导读:本文包含了任务序列论文开题报告文献综述及选题提纲参考文献，主要关键词:指导序列,期末复习,导向型,Ask,Time,for,the
任务序列论文文献综述
陈永坚[1]（2019）在《Ask Time for the “T”——Task任务导向型期末复习指导序列班会》一文中研究指出当我们问学生为什么不做作业或不复习时,学生总会回答时间不够、效率不高、静不下心、不知道该做什么。真的是客观原因导致学业成绩不理想吗?我想不是的。据我了解,其实学生更多是因为没有规划好学习任务和学习时间,才缺乏行动力和自制力,最终导致了不理想的考试结果。为此,我引出任务清单和时间管理四象限理论去帮助学生做好期末复习规划,以期改变当前学生学习不自觉、不自信、不抓紧的局面,营造更好的班级学风,帮助学生学会复习。(本文来源于《班主任》期刊2019年11期）
孙安,于英香,罗永刚,孙逊[2]（2019）在《序列标注模型中不同输入特征组合的集成学习与直推学习方法研究——以CCKS-2018电子病历命名实体识别任务为例》一文中研究指出[目的/意义]研究机器学习中集成学习与直推学习方法对电子病历命名实体识别任务的性能影响,为基于机器学习方法的文本信息抽取提供一种性能优化方法。[方法/过程]首先对CCKS-2018提供的电子病历文本进行分析,提取中文分词、词性标注、临床实体类别特征;然后在条件随机场CRF算法下,采用不同输入特征组合的方法构造"基学习器"进行投票集成;最后用直推学习方法对集成学习结果进行优化。[结果/结论]实验中集成学习获得总体效果F_1值86.93%均优于"基学习器"结果值,直推学习获得了模型的最佳泛化性能87.06%,同时多特征组合比单独字特征可以获得更好的"基学习器"。实验证明采用不同输入特征组合的集成学习和直推学习可以有效提升模型的泛化性能,该方法可以在其他相关机器学习与文本信息抽取领域中推广。(本文来源于《情报杂志》期刊2019年10期）
孙映川[3]（2019）在《协同任务中资源服务序列挖掘及其优化方法的研究》一文中研究指出随着全球经济一体化进程的加快,协同任务模式被越来越广泛的使用。在新兴的信息技术例如云计算、互联网支持下,协同任务平台更加高效地管理业务过程和资源服务,协调不同组织,共同完成一项任务。将资源服务按照“服务流”的模式提供给业务过程,业务过程的整体效率将被有效地提高。然而,资源服务具有的分布性、各组织对资源服务选取的自治性等使用特点却不利于提高业务过程的整体效率。为了使资源服务的选取效率能够提高,从而提升业务过程的整体效率,在工作流等相关技术的支持下,考虑到业务过程中资源服务间的相关性、资源服务序列(Resource Service Sequence,RSS)间的相似性和资源服务的分类特点,提出资源服务序列挖掘和优化方法,本文的主要研究工作如下:(1)协同任务下基于相似度的资源服务序列挖掘方法。在协同任务模式下,为了提高资源服务的选取效率,提出一种基于相似度的资源服务序列挖掘方法。首先,考虑到资源服务间的依赖关系可由资源服务间的使用频率表示,根据资源服务的使用频率给出资源服务间距离的计算方法,接下来依据资源服务间的距离,通过动态规划的方式获取两个资源服务序列中资源服务的对应匹配关系,并给出资源服务序列间相似性的递归计算表达式,最后给出频繁资源服务序列的判别方法。经实验结果证明,所提方法可提高资源服务选取效率。(2)面向抽象粒度优化的资源服务序列挖掘方法。针对资源服务种类繁多,难以挖掘出有用的资源服务序列这一关键问题,提出一种面向抽象粒度优化的资源服务序列挖掘方法。首先根据资源服务分类树,在不同抽象类别下将资源服务用向量表示,其次根据不同抽象类别所在分类树的层次关系,分析资源服务的相似度和区分度,最后结合资源服务间的相似度、区分度和资源服务的使用频率,给出资源服务的最佳抽象类别表示。实验结果证明,所提方法可改善资源服务序列的挖掘效果。最后,为了验证所提方法的可行性,将所提方法在该平台上进行验证。(本文来源于《华侨大学》期刊2019-05-23）
