_list[i])
        wbk.save('wordCount_all_lyrics.xls')  # 保存为 wordCount.xls文件

    得到的txt和excel文件如下所示:

    eb7213b372ee028a9d4858169817e585.png
    5.情感分析的统计值

    运行代码《情感分析.py》,得到情感分析的统计值,取平均值可以大致确认情感是正还是负,代码如下:

    #!/usr/bin/env python3
    # -*- coding: utf-8 -*-
    
    from snownlp import SnowNLP
    
    # 积极/消极
    # print(s.sentiments)  # 0.9769551298267365  positive的概率
    
    
    def get_word():
        with open("情感分析用词.txt", encoding='utf-8') as f:
            line = f.readline()
            word_list = []
            while line:
                line = f.readline()
                word_list.append(line.strip('\r\n'))
            f.close()
            return word_list
    
    
    def get_sentiment(word):
        text = u'{}'.format(word)
        s = SnowNLP(text)
        print(s.sentiments)
    
    
    if __name__ == '__main__':
        words = get_word()
        for word in words:
            get_sentiment(word)
    
    # text = u'''
    # 也许
    # '''
    # s = SnowNLP(text)
    # print(s.sentiments)
    #     with open('lyric_sentiments.txt', 'a', encoding='utf-8') as fp:
    #         fp.write(str(s.sentiments)+'\n')
    # print('happy end')

    基于NLP语义分析,程序运行之后,得到的情感得分值如下图所示:

    9cb53138b7c614b5d4e6f278df842c04.png将得数取平均值,一般满足0.5分以上,说明情感是积极的,这里经过统计之后,发现整体是积极的。

    四、总结

    我是Python进阶者。本文基于粉丝提问,针对一次文本处理,手把手教你对抓取的文本进行分词、词频统计、词云可视化和情感分析,算是完成了一个小项目了。下次再遇到类似这种问题或者小的课堂作业,不妨拿本项目练练手,说不定有妙用噢,拿个高分不在话下!

    最后感谢粉丝【小明】提问,感谢【🌑(这是月亮的背面)】、【Python进阶者】大佬解惑,感谢【冫马讠成】大佬提供积极参与。

    关于本文的源码和数据我都已经打包好上传到git了,在公众号后台回复关键词小明的数据即可获取。

    78d40bff7a3cec8f615f1d651fb698c3.png

        小伙伴们,快快用实践一下吧!如果在学习过程中,有遇到任何问题,欢迎加我好友,我拉你进Python学习交流群共同探讨学习。

    f88cc7a609abf78995d829876deab958.png

    ------------------- End -------------------

    往期精彩文章推荐:

    4b3a586c84d31fb6493233923ae043d1.png

    欢迎大家点赞,留言,转发,转载,感谢大家的相伴与支持

    想加入Python学习群请在后台回复【入群

    万水千山总是情,点个【在看】行不行

    /今日留言主题/

    随便说一两句吧~~

    展开全文
  • 论文研读-基于决策变量分析的大规模多目标进化算法 Multiobjective Evolutionary Algorithm Based on Decision Variable Analyses for Multiobjective Optimization Problems With Large-Scale Variables 觉得有用的...

    论文研读-基于决策变量分析的大规模多目标进化算法

    Multiobjective Evolutionary Algorithm Based on Decision Variable Analyses for Multiobjective Optimization Problems With Large-Scale Variables

    觉得有用的话,欢迎一起讨论相互学习~

    我的微博我的github我的B站

    论文研读系列文章

    论文研读-多目标自适应memetic算法

    论文研读-基于决策变量分析的大规模多目标进化算法

    论文研读-多目标优化中的多源选择迁移框架

    论文研读-基于决策变量聚类的大规模多目标优化进化算法

    论文研读-基于变量分类的动态多目标优化算法

    • 此篇文章为 X. Ma et al., "A Multiobjective Evolutionary Algorithm Based on Decision Variable Analyses for Multiobjective Optimization Problems With Large-Scale Variables," in IEEE Transactions on Evolutionary Computation, vol. 20, no. 2, pp. 275-298, April 2016, doi: 10.1109/TEVC.2015.2455812. 的论文学习笔记,只供学习使用,不作商业用途,侵权删除。并且本人学术功底有限如果有思路不正确的地方欢迎批评指正!

    Abstract

    • 最新的多目标进化算法(MOEA)将所有决策变量作为一个整体来处理(即所有决策变量不做区别,或者同时对所有维度的决策变量进行优化)以优化性能。受单目标优化领域中协作协同进化和链接学习方法的启发,将一个困难的高维问题分解为一组更易于解决的较简单和低维的子问题十分具有意义。但是,由于没有关于目标函数的先验知识,因此不清楚如何分解目标函数。此外,使用这样的分解方法来解决多目标优化问题(MOP)十分困难,因为它们的目标函数通常相互冲突。也就是说,仅仅改变决策变量将产生非支配的解决方案。本文提出了相互依赖变量分析和控制变量分析,以解决上述两个困难。因此,本文提出了一种基于决策变量分析(DVA)的MOEA。并使用控制变量分析用于识别目标函数之间的冲突。更具体地说,哪些变量影响生成的解的多样性,哪些变量在总体收敛中起重要作用。基于链接学习的方法,相互依赖变量分析将决策变量分解为一组低维子组件。实证研究表明,DVA可以提高大多数困难MOP的解决方案质量。

