摘要：深度学习已在众多领域如图像分类中取得突破性发展,其成功依赖大量标注数据。然而很多领域中数据标注代价昂贵。主动学习主要是通过合适的查询策略选择信息量大的未标注数据交由专家或者工作人员进行标记,试图以尽可能少的高质量标注数据训练高性能的模型。从不同角度详细地对基于预设计策略和基于学习损失的主动学习方法的研究现状进行了分析和比较,最后对现有的主动学习进行了总结和进一步指出了一些值得研究的方向。

摘要：2015年日本学者松下佳代提出了深度主动学习理论,该理论是在主动学习的研究基础之上,加上深度学习目标而形成的。自该理论提出后,在欧美各国以及日本引起了教育学者的广泛关注,对于各国教育学界来说,探索深度主动学习理论是培养符合新世纪发展的优秀人才的重要视角。但是该理论在我国外语学界并未引起较多的关注。为此,笔者将该理论和日语专业发展情况相结合,力图通过改变教学手段,实施可实现深度主动学习的教学设计以及引发学生主动学习动机,并提倡符合深度主动学习理论的外语评价方式等措施对高校日语专业的教学路径进行一种新的探究。

摘要：为了弥补卷积神经网络(convolutional neural network, CNN)信号容易出现过拟合问题,设计了一种深度主动学习(deep active learning, DAL)改进CNN方法,并成功应用于齿轮箱故障诊断领域。深度主动学习能够将两种方法的优势结合起来,使模型拥有更强的自主学习能力。研究结果表明:完成15次训练后,边缘抽样、深度学习、深度主动学习、随机抽样分别达到75.84%、99.5%、99.79%和93.25%准确率,表明该方法可以有效地过滤出较难鉴别样品。与小波变换相比,傅里叶变换检索精度达到更高97.1%,具有较好稳定性。最大池化正确率达到97.8%,高于均值池化的95.6%。相比较Adam处理器,SGDM处理器在训练集中表现的处理性能略微好一些。该研究可拓宽到其它的机械传动领域,具有很高的应用价值。

摘要：工业机器人的传动效率直接影响到工业节能效果。针对齿轮箱故障诊断能力,设计了一种基于深度主动学习(Deep Active Learning,DAL)的工业机器人RV齿轮箱故障识别方法,并开展测试分析。研究结果表明,边缘抽样、深度学习、深度主动学习、随机抽样分别达到77.23%、94.35%、97.18%和84.26%的准确率,表明该方法可以有效地过滤出较难鉴别的样品。分析混淆矩阵表明,在只利用小样本进行训练的情况下,DAL算法取得了比传统学习算法更优的处理结果。该研究有助于提高工业机器人控制效率,具有广泛的应用价值。