任伟杰颖[4]（2019）在《多任务学习在多标签分类和时间序列预测中的研究和运用》一文中研究指出多任务学习是传统的机器学习中一个重要的分支,通过考虑相关领域的相似性,通过学习一个任务的特性,将这种特性迁移到相关的领域中,从而解决标记数据少的情况,或者为另外的领域提供辅助的信息。在真实的机器学习任务中,一般会遇到有标记的样本量少,类别不平衡等等的问题。多任务学习通过学习相关领域的知识,将这些有效的知识迁移到别的领域。在视觉领域里,目标检测和深度预测学习的知识可以辅助对方,多任务学习也可以为辅助任务提供不同视角的表达。多标签分类是传统机器学习的一个重要课题。和传统的方法不同,我们假设一个更加完备的标签空间,并且引入相似度矩阵来刻画这样的完备空间。传统的方法往往通过核范数来表达标签之间的联系,本文提出一个对传统核范数加速的方法,将每一个标签当做一个任务,考虑任务之间的联系,效果和传统的核范数效果相当。实验证明,本文提出的对核范数加速的方法,不仅考虑了标签之间的联系,而且速度明显加快。多任务学习在时间序列检测任务上也可以取得比较好的效果。传统的时间序列检测分为两种思路,一种是通过加特殊的正则化项,刻画时间序列的变化趋势。但是这些正则化项往往需要先验知识,同时有很大的局限性,只能刻画某种变化。另一种是通过随机的方法,比如高斯过程。但是这些随机方法也只能假设某一类分布的变化,无法应付真实生活中多样的变化。和传统的方法不同,我们思考解决预测不同变化趋势的时间序列问题,而众筹问题符合这样的假设。不同产品的变化趋势不同,但是产品本身具有相似度。本文提出了一种基底生成的方法,通过选择合适的基底,最终使得这些选择出来的基底可以应付多样的变化。实验证明,文本提出的方法可以应对样本量变化多样性强的情况,对各种自然的时间序列检测任务效果得到明显提升。(本文来源于《中国科学技术大学》期刊2019-05-01）
叶锐[5]（2019）在《基于迁移学习和多任务学习的时间序列预测算法》一文中研究指出作为动态数据分析处理的一个重要方向,时间序列预测在很多研究领域中引起了广泛的注意。许多关于时间序列预测的算法也被提出。而在对未来某点预测时,已有的方法大多只保留与预测点临近的数据,而丢弃大量与预测点相隔久远的数据。然而,某些情况下,可能无法获得足够的与预测点相近的新数据,此时为了能更好地对目标点预测,我们可以从大量相距久远的旧数据中提取有效信息,并将其应用到当前的预测任务中。鉴于时间序列的时效性,旧数据和新数据之间通常有较大的差异,直接利用旧数据辅助预测是不可行的,因此,在时间序列预测问题中,如何在相隔时间久远的数据之间迁移信息是比较有挑战性的工作。针对上述问题,本文提出了TrEnOS-ELMK(a hybrid algorithm based on transfer learning,ensemble learning and online sequential extreme learning machine with kernels)算法,并将其应用于单步时间序列预测。相对已有的关于时间序列预测的方法,TrEnOS-ELMK能最大程度地利用充足的、与预测点相隔久远的旧数据,而非直接将旧数据丢弃。然而,由于时间序列的时效性,相隔久远的新旧数据之间有着很大的差别,直接利用旧数据辅助训练是不可行的,为了解决该问题,在本文中,我们基于迁移学习为时间序列预测搭建一个新的算法框架。鉴于极限学习机(Extreme Learning Machine,ELM)算法的高效性,TrEnOS-ELMK以核ELM为基模型。考虑到在某些情况下,时间序列数据可能是实时更新的,算法融合了在线学习的相关思想,来处理样本非一次性获得,而是依次到来的情况。同时,鉴于集成学习的有效性,算法生成多个基模型,并对各基模型的权重实时更新,以保证集成集的高效性。在3个人造数据集和6个真实数据集上的实验结果证明了该算法的有效性。TrEnOS-ELMK主要可处理单步时间序列预测,以此为基础,本文针对多步时间序列预测提出了相应的MultiTL-KELM(a hybrid algorithm based on multi-task learning,transfer learning and kernel extreme learning machine)算法。