    关键词

    • Cooperative coevolution, decision variable analysis (DVA), interacting variables, multiobjective optimization, problem decomposition. 合作协同进化,决策变量分析 (DVA),交叉变量,多目标优化,问题分解。

    Introduction

    • 具有一次运行即可生成许多代表性近似解的优势,进化算法(EA)已广泛用于多目标优化问题(MOP)[1]。当前,最先进的多目标EA(MOEA)[2]-[4]更加注意保持目标空间中获得的解决方案的多样性,并将所有决策变量作为一个整体(即所有决策变量不做区别,或者同时对所有维度的决策变量进行优化)进行优化。由于MOP的复杂性和难度,简化一个较为困难的MOP的方法很有研究价值。影响优化问题复杂性和难度的主要因素是决策变量的数量[5]。受协作协同进化[6] – [9]和链接学习方法[10],[11]的启发,一种理想的方式是将具有高维变量的MOP的每个目标函数分解为许多更简单和低维的子函数。如果存在这种分解,则优化原始函数等于分别解决每个子函数。上述“分而治之”策略的主要困难是如何选择良好的分解方法,以使不同子函数之间的相互依赖性保持最小。尽管分解对协作协同进化和链接学习算法的性能具有重要影响,但是通常对于给定问题的隐藏结构了解不足,无法帮助算法设计者发现合适的分解。因此,有必要设计一种算法,该算法可以检测决策变量之间的相互作用以划分决策变量。为此,开发了相互依赖变量分析。
    • 使用在单目标优化问题(SOP)中提出的分而治之策略用于解决MOP并非易事,因为MOP的目标函数相互冲突。 目标函数之间的冲突在这里指的是通过更改决策变量来生成的无法比较的解决方案。 冲突意味着MOP的目标是找到一组Pareto最优解,而不是像SOP中那样找到单个最优解。 由于位置变量和混合变量[12]对生成的解的传播有影响,因此两种变量都被视为目标函数之间冲突的根源。
    • 基于上述决策变量的控制分析和两个变量之间的相互依赖分析,我们提出了基于决策变量分析的MOEA(MOEA / DVA)。 基于决策变量的控制分析,MOEA / DVA将复杂的MOP分解为一组更简单的子MOP。 基于两个变量之间的相互依赖性分析,决策变量被分解为几个低维子组件。 每个子MOP都会一个一个地独立优化子组件。 因此,与大多数优化了所有决策变量的MOEA相比,MOEA / DVA有望具有优势。
    • 论文主要贡献如下所示:
    1. 为了帮助读者理解变量相互依赖的概念,提供了两个必要条件。
    2. 为了学习目标函数之间的冲突,使用了位置变量和混合变量[12]的概念。 此外,基于位置变量和混合变量而不是权重向量,本文提供了一种新的分解方案,可将困难的MOP转换为一组更简单的子MOP。
    3. 在具有良好的相互作用变量理论基础的情况下,本文尝试将具有高维变量的困难MOP分解为一组具有低维子组件的简单子MOP。
    4. 本文证明了连续ZDT和DTLZ问题的目标函数是可分离的函数。对于2009年IEEE进化计算大会(CEC)竞赛的无约束多目标目标函数(UF)问题[13]证明了其两个决策变量之间的相互作用是稀疏的,并且集中在混合变量上。
    • 本文的其余部分安排如下。 第二部分介绍了有关多目标优化的定义和表示,变量链接,决策变量的控制属性,决策变量的链接学习技术以及基于学习链接的变量划分技术的几种相关背景。 第三节介绍了DVA和提出的算法MOEA / DVA。 第四节说明并分析了实验结果。 第五节总结了本文。

    相关工作

    • 本节介绍相关研究背景的两个方面。 一个是SOP(单目标优化问题)。 SOP的相关研究背景包括决策变量的可分离性和不可分离性,各种链接学习方法以及基于学习链接的决策变量的不同划分方法。 另一个是MOP(多目标优化问题)。 MOP的相关研究背景包括MOP的定义和符号,连续MOP的规律性[14]以及决策变量的控制性。

    可分离和不可分离决策变量

    • f(x)只有当每一个决策变量都能够被单独地进行优化才叫做可分离函数。

    • 定义1 表示可以通过逐一优化变量来解决可分离函数。 可分离性意味着每个变量都独立于任何其他变量。 关于可分离函数和不可分离函数的其他定义可以在[7]和[12]中找到。 球面函数sphere function,广义Rastrigin函数,广义Griewank函数和Ackley函数[15],[16]是可分离函数的代表。 基本上,可分离性函数意味着可以独立于任何其他变量来优化问题中涉及的决策变量,而不可分离性函数意味着至少两个决策变量之间存在相互作用interactions。

    • 变量依赖性是问题的重要方面,它们描述了问题的结构。如果预先知道问题的变量依赖性,则很容易将决策变量划分为几个子组件。因此,通过分别优化具有低维子组件的几个较简单的子问题来解决高维变量的难题是十分有益的。但是,问题的变量依赖性通常是事先未知的。此外,“相互依存变量”的定义不是唯一的。 Yu等[17]提出,当且仅当没有两个决策变量所携带的信息,关联子问题不能被优化时,两个决策变量相互作用。 Weise等[5]提出,如果改变一个决策变量对适应度的影响依赖于另一个决策变量的值,则两个决策变量会相互影响。与以上两个定性定义不同,本文使用以下相互依赖变量的定量定义。

    • 定义2 :

