论文基于深度学习的烟雾识别研究

论文基于深度学习的烟雾识别研究

能对重要区域进行识别监测，当监测到烟雾、火焰时，立即自动预警，并通过邮件、电话、现场语音喊话等方式进行通知的烟雾监测识别系统比较好。

通过对于文献的阅读和分析，我们发现，当AVE大于时，可以表明该测量模型具有良好的信度和效度。具体来说，AVE是指在一个构念下，所有测量指标的方差贡献之和。如果AVE大于，说明构念解释了至少40%的测量指标方差，也即该测量模型的解释力度足够强大。同时，AVE还能反映出测量指标之间的共性方差程度，如果共性方差较高，说明测量指标之间的相关性较大，也即测量模型具有较好的信度和效度。在实际研究中，通过对于AVE的测量和分析可以帮助研究者评估测量模型的质量，并对研究结果做出合理的解释和推断。因此，对于研究者而言，具有AVE大于的文献是值得关注的，可以从中学习到测量模型的构建和应用方法，也可以为自己的研究提供一定的参考和借鉴。

这个当然是有效的，但对有些火灾烟少的效果不大。

以下是一些关于AVE大于的文献：1. Hair Jr, J. F., Ringle, C. M., & Sarstedt, M. (2013). Partial least squares structural equation modeling: Rigorous applications, better results and higher acceptance. Long Range Planning, 46(1-2), 1-12. doi:. Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18(1), 39-50. doi:. Kline, R. B. (2011). Principles and practice of structural equation modeling. New York: Guilford . Henseler, J., Ringle, C. M., & Sinkovics, R. R. (2009). The use of partial least squares path modeling in international marketing. Advances in International Marketing, 20, 277-320. doi:(2009)00000200145. Chin, W. W. (1998). The partial least squares approach to structural equation modeling. In G. A. Marcoulides (Ed.), Modern methods for business research (pp. 295-336). Mahwah, NJ: Lawrence Erlbaum Associates. 希望这些文献对您有所帮助。

用深度学习做黑烟检测的论文

一般来说，在提交深度学习相关的论文时，需要提供实验数据来支持你的研究成果。这些实验数据可以是你在进行实验时所使用的数据集，也可以是你手动构建的数据集。这些数据通常被用来验证你的算法是否有效，并且可以被其他研究人员复现你的实验结果。因此，在提交深度学习相关论文时，需要准备足够的实验数据来支持你的研究成果。