相对于单步预测,多步时间序列预测面临更多的不确定性,引起此现象的原因较多,包括误差累积,信息缺失等。已有的关于多步预测的方法大多着重解决前者而相对忽略后者,MultiTL-KELM则可将间隔久远的旧数据有效利用到当前的预测任务中,从而缓解信息缺失的影响。不同于迭代预测和直接预测算法,考虑到需预测的未来各点的联系,本方法结合多任务学习,将对各维的预测看成是不同但相关的任务。这样,从一个任务中获得的信息可以对接下来的任务预测产生帮助,且各个任务可以并行。我们在6个数据集上对算法进行验证,得到了较好的结果。(本文来源于《南京航空航天大学》期刊2019-03-01）
吴铛铛[6]（2018）在《协同任务中基于重要性的资源服务序列挖掘方法》一文中研究指出随着信息技术的发展和学术研究的深入,多组织跨地域跨部门协同合作完成一项任务的模式-协同任务模式在越来越多的领域得到关注和应用。实际生产环境中的协同任务往往比较复杂,在业务及用户规模越来越大、资源的种类和数量越来越多的情况下,研究提高协同任务中业务过程的整体运行效率具有重要的意义。目前,相关研究主要集中在资源服务的优化组合和选取方面,其中通过研究协同任务的运行特点,分析和挖掘频繁资源服务序列,并将其以服务流的形式服务于协同任务中的业务过程,是提高协同任务的整体运行效率的重要方向之一。协同任务中的资源服务实际上具有不同的重要性信息,其对于发现协同任务的业务瓶颈,从而制定资源服务优化组合策略有重要的意义,比如根据资源服务重要性的有效信息挖掘频繁的资源服务序列。为此,本文展开如下研究:(1)面向协同任务的资源服务重要性计算方法从业务数据集中资源服务之间的时序关系出发,详细分析协同任务中资源服务重要性的定义和计算方法。方法在时序关系频度信息的基础上,进一步考虑时序关系中前序资源服务对后序资源服务的重要性影响,通过实验分析和说明该方法的有效性。(2)基于重要性的频繁资源服务序列挖掘方法针对协同任务中频繁资源服务序列的分析和挖掘问题,根据资源服务重要性信息构建资源服务重要性模型,然后基于重要性模型进行频繁资源服务序列的识别和组合,挖掘频繁资源服务序列并以组合服务流的形式服务于业务过程,从而提高业务过程的服务选取效率和整体运行效率。最后,依托典型的协同任务应用系统--云制造服务平台,说明本文研究在平台中的应用。(本文来源于《华侨大学》期刊2018-11-30）
徐文[7]（2018）在《基于位置关联的竞赛机器人任务序列优化软件结构设计》一文中研究指出MCU端软件结构设计质量是影响循迹机器人工作效率、适应突发任务变更和异常状态能力的重要因素,但目前普适性的改进手段不多。本文通过遥控竞赛机器人任务特征分析,设计基于位置关联的控制设备与机器人间通讯协议,使用链表进行任务节点的封装和序列构造,最终基于位置信息实施控制流程。结果表明,任意给定任务序列能够准确实现。相对顺序式控制流程,该软件结构和关联流程设计在路径优化的同时还能适应任务序列的重整定。(本文来源于《软件工程》期刊2018年11期）
张乐,方之家,王祺,雷丽琪,阮彤[8]（2019）在《一种面向预测任务的基于时间序列的病人表示学习方法》一文中研究指出针对多次住院的住院病人病历数据提出了一种通用的病人表示学习方法,首先根据病人的特性对医院病历进行二次建库,构建序列化的电子病历数据。然后使用循环神经网络自编码器模型来生成病人表示向量。该模型既能有效地建模序列化电子病历中的时序信息,又能在无监督条件下实现通用的病人表示学习。最后,将得到的病人表示向量作为特征,应用到心衰病人的死亡率预测与并发症预测任务之中。实验结果表明,这种表示学习方法相较其他基于原始电子病历数据的特征学习策略,在死亡预测上提高了约0.15的AUC值,并在10项并发疾病预测中获得4项最优,2项次优结果。(本文来源于《山西大学学报(自然科学版)》期刊2019年01期）