    • 定义2可以从Yang等人[7]提出的不可分函数的定义中得出。在这些“相互依赖变量”的不同定义中,我们选择“定义2”作为相互依赖变量的定义 因为该定义是 定量的 且易于使用。

    • 对于一个不可分的函数f(x),如果 任意两个不同的决策变量xi,xj相互作用,则称这个函数是完全不可分的 Schwefel’s function 2.22, generalized Griewank function, and Ackley’s function [15], [16] 是完全不可分的函数 这里我有一点不懂,上一段中说广义Griewank函数和Ackley函数是可分离的函数呀,为什么这里又表述为完全不可分的呢? . 在完全可分和完全不可分的函数之间,存在大量的部分可分函数[16],[19]. 如果最多k个决策变量x不独立,就说一个函数是k-不可分的。 通常,不可分程度越大,函数求解越难[5]。 实际的优化问题很可能由几个独立的模块组成[16],[19]。 这些问题大多都是部分可分离函数。 对于此类问题,有趣的一点是,具有高维决策变量的困难函数可以分解为具有低维子组件的几个简单子函数。 因此,部分可分离的函数在优化[20]和进化计算[16],[21]领域引起了很多关注。

    决策变量的内部依赖检测技术

    • 对于具有模块化特征的问题,如果算法能够学习问题结构并相应地分解函数,则解决问题的难度将迅速降低[22]。 因此,降低问题难度的关键问题是检测变量交叉。根据Yu[17]和Omidvar[21]等人的建议,链接检测技术分为四大类:1)扰动; 2)交互适应; 3)建立模型; 和4)随机。
    1. 扰动:
    • 这些方法通过扰动决策变量来检测交互,并研究由于这种扰动而导致的适应性变化。 典型的扰动方法包括以下两个步骤。 第一步是扰动决策变量并检测决策变量之间的交互。 第二步是将具有高度相互依赖性的决策变量组合到同一子组件中以进行优化。 这类方法的示例包括:通过非线性检查(LINC)进行链接识别[23],通过对实值遗传算法(LINC-R)进行非线性检查进行链接识别[24],自适应协进化优化[25]以及与 变量交互学习[18]。 我们提出的相互依赖变量分析可以被认为是一种扰动方法。
    1. 交互适应:
    • 这些方法将相互依赖检测技术融入到单个编码中,同时解决了问题。 个体之间相互依赖的变量越紧密,其重组概率就越高。 典型的例子有连锁学习遗传算法[26]和连锁进化遗传算子[27]。
    1. 建模:
    • 模型构建方法的经典框架包括五个步骤:a)随机初始化进化种群; b)选择一些有希望的解决方案; c)基于那些选定的有希望的解建立模型; d)从学习模型中采样新的试用解; e)重复步骤b)-e),直到满足停止标准为止。 典型代表包括分布算法(EDA)的估计[28],紧凑型遗传算法[29],贝叶斯优化算法(BOA)[30]和依赖结构矩阵(DSM)驱动的遗传算法[17]。
    1. 随机方法:
    • 与上述三种方法不同,这些方法没有使用智能过程来检测决策变量之间的交互性[7],[21]。 他们随机排列变量以提高将相交互的变量放入相同子组件的可能性[7]。

    基于学习链接的分类技术

    • 注意:这是背景介绍,但不全是本文提出的工作
    • 在本节中,我们介绍两种决策变量的划分方法。 第一个是将具有交互作用的决策变量划分为相同的子组件[21]。 这种划分技术对于模块化的问题是有效的。 然而,这种划分技术对于重叠和层次结构问题可能不是最好的[17]。 第二个是基于DSM聚类技术[17]划分变量。 DSM是由两个决策变量之间的相互作用构建的矩阵。 DSM聚类技术在产品设计和开发的体系结构改进中很流行。DSM聚类的目标是在同一簇内保持最大的交互,而簇间保持最小的交互。
      图2给出了DSM聚类的实例。

    • 为了在聚类布置的准确性和复杂性之间做出权衡,Yu等人。 [31]提出了一种基于最小描述长度(MDL)的度量,描述为

    多目标优化

    连续多目标优化的规律性

    • 对于大部分ZDT[34],DTLZ[35],UF[13]多目标优化测试集来说, PS分布的维度是(M-1)维,其中M是目标数量
    • 举个例子,对于一个双目标的50维度的问题来说,大多数情况下,第一维控制分布,而后49维都会控制收敛,最优种群中的后49维的每一个维度的最优值都只有一个,每个个体的后49维的每个维度都会收敛到各自定义的一个特定的最优点上,而第一维则会按照分布要求分散开来。–如果实在不太理解的话可以看看benchmark给的最优点,也就是优化的目标答案。

    决策变量的控制性

    • 除了可分离性以外,决策变量根据多目标优化中与适应度景观的关系还存在着控制性。下列类型的关系很有趣,因为我们可以使用它们来将解分为多样部分和收敛部分[12]。位置变量–单纯改变position位置变量的值只会使解变为非支配关系的解或者相等的解,对应着多目标优化的多样性,而如果单纯改变一个变量的值会引起支配关系的改变或者相等的值而从不会出现废纸配的关系,即只有支配关系或者相等,即解不是变好就是变坏,而不是多样性的改变,则称这个变量为distance距离变量,如果不是位置变量或者距离变量我们将其成为mix混合变量,而混合变量在本篇论文的算法中当做多样性变量进行处理。