论文名称：Rich feature hierarchies for accurate object detection and semantic segmentation 提出时间：2014年 论文地址： 针对问题： 从Alexnet提出后，作者等人思考如何利用卷积网络来完成检测任务，即输入一张图，实现图上目标的定位（目标在哪）和分类（目标是什么）两个目标，并最终完成了RCNN网络模型。 创新点： RCNN提出时，检测网络的执行思路还是脱胎于分类网络。也就是深度学习部分仅完成输入图像块的分类工作。那么对检测任务来说如何完成目标的定位呢，作者采用的是Selective Search候选区域提取算法，来获得当前输入图上可能包含目标的不同图像块，再将图像块裁剪到固定的尺寸输入CNN网络来进行当前图像块类别的判断。 参考博客： 。 论文题目：OverFeat: Integrated Recognition, Localization and Detection using Convolutional Networks 提出时间：2014年 论文地址： 针对问题： 该论文讨论了，CNN提取到的特征能够同时用于定位和分类两个任务。也就是在CNN提取到特征以后，在网络后端组织两组卷积或全连接层，一组用于实现定位，输出当前图像上目标的最小外接矩形框坐标，一组用于分类，输出当前图像上目标的类别信息。也是以此为起点，检测网络出现基础主干网络(backbone)+分类头或回归头（定位头）的网络设计模式雏形。 创新点： 在这篇论文中还有两个比较有意思的点，一是作者认为全连接层其实质实现的操作和1x1的卷积是类似的，而且用1x1的卷积核还可以避免FC对输入特征尺寸的限制，那用1x1卷积来替换FC层，是否可行呢？作者在测试时通过将全连接层替换为1x1卷积核证明是可行的；二是提出了offset max-pooling，也就是对池化层输入特征不能整除的情况，通过进行滑动池化并将不同的池化层传递给后续网络层来提高效果。另外作者在论文里提到他的用法是先基于主干网络+分类头训练，然后切换分类头为回归头，再训练回归头的参数，最终完成整个网络的训练。图像的输入作者采用的是直接在输入图上利用卷积核划窗。然后在指定的每个网络层上回归目标的尺度和空间位置。 参考博客： 论文题目：Scalable Object Detection using Deep Neural Networks 提出时间：2014年 论文地址： 针对问题： 既然CNN网络提取的特征可以直接用于检测任务（定位+分类），作者就尝试将目标框（可能包含目标的最小外包矩形框）提取任务放到CNN中进行。也就是直接通过网络完成输入图像上目标的定位工作。 创新点： 本文作者通过将物体检测问题定义为输出多个bounding box的回归问题. 同时每个bounding box会输出关于是否包含目标物体的置信度, 使得模型更加紧凑和高效。先通过聚类获得图像中可能有目标的位置聚类中心，（800个anchor box）然后学习预测不考虑目标类别的二分类网络，背景or前景。用到了多尺度下的检测。 参考博客： 论文题目：DeepBox: Learning Objectness with Convolutional Networks 提出时间：2015年ICCV 论文地址： 主要针对的问题： 本文完成的工作与第三篇类似，都是对目标框提取算法的优化方案，区别是本文首先采用自底而上的方案来提取图像上的疑似目标框，然后再利用CNN网络提取特征对目标框进行是否为前景区域的排序；而第三篇为直接利用CNN网络来回归图像上可能的目标位置。创新点： 本文作者想通过CNN学习输入图像的特征，从而实现对输入网络目标框是否为真实目标的情况进行计算，量化每个输入框的包含目标的可能性值。 参考博客： 论文题目：AttentionNet: AggregatingWeak Directions for Accurate Object Detection 提出时间：2015年ICCV 论文地址： 主要针对的问题： 对检测网络的实现方案进行思考，之前的执行策略是，先确定输入图像中可能包含目标位置的矩形框，再对每个矩形框进行分类和回归从而确定目标的准确位置，参考RCNN。那么能否直接利用回归的思路从图像的四个角点，逐渐得到目标的最小外接矩形框和类别呢？ 创新点： 通过从图像的四个角点，逐步迭代的方式，每次计算一个缩小的方向，并缩小指定的距离来使得逐渐逼近目标。作者还提出了针对多目标情况的处理方式。 参考博客： 论文题目：Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition 提出时间：2014年 论文地址： 针对问题： 如RCNN会将输入的目标图像块处理到同一尺寸再输入进CNN网络，在处理过程中就造成了图像块信息的损失。在实际的场景中，输入网络的目标尺寸很难统一，而网络最后的全连接层又要求输入的特征信息为统一维度的向量。作者就尝试进行不同尺寸CNN网络提取到的特征维度进行统一。创新点： 作者提出的SPPnet中，通过使用特征金字塔池化来使得最后的卷积层输出结果可以统一到全连接层需要的尺寸，在训练的时候，池化的操作还是通过滑动窗口完成的，池化的核宽高及步长通过当前层的特征图的宽高计算得到。原论文中的特征金字塔池化操作图示如下。 参考博客 ： 论文题目：Object detection via a multi-region & semantic segmentation-aware CNN model 提出时间：2015年 论文地址： 针对问题： 既然第三篇论文multibox算法提出了可以用CNN来实现输入图像中待检测目标的定位，本文作者就尝试增加一些训练时的方法技巧来提高CNN网络最终的定位精度。创新点： 作者通过对输入网络的region进行一定的处理（通过数据增强，使得网络利用目标周围的上下文信息得到更精准的目标框）来增加网络对目标回归框的精度。具体的处理方式包括：扩大输入目标的标签包围框、取输入目标的标签中包围框的一部分等并对不同区域分别回归位置，使得网络对目标的边界更加敏感。这种操作丰富了输入目标的多样性，从而提高了回归框的精度。 参考博客 ： 论文题目：Fast-RCNN 提出时间：2015年 论文地址： 针对问题： RCNN中的CNN每输入一个图像块就要执行一次前向计算，这显然是非常耗时的，那么如何优化这部分呢？ 创新点： 作者参考了SPPNet（第六篇论文），在网络中实现了ROIpooling来使得输入的图像块不用裁剪到统一尺寸，从而避免了输入的信息丢失。其次是将整张图输入网络得到特征图，再将原图上用Selective Search算法得到的目标框映射到特征图上，避免了特征的重复提取。 参考博客 ： 论文题目：DeepProposal: Hunting Objects by Cascading Deep Convolutional Layers 提出时间：2015年 论文地址： 主要针对的问题： 本文的作者观察到CNN可以提取到很棒的对输入图像进行表征的论文，作者尝试通过实验来对CNN网络不同层所产生的特征的作用和情况进行讨论和解析。 创新点： 作者在不同的激活层上以滑动窗口的方式生成了假设，并表明最终的卷积层可以以较高的查全率找到感兴趣的对象，但是由于特征图的粗糙性，定位性很差。相反，网络的第一层可以更好地定位感兴趣的对象，但召回率降低。 论文题目：Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks 提出时间：2015年NIPS 论文地址： 主要针对的问题： 由multibox（第三篇）和DeepBox（第四篇）等论文，我们知道，用CNN可以生成目标待检测框，并判定当前框为目标的概率，那能否将该模型整合到目标检测的模型中，从而实现真正输入端为图像，输出为最终检测结果的，全部依赖CNN完成的检测系统呢？ 创新点： 将当前输入图目标框提取整合到了检测网络中，依赖一个小的目标框提取网络RPN来替代Selective Search算法，从而实现真正的端到端检测算法。 参考博客 ：