陈思颖,郭跃,胡欢波[9]（2018）在《移动云计算随机任务序列的执行调度》一文中研究指出移动云计算是一种将移动互联网与云计算相结合的新技术,用户可将数据的计算和存储等任务调度至云端来改善其移动终端处理能力弱、存储空间小及电池续航时间短等缺点。本文针对关联性的混杂任务序列,建立具有顺序相关性的任务队列模型。针对任务的随机性,在满足任务的平均等待时间要求的前提下,将移动终端对任务处理或调度时产生的能耗作为优化目标,建立连续时间马尔可夫决策过程系统模型。针对模型采用策略迭代算法对其进行求解,以期望寻找到最优策略使之既能满足时间要求又能降低能耗,仿真验证算法的有效性。(本文来源于《电脑知识与技术》期刊2018年21期）
孙安,于英香,罗永刚,王祺[10]（2018）在《序列标注模型中的字粒度特征提取方案研究——以CCKS2017:Task2临床病历命名实体识别任务为例》一文中研究指出[目的 /意义]针对中文语言表达特点,提出一种含分词标签的字粒度词语特征提取方法,有效提升了中文临床病历命名实体识别任务的F_1值,同时该方法可以为其他中文序列标注模型所借鉴。[方法 /过程]选取汉语词语的词性标注、关键词权值、依存句法分析叁个特征,构筑字粒度序列标注模型的临床病历训练文本,语料来源CCKS2017:Task2。在不同特征组合方式下,采用条件随机场算法验证两种字粒度词语特征提取方案Method1与Method2。[结果 /结论]在四种不同词语特征组合下,Method2相对于Method1在临床病历命名实体识别任务中性能均有所提升,四折交叉测试中F_1值平均提升了0. 23%。实验表明在中文分词技术日趋成熟的环境下,Method2相对Method1能够获得更好的词语特征表示,对中文字粒度序列标注模型的处理性能具有提升作用。(本文来源于《图书情报工作》期刊2018年11期）
任务序列论文开题报告
（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：
[目的/意义]研究机器学习中集成学习与直推学习方法对电子病历命名实体识别任务的性能影响,为基于机器学习方法的文本信息抽取提供一种性能优化方法。[方法/过程]首先对CCKS-2018提供的电子病历文本进行分析,提取中文分词、词性标注、临床实体类别特征;然后在条件随机场CRF算法下,采用不同输入特征组合的方法构造"基学习器"进行投票集成;最后用直推学习方法对集成学习结果进行优化。[结果/结论]实验中集成学习获得总体效果F_1值86.93%均优于"基学习器"结果值,直推学习获得了模型的最佳泛化性能87.06%,同时多特征组合比单独字特征可以获得更好的"基学习器"。实验证明采用不同输入特征组合的集成学习和直推学习可以有效提升模型的泛化性能,该方法可以在其他相关机器学习与文本信息抽取领域中推广。
（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。
任务序列论文参考文献
[1].陈永坚.AskTimeforthe“T”——Task任务导向型期末复习指导序列班会[J].班主任.2019
[2].孙安,于英香,罗永刚,孙逊.序列标注模型中不同输入特征组合的集成学习与直推学习方法研究——以CCKS-2018电子病历命名实体识别任务为例[J].情报杂志.2019
[3].孙映川.协同任务中资源服务序列挖掘及其优化方法的研究[D].华侨大学.2019
[4].任伟杰颖.多任务学习在多标签分类和时间序列预测中的研究和运用[D].中国科学技术大学.2019
[5].叶锐.基于迁移学习和多任务学习的时间序列预测算法[D].南京航空航天大学.2019
[6].吴铛铛.协同任务中基于重要性的资源服务序列挖掘方法[D].华侨大学.2018
[7].徐文.基于位置关联的竞赛机器人任务序列优化软件结构设计[J].软件工程.2018
[8].张乐,方之家,王祺,雷丽琪,阮彤.一种面向预测任务的基于时间序列的病人表示学习方法[J].山西大学学报(自然科学版).2019
[9].陈思颖,郭跃,胡欢波.移动云计算随机任务序列的执行调度[J].电脑知识与技术.2018
[10].孙安,于英香,罗永刚,王祺.序列标注模型中的字粒度特征提取方案研究——以CCKS2017:Task2临床病历命名实体识别任务为例[J].图书情报工作.2018