    • 根据连续多目标优化的规律,ZDT,DTLZ,UF等多目标优化问题的位置变量和混合变量的总数是m-1,而距离变量的总数是n-m+1

    提出的算法MOEA/DVA

    控制变量分析

    • 位置position变量控制多样,distance变量控制收敛,具体控制变量分析方法如算法1所示:
    • 使用UF测试用例来举例说明控制变量法来分类变量的思路
    • 当所提出的算法执行决策变量的控制分析时,所需目标函数评估的次数为n×NCA,其中NCA为采样解的数量。 基于算法1的大量样本,表I总结了现有基准MOP的控制特性分析,例如连续ZDT,DTLZ,UF1-UF10和三目标WFG问题。 在此表中,三目标WFG问题的n = 24个变量,与位置position相关的变量数k = 4。

    两个决策变量之间的相互依赖分析

    • 如第II-A节所述,存在有关交互变量的不同定义。 在本文中,定义2用于分析两个决策变量之间的相互依赖关系。

    两个变量相互依赖的必要条件

    • 既然是必要条件,即说明是如果两个变量相互依赖,那么即会出现的性质,出现这种性质不能推导出两个变量相互依赖。但是如果这种性质或者条件不满足,则两个变量绝对不是相互依赖的。

    必要条件1

    • 偏导依赖

    必要条件2

    学习变量之间的交互

    • 实际上,决策变量之间的相互作用可以用来将一个困难的函数分解为具有低维子组件的一组子函数[21]。 手冢等[24]使用公式(5)以不用推导就能学习演化过程中两个决策变量之间的相互作用。 对于可加分离函数,Omidvar等[21]给出了使用公式(5)识别相互作用的决策变量的理论推导。 然而,公式(5)是识别连续微分函数中两个决策变量相互作用的必要条件,但不是充分条件,如第III-B1节所述。
    • 本文中使用定义二来学习两个决策变量之间的交互关系,算法2给出了实现细节,图5-7展示了ZDT1,DTLZ1,UF1 和UF8以及五个WFG问题的两个决策变量之间的交互关系

    • 这些问题有两个突出的特点。 一个是在ZDT1,DTLZ1,WFG1和WFG4-WFG5问题的各个函数中不存在变量交互作用。 另一个是稀疏变量交互作用集中于UF1和UF8问题的m-1个决策变量,其中m是在(3)中定义的目标函数的数量。 通常,根据定义2,对于大多数基准测试问题(包括连续的ZDT,DTLZ,UF和WFG问题),存在稀疏变量交互。 此外,在大多数连续ZDT和DTLZ问题中都是可分离的函数。
    • 当对两个变量之间的相互作用进行一种判断时,所提出的算法需要在三个点上评估目标函数的值。 因此,相互依赖性分析所需的目标函数评估数为(3/2)n(n-1)* NIA,其中m为目标函数数,n为MOP(3)中定义的决策变量数, NIA是判断两个变量之间的相互作用所需的最大尝试次数。 NIA越大,两个变量之间相互作用的判断将越精确。
    • 至于为什么是三个点,下图可以解释

    根据变量链接对距离变量进行分类(MOP根据变量链接的最大连接子图)

    • 具体分类方式参考算法3
    • 距离变量对收敛有影响,位置变量对多样性有影响,距离变量是MOP重点优化的难题,而位置变量是主要矛盾所在。在优化早期,我们的策略是先维持多样性的位置变量不动而只优化距离变量。
    • 和单目标优化不同,MOP需要同时优化所有目标函数,因此需要在所有目标函数上对决策变量进行分类。我们将每个目标函数中的变量链接合成为一张变量链接图。 图8提出了一个三目标问题,以说明基于最大连通子图划分变量的过程。

    • 注意,这些都是对收敛性的决策变量进行的工作,对于多样性的决策变量在算法早期保持不变
    • 注意:在某些算法中会为了使subcomponents更小而打断一些链接,但是本算法暂时没有考虑这个问题,因为我们不清楚如果打断一个链接对算法最终的影响会是如何。EDA也许是一个比较好的期望能解决这个问题的算法。

    提出的MOEA/DVA的框架

    • 提出的MOEA/DVA的流程图如图9所示,
    1. 决策变量分析:有两种决策变量分析 控制性分析和交互分析 控制性分析将决策变量分为收敛性变量和多样性变量,交互分析用于将收敛性变量使用变量链接进行分组。
    2. 距离变量分类:收敛性变量也被称为距离变量,将高维转化为若干个低维子组件。
    3. 基于多样性变量的MOP分解:一个MOP被分解为一组具有不同变量(位置变量和混合变量)值均匀分布的子MOP。
    4. 子组件优化:对每个子组件独立优化以提升收敛速度。
    5. 分布性优化:优化所有决策变量,包括位置变量和混合变量。 其目的是提高目标空间中种群的分布性。
    • 与基于权重向量的MOEA/D [2]分解和基于偏好方向的MOEA/D-M2M [36]分解不同,本文使用各种变量(位置变量和混合变量)分解困难的MOP(3)分成一组更简单的变量分布均匀的子MOP。表II中列出了子MOP,子问题和多目标子问题之间的差异。每个子MOP是一个多目标优化问题,由原始MOP(3)定义,并具有不同变量的固定值。以带有三个决策变量的UF1问题为例来说明sub-MOP的概念。根据III-A部分的控制分析,UF1问题的x1是一个混合变量,x2和x3是距离变量。原始MOP绘制在图10(左)上,而图10(右)显示了具有恒定变量x1 = 0.25的子MOP。子MOP的主要特征是它仅具有距离变量,而没有多样性变量(位置变量和混合变量)。