基于cnn的烟雾检测论文综述

简介：GA-RPN（Guided Anchoring）是一种新的anchor 生成方法，其通过图像特征来指导anchor 的生成。通过CNN预测 anchor 的位置和形状，生成稀疏而且形状任意的 anchor，并且设计Feature Adaption 模块来修正特征图使之与预测生成得 anchor精确匹配。GA-RPN相比RPN减少90%的anchor，并且提高的召回率，将其用于不同的物体检测器Fast R-CNN, Faster R-CNN and RetinaNet，分别提高 检测mAP ,。 贡献： 提出了一种新的anchor策略，用于产生稀疏的任意形状的anchor； 设计了基于anchor形状的特征适应模块来refine特征； 提出了一种改进模型性能的方案. 现有的Anchor-based方法生成Anchor的过程存在两大问题: 为了保证召回率，需要生成密集的anchor，引入过多负样本同时影响模型的速率。 anchor的尺度和长宽比需要预先定义，针对不同类型的检测任务需要调整这些超参数，预先定义好的 anchor 形状不一定能满足极端大小或者长宽比悬殊的物体。 基于上述两点，作者就尝试使用特征去指导Anchor box中心位置，宽高比的生成，这样不仅可以提高生成Anchor的效率，而且还可以生成任意大小的Anchor，这对于一些比较极端长宽比的物体是非常有效的。 注意：作者假设待检测图像中的目标是不均匀分布的且稀疏的。 作者提出使用图像特征去指导Anchor生成，该结构称为Guided Anchoring，Guided Anchoring可以嵌入到任意的Anchor生成模块之中。下面是一个嵌入到FPN中的例子：       上图左边是一个FPN结构，FPN每一层的特征都可以嵌入一个Guided Anchoring模块用于预测proposals。Guided Anchoring的具体结构则如上图右边所示，主要由两个模块组成：         添加两个分支分别用于预测特征图上每个像素（对应的感受野）是目标的置信度，以及对应宽和高。目标的置信度大于一个特定域值，则被认为是目标。显然，这个proposal获取的过程不同于滑窗，可以减少大量负样本（每个Feature map上的像素点做多只产生一个proposal）。此外，由于宽和高也是CNN回归出来的，所以没有对物体的scale，宽高比作任何先验假设。 1、anchor Location Prediction 位置预测分支的目标是预测那些区域应该作为中心点来生成 anchor，是一个二分类问题，预测是不是物体的中心。 FPN特征图经过位置预测子网络生成位置得分图：对基础feature map先通过1*1卷积，然后逐元素Sigmoid转换为概率值。然后根据阈值筛选，可以过滤掉90%的区域而保持相同的召回率 我们将整个 feature map 的区域分为物体中心区域，外围区域和忽略区域：即将 ground truth 框的中心一小块对应在 feature map 上的区域标为物体中心区域，在训练的时候作为正样本，其余区域按照离中心的距离标为忽略或者负样本。通过位置预测，可以筛选出一小部分区域作为 anchor 的候选中心点位置，使得 anchor 数量大大降低。 针对每个检测出的中心点，选取一个最佳的anchor box。最佳anchor box的定义为：与预测的候选中心点的邻近ground truth box产生最大IOU的anchor box。 形状预测分支的目标是给定 anchor 中心点，预测最佳的长和宽，这是一个回归问题。论文直接使用 IoU 作为监督，来学习 w 和 h。无法直接计算w 和 h，而计算 IoU 又是可导的操作，所以使用基于bounded IoU Loss网络优化使得 IoU 最大。 作者认为，直接预测anchor box的宽高的话，范围太广不易学习，故将宽高值使用指数及比例缩放进行压缩：                              ω =σ·s·exp(dw) , h=σ·s·exp(dh ) 该分支预测dw,dh,通过上式进行压缩，s为stride，σ是经验尺度因子（论文取8），该映射将[0,1000]压缩至[-1,1]。该分支输出dw和dh。首先通过1*1卷积层产生两个通道的map（包括dw和dh的值），然后经过逐元素转换层实现w和h的转化。得益于任意形状的anchor，所以对于宽高比夸张的目标也具有更好的效果（比如火车等）。 Feature adaption模块：这个模块实际上借鉴了可变性卷积的思想。 由于每个位置的形状不同，大的anchor对应较大感受野，小的anchor对应小的感受野。所以不能像之前基于anchor的方法那样直接对feature map进行卷积来预测，而是要对feature map进行feature adaptation。