    • 进化种群的结构如图11所示,其中N是种群大小。在本文中,MOEA / DVA优化了单个进化种群,所有子组件共享相同的种群。种群中的每个体都代表一个MOP。在此图中,我们假设x1和x2是多样化变量(位置变量或混合变量),而x3,x4,…。 。 。 ,x8是距离变量。距离变量分为三个独立的子分量{x3},{x4,x5,x6}和{x7,x8}。在算法优化早期,固定位置变量,只优化距离变量。sub-MOP的特征之一是多样性变量的值在演化的早期是固定的。因此,种群中多样性变量的分布对获得的解的分布具有重要影响。为了保证进化种群的多样性,均匀采样方法[37]被用来初始化种群多样性变量的值。

    • 表III列出了多样性变量的分解与距离变量的分解之间的差异。 基于学习到的变量链接,MOEA / DVA通过算法3将距离变量分解为一组低维子组件。算法4提供了MOEA / DVA的详细信息。 在MOEA / DVA中,这两个分解共同解决了MOP。 MOEA / DVA首先通过具有均匀分布的多样性变量将困难的MOP分解为多个更简单的子MOP。 然后,每个子MOP在发展的早期阶段都逐一优化子组件。

    • 算法4的第5行对距离变量进行分组。 算法4的第9-12行类似于协作协同进化框架[7],[21]。 算法4的第11行执行下一段介绍的子组件优化。 为简单起见,我们为MOEA / DVA中的每个子组件分配相同的计算资源。 也可以根据不同的子组件的近期性能为它们分配不同的计算资源[38]。

    • 对于子组件优化,我们在MOEA/D [2]中使用进化算子。由于每个目标函数fi(x,i = 1,…,m)是连续的,因此相邻子MOP的最优解应该彼此接近。因此,有关其相邻子MOP的任何信息将有助于优化当前子MOP [2]。这些子MOP之间的邻域关系是基于其各个变量之间的欧几里得距离定义的。如果第i个子MOP的多样性变量接近第j个子MOP的多样性变量,则第i个子MOP是第j个子MOP的邻居。算法5提供了子组件优化的详细信息。在第3步中,由于在发展的早期阶段每个子MOP的多样性变量值是固定的,因此MOEA / DVA仅使用第i个MOP的后代来更新第i个MOP的当前解。为简单起见,算法5在发展的早期阶段为MOEA / DVA中的每个单独/子MOP分配了相同的计算资源。结论中将讨论更智能的MOEA / DVA版本。

    • 最后,我们在算法4的第17行中介绍了在MOEA / DVA中进行均匀性优化的必要性。如上所述,MOEA / DVA首先将MOP分解为具有均匀分布的多样性变量的子MOP集合,并且逐个优化每个子MOP。 通过在演化的早期为多样性变量赋予统一固定值,MOEA / DVA可以在决策变量上通过均匀的多样性变量保持种群的多样性。 因此,MOEA / DVA找到的解决方案的分布高度依赖于问题从PS到PF的映射。

    • 通过算法的效用评价算法的阶段–先固定多样性只对收敛性变量进行优化,然后当达到效用阈值,对所有变量进行优化

    • 为了解决这一问题,利用MOEA/D对所有的决策变量进行演化,包括演化后期的多样性变量( if 效用 < 阈值 )。其目的是为了提高种群在目标空间中的均匀性。因此,MOEA/DVA的思想是逐个优化子组件,使进化种群在进化的早期阶段( if 效用 ≥ 阈值 )具有良好的收敛性。在进化后期,MOEA/DVA对包括不同变量在内的所有决策变量进行优化,使进化种群在目标空间中具有良好的均匀性。子组件优化的效用在算法6中计算。