作者利用变形卷积的思想，根据形状对各个位置单独进行转换。 其中，fi是第i个位置的特征，(wi, hi)是对应的anchor形状。NT通过3*3的变形卷积实现。首先通过形状预测分支预测offset field，然后对带偏移的原始feature map做变形卷积获得adapted features。之后进一步做分类和bounding box回归。 采用多任务loss进行端到端的训练，损失函数为： 利用groundtruth bounding box来指导label生成，1代表有效位置，0代表无效位置。中心附近的anchor应该较多，而远离中心的anchor数目应该少一些。假定R(x, y, w, h)表示以(x, y)为中心，w和h分别为宽高的矩形区域。将groundtruth的bbox(xg, yg, wg, hg)映射到feature map的尺度得到(x'g, y'g, w'g, h'g)。 a.定义中心区域CR=R(x'g, y'g, σ1w', σ1h')，CR区域内的像素标记为正样本； b.定义ignore区域IR=R(x'g, y'g, σ2w', σ2h')\CR，该区域的像素标记为ignore； c.其余区域标记为外部区域OR，该区域所有像素标记为负样本。 考虑到基于FPN利用了多层feature，所以只有当feature map与目标的尺度范围匹配时才标记为CR，而临近层相同区域标记为IR，如下图所示。文中使用Focal Loss来训练定位分支。 首先将anchor与groundtruth的bbox匹配，然后计算最佳宽和高（可以最大化IoU）。因此重新定义了变化的anchor与gt bbox的vIoU： 变化anchor：awh=(x0, y0, w, h) groundtruth bbox：gt=(xg, yg, wg, hg) 其中IoUnormal是IoU的常规定义，w和h是变量。由于对任意位置的anchor与ground truth，对vIOU进行明确的表示是非常困难的，因此给定（x0,y0），本文采用近似的方法，采样一些可能的w和h。文中采样了9组常见的w、h。实验表明结果对sample的组数不敏感。文中采用有界IoU损失来最大化IoU。 作者使用Guided Anchoring策略来改进RPN（称为GA-RPN)。下图对比了RPN和GA-RPN产生的proposal的IoU分布： 很显然，GA-RPN产生的正样本数目更多，而且高IoU的proposal占的比例更大。训练时相比于RPN，GA-RPN采用更高的阈值、使用更少的样本（使用高质量proposal的前提是根据proposal的分布调整训练样本的分布）。 优点： 1、论文提出anchor设计的两个准则：alignment 和 consistency，指导基于anchor优化的方向。采用位置预测和形状预测两个分支，不需要像FPN预先设置尺度和长宽比，同时使用可变形卷积对feature map调整，生成高质量低密度的proposal，提高IoU的阈值进行训练。 2、提出了一种新的anchor策略，用于产生稀疏的任意形状的anchor； 3、论文提出的GA-RPN可以完全替代RPN，在Fast R-CNN, Faster R-CNN and RetinaNet等模型基础上提高目标检测模型的精度。 缺点： 1、论文假设图像中的目标是稀疏的。如果是稠密图像，比如车站或广场的拥挤人群，检测效果有待检验。 2、每一个点只产生一个anchor，那么对于那些目标中心重合，即一个点需要负责检测两个目标，似乎无法处理。 3、采用deformable卷积会相对地降低速度，同时根据DCN v2的分析，在deformable卷积中加入可调节的机制可能会更好。 思考：         1、可以借鉴采用双分支预测：一个分支预测目标的中心点，另一个分支预测物体的长框，这个思想的实现和看完cornerNet和CenterNet的想法实现是类似的，但是出发点不同。         之前做双分支预测是想利用anchor free中的中心点的预测看能否增加物体的内部感知能力。现在的双分支预测是为了减少先验框anchor的数量，减少正负样本的不平衡问题。两者出发点不同，但是采用的操作是类似的，有效性有待考证。

这两天在公司做PM实习，主要是自学一些CV的知识，以了解产品在解决一些在图像识别、图像搜索方面的问题，学习的主要方式是在知网检索了篇国内近3年计算机视觉和物体识别的硕博士论文。由于时间关系，后面还会继续更新图片相似度计算（以图搜图）等方面的学习成果    将这两天的学习成果在这里总结一下。你将会看到计算机视觉在解决特定物体识别问题（主要是卷积神经网络CNNs）的基础过程和原理，但这里不会深入到技术的实现层面。

计算机视觉（Computer vision）是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和计算机代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图像处理，用计算机处理成为更适合人眼观察或传送给仪器检测的图像。                                          ————维基百科   通常而言，计算机视觉的研究包括三个层次： （1）底层特征的研究：   这一层次的研究主要聚焦如何高效提取出图像对象具有判别性能的特征，具体的研究内容通常包括：物体识别、字符识别等 （2）中层语义特征的研究：    该层次的研究在于在识别出对象的基础上，对其位置、边缘等信息能够准确区分。现在比较热门的：图像分割；语义分割；场景标注等，都属于该领域的范畴 （3）高层语义理解：   这一层次建立在前两层的基础上，其核心在于“理解”一词。 目标在于对复杂图像中的各个对象完成语义级别的理解。这一层次的研究常常应用于：场景识别、图像摘要生成及图像语义回答等。   而我研究的问题主要隶属于底层特征和中层语义特征研究中的物体识别和场景标注问题。

人类的视觉工作模式是这样的：    首先，我们大脑中的神经元接收到大量的信息微粒，但我们的大脑还并不能处理它们。    于是接着神经元与神经元之间交互将大量的微粒信息整合成一条又一条的线。    接着，无数条线又整合成一个个轮廓。    最后多个轮廓累加终于聚合我们现在眼前看到的样子。   计算机科学受到神经科学的启发，也采用了类似的工作方式。具体而言，图像识别问题一般都遵循下面几个流程

（1）获取底层信息。获取充分且清洁的高质量数据往往是图像识别工作能否成功的关键所在   （2）数据预处理工作，在图像识别领域主要包括四个方面的技术：去噪处理（提升信噪比）、图像增强和图像修复（主要针对不够清晰或有破损缺失的图像）；归一化处理（一方面是为了减少开销、提高算法的性能，另一方面则是为了能成功使用深度学习等算法，这类算法必须使用归一化数据）。   （3）特征提取，这一点是该领域的核心，也是本文的核心。图像识别的基础是能够提取出足够高质量，能体现图像独特性和区分度的特征。   过去在10年代之前我们主要还是更多的使用传统的人工特征提取方法，如PCA\LCA等来提取一些人工设计的特征，主要的方法有（HOG、LBP以及十分著名的SIFT算法）。但是这些方法普遍存在（a）一般基于图像的一些提层特征信息（如色彩、纹理等）难以表达复杂的图像高层语义，故泛化能力普遍比较弱。（b）这些方法一般都针对特定领域的特定应用设计，泛化能力和迁移的能力大多比较弱。   另外一种思路是使用BP方法，但是毕竟BP方法是一个全连接的神经网络。这以为这我们非常容易发生过拟合问题（每个元素都要负责底层的所有参数），另外也不能根据样本对训练过程进行优化，实在是费时又费力。   因此，一些研究者开始尝试把诸如神经网络、深度学习等方法运用到特征提取的过程中，以十几年前深度学习方法在业界最重要的比赛ImageNet中第一次战胜了SIFT算法为分界线，由于其使用权重共享和特征降采样，充分利用了数据的特征。几乎每次比赛的冠军和主流都被深度学习算法及其各自改进型所占领。其中，目前使用较多又最为主流的是CNN算法，在第四部分主要也研究CNN方法的机理。

上图是一个简易的神经网络，只有一层隐含层，而且是全连接的（如图，上一层的每个节点都要对下一层的每个节点负责。）具体神经元与神经元的作用过程可见下图。

在诸多传统的神经网络中，BP算法可能是性能最好、应用最广泛的算法之一了。其核心思想是：导入训练样本、计算期望值和实际值之间的差值，不断地调整权重，使得误差减少的规定值的范围内。其具体过程如下图：

一般来说，机器学习又分成浅层学习和深度学习。传统的机器学习算法，如SVM、贝叶斯、神经网络等都属于浅层模型，其特点是只有一个隐含层。逻辑简单易懂、但是其存在理论上缺乏深度、训练时间较长、参数很大程度上依赖经验和运气等问题。   如果是有多个隐含层的多层神经网络（一般定义为大于5层），那么我们将把这个模型称为深度学习，其往往也和分层训练配套使用。这也是目前AI最火的领域之一了。如果是浅层模型的问题在于对一个复杂函数的表示能力不够，特别是在复杂问题分类情况上容易出现分类不足的弊端，深度网络的优势则在于其多层的架构可以分层表示逻辑，这样就可以用简单的方法表示出复杂的问题，一个简单的例子是：   如果我们想计算sin(cos(log(exp(x))))，   那么深度学习则可分层表示为exp(x)—>log(x)—>cos(x)—>sin(x)