    参考文献

    [1] K. Deb, Multi-Objective Optimization Using Evolutionary Algorithms. New York, NY, USA: Wiley, 2001.
    [2] Q. Zhang and H. Li, “MOEA/D: A multi-objective evolutionary algorithm based on decomposition,” IEEE Trans. Evol. Comput., vol. 11, no. 6, pp. 712–731, Dec. 2007.
    [3] N. Beume, B. Naujoks, and M. Emmerich, “SMS-EMOA: Multiobjective selection based on dominated hypervolume,” Eur. J. Oper. Res., vol. 181, no. 3, pp. 1653–1669, 2007.
    [4] K. Deb and H. Jain, “An evolutionary many-objective optimization algorithm using reference-point based non-dominated sorting approach, part I: Solving problems with box constraints,” IEEE Trans. Evol. Comput., vol. 18, no. 4, pp. 577–601, Aug. 2014.
    [5] T. Weise, R. Chiong, and K. Tang, “Evolutionary optimization: Pitfalls and booby traps,” J. Comput. Sci. Technol., vol. 27, no. 5, pp. 907–936, 2012.
    [6] M. Potter and K. Jong, “A cooperative coevolutionary approach to function optimization,” in Proc. Int. Conf. Parallel Probl. Solv. Nat., vol. 2. Jerusalem, Israel, 1994, pp. 249–257.
    [7] Z. Yang, K. Tang, and X. Yao, “Large scale evolutionary optimization using cooperative coevolution,” Inf. Sci., vol. 178, no. 15, pp. 2985–2999, 2008.
    [8] X. Li and X. Yao, “Cooperatively coevolving particle swarms for large scale optimization,” IEEE Trans. Evol. Comput., vol. 16, no. 2, pp. 210–224, Apr. 2012.
    [9] Y. Mei, X. Li, and X. Yao, “Cooperative co-evolution with route distance grouping for large-scale capacitated arc routing problems,” IEEE Trans. Evol. Comput., vol. 18, no. 3, pp. 435–449, Jun. 2014.
    [10] D. Goldberg, Genetic Algorithms in Search, Optimization, and Machine Learning. Reading, MA, USA: Addison-Wesley, 1989.
    [11] Y. Chen, T. Yu, K. Sastry, and D. Goldberg, “A survey of linkage learning techniques in genetic and evolutionary algorithms,” Illinois Genet. Algorithms Libr., Univ. Illinois Urbana-Champaign, Urbana, IL, USA, Tech. Rep. 2007014, 2007.
    [12] S. Huband, P. Hingston, L. Barone, and L. While, “A review of multiobjective test problems and a scalable test problem toolkit,” IEEE Trans. Evol. Comput., vol. 10, no. 5, pp. 477–506, Oct. 2006.
    [13] Q. Zhang et al., “Multiobjective optimization test instances for the CEC 2009 special session and competition,” School Comput. Sci. Electr. Eng., Univ. Essex, Colchester, U.K., Tech. Rep. CES-887, 2008.
    [14] Q. Zhang, A. Zhou, and Y. Jin, “RM-MEDA: A regularity model-based multiobjective estimation of distribution algorithm,” IEEE Trans. Evol. Comput., vol. 12, no. 1, pp. 41–63, Feb. 2008.
    [15] L. Jiao, Y. Li, M. Gong, and X. Zhang, “Quantum-inspired immune clonal algorithm for global optimization,” IEEE Trans. Syst., Man, Cybern. B, Cybern., vol. 38, no. 5, pp. 1234–1253, Oct. 2008.
    [16] K. Tang, X. Li, P. Suganthan, Z. Yang, and T. Weise, “Benchmark functions for the CEC’2010 special session and competition on large-scale global optimization,” Nat. Inspir. Comput. Appl. Lab., Univ. Sci. Technol. China, Hefei, China, Tech. Rep. 2010001, 2010.
    [17] T. Yu, D. Goldberg, K. Sastry, C. Lima, and M. Pelikan, “Dependency structure matrix, genetic algorithms, and effective recombination,” Evol. Comput., vol. 17, no. 4, pp. 595–626, 2009.
    [18] W. Chen, T. Weise, Z. Yang, and K. Tang, “Large-scale global optimization using cooperative coevolution with variable interaction learning,” in Proc. Conf. Parallel Probl. Solv. Nat., Kraków, Poland, 2010, pp. 300–309.
    [19] P. Toint, “Test problems for partially separable optimization and results for the routine PSPMIN,” Dept. Math., Univ. Namur, Namur, Belgium, Tech. Rep. 83/4, 1983.
    [20] B. Colson and P. Toint, “Optimizing partially separable functions without derivatives,” Optim. Methods Softw., vol. 20, nos. 4–5, pp. 493–508, 2005.
    [21] M. Omidvar, X. Li, Y. Mei, and X. Yao, “Cooperative co-evolution with differential grouping for large scale optimization,” IEEE Trans. Evol. Comput., vol. 18, no. 3, pp. 378–393, Jun. 2014.
    [22] D. Thierens and D. Goldberg, “Mixing in genetic algorithms,” in Proc. 5th Int. Conf. Genet. Algorithms, Urbana, IL, USA, 1993, pp. 38–45.
    [23] M. Munetomo and D. Goldberg, “Identifying linkage groups by nonlinearity/ nonmonotonicity detection,” in Proc. Genet. Evol. Comput. Conf., vol. 1. Orlando, FL, USA, 1999, pp. 433–440.
    [24] M. Tezuka, M. Munetomo, and K. Akama, “Linkage identification by nonlinearity check for real-coded genetic algorithms,” in Proc. Genet. Evol. Comput. Conf., Seattle, WA, USA, 2004, pp. 222–233.
    [25] K. Weicker and N. Weicker, “On the improvement of coevolutionary optimizers by learning variable interdependencies,” in Proc. IEEE Congr. Evol. Comput., Washington, DC, USA, 1999, pp. 1627–1632.