图像识别问题是物体识别的一个子问题，其鲁棒性往往是解决该类问题一个非常重要的指标，该指标是指分类结果对于传入数据中的一些转化和扭曲具有保持不变的特性。这些转化和扭曲具体主要包括了： （1）噪音（2）尺度变化（3）旋转（4）光线变化（5）位移

该部分具体的内容，想要快速理解原理的话推荐看[知乎相关文章] ( )，   特别是其中有些高赞回答中都有很多动图和动画，非常有助于理解。   但核心而言，CNN的核心优势在于 共享权重 以及 感受野 ，减少了网络的参数，实现了更快的训练速度和同样预测结果下更少的训练样本，而且相对于人工方法，一般使用深度学习实现的CNN算法使用无监督学习，其也不需要手工提取特征。

CNN算法的过程给我的感觉，个人很像一个“擦玻璃”的过程。其技术主要包括了三个特性：局部感知、权重共享和池化。

CNN中的神经元主要分成了两种： （a）用于特征提取的S元，它们一起组成了卷积层，用于对于图片中的每一个特征首先局部感知。其又包含很关键的阈值参数（控制输出对输入的反映敏感度）和感受野参数（决定了从输入层中提取多大的空间进行输入，可以简单理解为擦玻璃的抹布有多大） （b）抗形变的C元，它们一起组成了池化层，也被称为欠采样或下采样。主要用于特征降维，压缩数据和参数的数量，减小过拟合，同时提高模型的容错性。 （c*）激活函数，及卷积层输出的结果要经过一次激励函数才会映射到池化层中，主要的激活函数有Sigmoid函数、Tanh函数、ReLU、Leaky ReLU、ELU、Maxout等。

也许你会抱有疑问，CNN算法和传统的BP算法等究竟有什么区别呢。这就会引出区域感受野的概念。在前面我们提到，一个全连接中，较高一层的每个神经元要对低层的每一个神经元负责，从而导致了过拟合和维度灾难的问题。但是有了区域感受野和，每个神经元只需要记录一个小区域，而高层会把这些信息综合起来，从而解决了全连接的问题。

了解区域感受野后，你也许会想，区域感受野的底层神经元具体是怎么聚合信息映射到上一层的神经元呢，这就要提到重要的卷积核的概念。这个过程非常像上面曾提到的“神经元与神经元的联系”一图，下面给大家一个很直观的理解。

上面的这个过程就被称为一个卷积核。在实际应用中，单特征不足以被系统学习分类，因此我们往往会使用多个滤波器，每个滤波器对应1个卷积核，也对应了一个不同的特征。比如：我们现在有一个人脸识别应用，我们使用一个卷积核提取出眼睛的特征，然后使用另一个卷积核提取出鼻子的特征，再用一个卷积核提取出嘴巴的特征，最后高层把这些信息聚合起来，就形成了分辨一个人与另一个人不同的判断特征。

现在我们已经有了区域感受野，也已经了解了卷积核的概念。但你会发现在实际应用中还是有问题：   给一个100 100的参数空间，假设我们的感受野大小是10 10，那么一共有squar（1000-10+1）个，即10的六次方个感受野。每个感受野中就有100个参数特征，及时每个感受野只对应一个卷积核，那么空间内也会有10的八次方个次数，，更何况我们常常使用很多个卷积核。巨大的参数要求我们还需要进一步减少权重参数，这就引出了权重共享的概念。    用一句话概括就是，对同一个特征图，每个感受野的卷积核是一样的，如这样操作后上例只需要100个参数。

池化是CNN技术的最后一个特性，其基本思想是： 一块区域有用的图像特征，在另一块相似的区域中很可能仍然有用。即我们通过卷积得到了大量的边缘EDGE数据，但往往相邻的边缘具有相似的特性，就好像我们已经得到了一个强边缘，再拥有大量相似的次边缘特征其实是没有太大增量价值的，因为这样会使得系统里充斥大量冗余信息消耗计算资源。 具体而言，池化层把语义上相似的特征合并起来，通过池化操作减少卷积层输出的特征向量，减少了参数，缓解了过拟合问题。常见的池化操作主要包括3种： 分别是最大值池化（保留了图像的纹理特征）、均值池化（保留了图像的整体特征）和随机值池化。该技术的弊端是容易过快减小数据尺寸，目前趋势是用其他方法代替池化的作用,比如胶囊网络推荐采用动态路由来代替传统池化方法，原因是池化会带来一定程度上表征的位移不变性，传统观点认为这是一个优势，但是胶囊网络的作者Hinton et al.认为图像中位置信息是应该保留的有价值信息，利用特别的聚类评分算法和动态路由的方式可以学习到更高级且灵活的表征，有望冲破目前卷积网络构架的瓶颈。