    [26] Y. Chen, “Extending the scalability of linkage learning genetic algorithms: Theory and practice,” Ph.D. dissertation, Dept. Comput. Sci., Univ. Illinois Urbana-Champaign, Urbana, IL, USA, 2004.
    [27] J. E. Smith, “Self adaptation in evolutionary algorithms,” Ph.D. dissertation, Dept. Comput. Sci., Univ. West England, Bristol, U.K., 1998.
    [28] Q. Zhang and H. Muehlenbein, “On the convergence of a class of estimation of distribution algorithms,” IEEE Trans. Evol. Comput., vol. 8, no. 2, pp. 127–136, Apr. 2004.
    [29] G. R. Harik, F. G. Lobo, and D. E. Goldberg, “The compact genetic algorithm,” IEEE Trans. Evol. Comput., vol. 3, no. 4, pp. 287–297, Nov. 1999.
    [30] M. Pelikan and D. Goldberg, “BOA: The Bayesian optimization algorithm,” in Proc. Genet. Evol. Comput. Conf., Orlando, FL, USA, 1999, pp. 525–532.
    [31] T. Yu, A. Yassine, and D. Goldberg, “A genetic algorithm for developing modular product architectures,” in Proc. ASME Int. Design Eng. Tech. Conf., Chicago, IL, USA, 2003, pp. 515–524.
    [32] K. Miettinen, Nonlinear Multiobjective Optimization. Boston, MA, USA: Kluwer Academic, 1999.
    [33] C. Hillermeier, Nonlinear Multiobjective Optimization—A Generalized Homotopy Approach. Boston, MA, USA: Birkhauser, 2001.
    [34] E. Zitzler, K. Deb, and L. Thiele, “Comparison of multiobjective evolutionary algorithms: Empirical results,” Evol. Comput., vol. 8, no. 2, pp. 173–195, 2000.
    [35] K. Deb, L. Thiele, M. Laumanns, and E. Zitzler, “Scalable multiobjective optimization test problems,” in Proc. Congr. Evol. Comput., Honolulu, HI, USA, 2002, pp. 825–830.
    [36] H. Liu, F. Gu, and Q. Zhang, “Decomposition of a multiobjective optimization problem into a number of simple multiobjective subproblems,” IEEE Trans. Evol. Comput., vol. 18, no. 3, pp. 450–455, Jun. 2014.
    [37] K. Fang and D. Lin, “Uniform designs and their application in industry,” in Handbook on Statistics in Industry, vol. 22. Amsterdam, The Netherlands: Elsevier, 2003, pp. 131–170.
    [38] M. Omidvar, X. Li, and X. Yao, “Smart use of computational resources based on contribution for cooperative co-evolutionary algorithms,” in Proc. Genet. Evol. Comput. Conf., Dublin, Ireland, 2011, pp. 1115–1122.
    [39] R. Storn and K. Price, “Differential evolution—A simple and efficient heuristic for global optimization over continuous spaces,” J. Global Optim., vol. 11, no. 4, pp. 341–359, 1997.
    [40] K. Deb, S. Agrawal, A. Pratap, and T. Meyarivan, “A fast and elitist multiobjective genetic algorithm: NSGA-II,” IEEE Trans. Evol. Comput., vol. 6, no. 2, pp. 182–197, Apr. 2002.
    [41] L. Tseng and C. Chen, “Multiple trajectory search for unconstrained/ constrained multi-objective optimization,” in Proc. IEEE Congr. Evol. Comput., Trondheim, Norway, 2009, pp. 1951–1958.
    [42] P. Bosman and D. Thierens, “The naive MIDEA: A baseline multi-objective EA,” in Proc. Evol. Multi-Criterion Optim. (EMO), Guanajuato, Mexico, 2005, pp. 428–442.
    [43] C. Ahn, “Advances in evolutionary algorithms,” in Theory, Design and Practice. Berlin, Germany: Springer, 2006.
    [44] Q. Zhang, W. Liu, and H. Li, “The performance of a new version of MOEA/D on CEC09 unconstrained MOP test instances,” School Comput. Sci. Electr. Eng., Univ. Essex, Colchester, U.K., Tech. Rep. 20091, 2009.
    [45] M. Liu, X. Zou, Y. Chen, and Z. Wu, “Performance assessment of DMOEA-DD with CEC 2009 MOEA competition test instances,” in Proc. IEEE Congr. Evol. Comput., Trondheim, Norway, 2009, pp. 2913–2918.
    [46] E. Zitzler, L. Thiele, M. Laumanns, C. Fonseca, and V. Fonseca, “Performance assessment of multiobjective optimizers: An analysis and review,” IEEE Trans. Evol. Comput., vol. 7, no. 2, pp. 117–132, Apr. 2003.
    [47] J. Derrac, S. Garca, D. Molina, and F. Herrera, “A practical tutorial on the use of nonparametric statistical tests as a methodology for comparing evolutionary and swarm intelligence algorithms,” Swarm Evol. Comput., vol. 1, no. 1, pp. 3–18, 2011.
    [48] J. Durillo et al., “A study of multiobjective metaheuristics when solving parameter scalable problems,” IEEE Trans. Evol. Comput., vol. 14, no. 4, pp. 618–635, Aug. 2010.
    [49] L. Marti, J. Garcia, A. Berlanga, and J. Molina, “Introducing MONEDA: Scalable multiobjective optimization with a neural estimation of distribution algorithm,” in Proc. Genet. Evol. Comput. Conf. (GECCO), Atlanta, GA, USA, 2008, pp. 689–696.
    [50] L. Marti, J. Garcia, A. Berianga, and J. Molina, “Multi-objective optimization with an adaptive resonance theory-based estimation of distribution algorithm,” Ann. Math. Artif. Intell., vol. 68, no. 4, pp. 247–273, 2013.