CNN总体来说是一种结构，其包含了多种网络模型结构，数目繁多的的网络模型结构决定了数据拟合能力和泛化能力的差异。其中的复杂性对用户的技术能力有较高的要求。此外，CNN仍然没有很好的解决过拟合问题和计算速度较慢的问题。

该部分的核心参考文献： 《深度学习在图像识别中的应用研究综述》郑远攀,李广阳,李晔.[J].计算机工程与应用,2019,55(12):20-36.   深度学习技术在计算机图像识别方面的领域应用研究是目前以及可预见的未来的主流趋势，在这里首先对深度学习的基本概念作一简介，其次对深度学习常用的结构模型进行概述说明，主要简述了深度信念网络（DBN）、卷积神经网络（CNN）、循环神经网络（RNN）、生成式对抗网络（GAN）、胶囊网络（CapsNet）以及对各个深度模型的改进模型做一对比分析。

深度学习按照学习架构可分为生成架构、判别架构及混合架构。 其生成架构模型主要包括：   受限波尔兹曼机、自编码器、深层信念网络等。判别架构模型主要包括：深层前馈网络、卷积神经网络等。混合架构模型则是这两种架构的集合。深度学习按数据是否具有标签可分为非监督学习与监督学习。非监督学习方法主要包括：受限玻尔兹曼机、自动编码器、深层信念网络、深层玻尔兹曼机等。   监督学习方法主要包括：深层感知器、深层前馈网络、卷积神经网络、深层堆叠网络、循环神经网络等。大量实验研究表明，监督学习与非监督学习之间无明确的界限，如：深度信念网络在训练过程中既用到监督学习方法又涉及非监督学习方法。

[1]周彬. 多视图视觉检测关键技术及其应用研究[D].浙江大学,2019. [2]郑远攀,李广阳,李晔.深度学习在图像识别中的应用研究综述[J].计算机工程与应用,2019,55(12):20-36. [3]逄淑超. 深度学习在计算机视觉领域的若干关键技术研究[D].吉林大学,2017. [4]段萌. 基于卷积神经网络的图像识别方法研究[D].郑州大学,2017. [5]李彦冬. 基于卷积神经网络的计算机视觉关键技术研究[D].电子科技大学,2017. [6]李卫. 深度学习在图像识别中的研究及应用[D].武汉理工大学,2014. [7]许可. 卷积神经网络在图像识别上的应用的研究[D].浙江大学,2012. [8]CSDN、知乎、机器之心、维基百科

烟气深度治理研究现状论文

生活垃圾焚烧过程产生的烟气中，含有大量的污染物，如HC1、SOx、NOCO、重金属(Pb，Hg)和二恶英等。为了避免上述危害物质进人人类的生存环境，就必须对烟气进行深度净化处理并达标排放。目前，垃圾焚烧烟气排放标准越来越严格，因此找到高效的烟气处理工艺是解决问题关键所在。目前，国内垃圾焚烧发电厂烟气处理工艺比较单一，从运行情况来看，这些工艺满足《生活垃圾焚烧污染控制标准》(GB18485—2014)，但大多数无法满足欧盟2000标准。

烟气脱酸工艺介绍

烟气脱酸工艺主要有干法、半干法、湿法三大类，以下是详细介绍。

干法处理工艺

干法处理工艺将石灰粉通过喷射系统喷人反接触反应，生成固态化合物，再由除尘器将其与飞灰一起捕集下来。飞灰属于危险废物，经排灰收集系统收集后需要进行稳定化处理。干法与袋式除尘器的基本组合工艺为垃圾焚烧厂典型的烟气净化工艺之一。

半干法处理工艺

半干法工艺是将一定浓度的石灰浆液喷人反应塔与酸性气体反应，并通过喷水量控制反应温度。在吸收、中和反应过程中将水分蒸发，较大颗粒的飞灰沉降到反应塔底部排出，细微颗粒飞灰经除尘器捕集后。进行稳定化处理。采用雾化石灰浆作反应剂，学反应效果明显优于干法，其中石灰干粉的用量一般为理论用量的2倍。净化效率达95%一99%。但对重金属、二恶英等有机物的吸附能力仍然有限，因此需要在系统中加入活性炭以增强对重金属和二恶英等污染物的捕集能尘器.并配置活性炭喷人装置的组合方法。