    展开全文
  • 2021年小目标检测最新研究综述

    千次阅读 2021-08-16 01:02:16
    作者丨高新波、莫梦竟成、汪海涛、冷佳旭编辑丨极市平台导读与以往将小目标与常规目标等同对待或只关注特定应用场景下的目标检测综述不同,本文目标检测这一不可或缺且极具挑战性的研究领域进行...
  • 目标检测研究综述

    千次阅读 多人点赞 2022-03-23 10:49:40
    2、目标检测模型与发展(对比) 2.1 传统目标检测模型与发展 (1) Viola Jones检测器 (2) HOG 检测器 (3) 基于可变形部件的模型(DPM) 2.2 基于深度学习目标检测模型与发展 2.2.1基于卷积神经网络的单级...
  • 目标优化问题概述

    万次阅读 2017-08-29 20:34:16
    图片不清楚请看多目标问题详解:多目标问题详解 定义:若干冲突或相互影响条件约束下在给定区域内寻找尽可能的最优解(非劣解)。 关键词:条件约束,折中最优解(解并非唯一是与单目标优化问题的本质区别) 文字...
  • 系统分析和需求分析

    千次阅读 2022-01-13 10:54:22
    或者说,系统分析对标的是需求开发。 四、系统分析与需求分析没有区别 但如果根据国家标准(GB/T 8566-2007)对软件生命周期的划分,则需求分析又等同于系统分析,是对其中一个阶段的命名。 个人理解。
  • 写一份好的数据分析报告的重要性不言而喻(只要我写的好,升职加薪、年终奖就少不了我) 大家都知道,数据分析报告的输出是整个业务分析过程的成果,是评定一条业务线的参考依据,既然这么重要那当然要写好它了。 ...
  • 摘 要本文分析了信息技术...一信息技术的定义分类与特征 1信息技术的定义 人们信息技术的定义因其使用的目的范围层次不同而有不同的表述 1)信息技术就是获取存贮传递处理分析以及使信息标准化的技 术[1] 2)信息技术
  • 《娜璋带你读论文》系列主要是督促自己阅读优秀论文及听取学术讲座,并分享给...这篇文章将带来USENIXSec21恶意代码分析的经典论文,DeepReflect,它通过二进制重构发现恶意功能,来自于佐治亚理工。希望您有所帮助~
  • 遥感图像目标检测研究综述

    千次阅读 2022-04-10 21:16:56
    遥感图像目标检测研究综述
  • 文章简要概括了高中思想政治教学目标演变的三个阶段,并通过对比分析不同阶段的教学目标样例来探究高中思想政治教学目标的转变当前课程改革的指导意义。[关键词]高中思想政治;教学目标;双基;三维;核心素养...
  • 4.关于杠杆的表述,正确的是( )。 A.不存在存货的服务性企业不存在经营杠杆系数 B.由于财务杠杆损失的放大作用,企业应尽量降低负债水平 C.企业应当适度利用经营杠杆和财务杠杆 D.企业应积极利用财务杠杆,...
  • 视频图像分析主要是运动图像序列进行分析处理,它通常涉及到运动检测、目标分类、目标跟踪及行为理解与描述几个过程。其中,运动目标检测与跟踪处于整个视觉监视系统的最底层,是视频图像分析中最基本的方法,是...
  • 聚类分析简述

    万次阅读 2022-02-26 13:13:22
    数据不需要标签标记),用于未知类别的样本进行划分将它们按照一定的规则划分成若干个类簇,把相似(相关的)的样本聚在同一个类簇中, 把不相似的样本分为不同类簇,从而分析样本之间内在的性质以及相互之间的联系...
  • 1、什么是聚焦最重要目标 将你最好的精力集中到一两个最重要的目标上来,而非平均地放到十几个目标上去——这一两个目标应该是能够使你得到革命性结果的事情。 聚焦,并非要缩减日常事务的规模和复杂度,日常事务...
  • 数据分析报告

    千次阅读 2021-08-30 16:15:10
    很多人在写数据分析报告的时候,往往更关注如何将报告做的更美观,例如:做漂亮的可视化图表,做很炫的PPT等。但当别人看你做的数据分析报告的时候,往往更关注这...它需要数据进行适当的包装,让阅读者能结果做出
  • 数据分析之数据预处理、分析建模、可视化

    万次阅读 多人点赞 2020-08-08 15:03:21
    概述:简介、思路、发展...数据分析方法:描述统计、假设检验、信度分析、相关分析、方差分析、回归分析、聚类分析、判别分析、主成分分析、因子分析、时间序列分析等; 数据可视化:Excel、PowerBI、Tableau、Python;
  • 商品销售数据分析报告

    千次阅读 2021-11-16 20:52:20
    将基于电商用户的销售数据进行数据分析,探索用户消费行为概况和特点,寻找高价值客户,为精准营销与精细化运营提供数据支撑,从而帮助平台/商家实现营收增长。
  • 医学图像分析领域算法汇总

    千次阅读 2020-01-15 10:17:36
    本文首发于公众号【3D视觉工坊】,原文请见汇总|医学图像分析领域论文,更多干货获取请关注公众号~ 医学图像分析相关期刊会议汇总 1、医学图像分析 (MedIA) 2、IEEE 医学图像学报 (IEEE-TMI) 3、IEEE 生物医学工程...
  • ... Abstract ...如果我们平均蒸馏它们,特征图之间的不均匀差异将蒸馏产生负面影响。因此,我们提出了局部和全局蒸馏(FGD)。局部蒸馏分离了前景和背景,迫使学生将注意力集中在老师的关键像素和通
  • 软件工程需求分析方法

    千次阅读 2019-11-28 17:12:02
    详细介绍软件工程需求分析方法,转载自别处,
  • 分享一篇我很有启发的文章 原作者信息如下: 作者简介 HeoiJin:立志透过数据看清世界的产品策划,专注爬虫、数据分析、产品策划领域。 万物皆营销 | 资本永不眠 | 数据恒真理 CSDN:...
  • 1网络营销方案.docx

    2022-07-06 08:22:13
    表述合理的网络营销目标,应当具体的营销目的进行陈诉,如利润比上年增长12%,品牌知名度达到50%等等。网络营销目标还应详细说明达到这些成就的时间期限。 (三)swot分析 除了企业的任务、远景和目标之外,企业的...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 48,431
精华内容 19,372
热门标签
关键字:

对活动目标的表述进行分析