湿法处理工艺

湿法净化工艺通常是先采用静电除尘器除尘，再进骤冷器将烟气温度降至60～70℃后，进入温式洗涤塔，进行碱液洗涤去除烟气中的酸性污染物。以避免气体酸性腐蚀作用，净化气体一般需加热到160180℃，再由引风机经烟囱排人大气。洗涤液通常为石灰浆液或氢氧化钠溶液，若采用石灰溶液，则石灰的用量为理论用量的倍，对HC1的去除率可达99%以上。从洗涤塔排出的废水需经处理后排放，同时产生的污泥也需妥善处置。

脱酸工艺技术比较

干法、半干法及湿法烟气脱酸工艺特性综合比较参见表1。

从表1可看出，湿法脱除效率较高，但是投资成本和运行成本比较高。半干法相对湿法工艺而言，占地面积小，投资少，没有污水排放。

烟气脱硝工艺介绍

烟气脱硝主流技术常有SNCR(选择性非催化还原法)和SCR(选择性催化还原法)两种。

(选择性非催化还原法)

选择性非催化还原fSNCR1技术是向烟气中喷氨或尿素等含有NH3基的还原剂，在高温(烟道气流中产生的氨自由基与NOx反应，把NO还原成N2和H2O。总反应方程式如下：

4NH3+6NO--~5N2+6H2O

SNCR还原NO的化学反应效率取决于烟气温度，高温下停留时间，含氨化合物即还原剂注入的类型和数量、混合效率以及NOX的含量等。一般来说，SNCR脱硝效率可达80%。

(选择性催化还原法)

SCR技术是还原剂(NH3、尿素等)在催化剂作用下，选择性地与NOX反应生成N2和H2O，而不是被O2所氧化，故称为“选择性”。以NH3为还原剂的主要反应式为：

4NH3+4NO+04N2+6H2O

4NH3+2N02+O6N2+6H2O

在SCR技术的应用过程中，催化剂的制备生产是其中最重要的部分之一，其催化性能直接影响到SCR系统的整体脱硝效果。对SCR脱硝系统而言。催化剂的选取是关键。考虑到经济性和运行维护等因素，要求催化剂具有活性高，抗硫性、抗水性好。寿命长，经济性好和不产生二次污染等特点。

和SCR联合脱硝技术

SNCR/SCR联合脱硝工艺是将SNCR工艺中还原剂喷人炉膛的技术同SCR工艺中利用逸出氨进行催化反应的技术结合起来，从而进一步脱除NO的一种新型工艺。与单一的SCR工艺和SNCR工艺相比，联合技术具有系统脱硝效率高;设备相对简单，占地面积小;催化剂用量少;脱硝系统阻力小等优点。该联合工艺NO的脱除率达9O%以上.氨的逸出量由5*10—6—25*10—6降到5*10—6以下。

脱硝技术比较

SNCR、SCR及SNCR和SCR联合脱硝技术综合比较见表2。

从上表可看出.SCR脱硝与SNCR脱硝各有优势及不足。SCR要求严格控制NHJNOx比率，脱硝率能达到9O%以上。SCR工艺操作的关键是避免存在灰尘、SO、重金属等杂质，以减轻催化剂中毒，延长催化剂使用寿命。SNCR工艺投资小，但氨液消耗量大，适用温度较高，NOx脱除率低。两种脱硝技术要避免投入过多的NH。，防止由于残留的NH3与SO3、H0、HC1等反应，生成(NH4)HSO、(NH)2S0、NH4C1，产生固体颗粒，形成白烟，影响治理效果。

2组合工艺介绍

工艺流程说明

结合以上各工艺特点，设计一套对烟气深度脱除的组合工艺，该工艺中采用“半干法+干法”脱酸工艺及“SNCR+低温SCR”脱酸工艺。该烟气深度处理工艺的处理下，其烟气排放标准满足欧盟2000标准，是一种高效的处理工艺。

“半干法+干法”脱酸工艺

余热锅炉出口的烟气温度为180～220℃，通过烟道进人旋转喷雾脱酸塔的上部。烟气在进入旋转喷雾反应塔后，与高速旋转喷雾器喷人的Ca(OH)浆液进行充分混合，烟气中的SO、HC1等酸性气体与CaCOH)：进行中和反应后被去除，同时，烟气温度被进一步降低到155℃左右.经过处理的烟气经旋转喷雾脱酸塔的下部通过连接烟道进入袋式除尘器。从脱酸塔出来后。烟气冷却至约155后进入袋式除尘器。在袋式除尘器和脱酸塔之间的烟道上设有碳酸氢钠喷射装置和活性炭喷射装置，喷射出来的碳酸氢钠粉末与烟气中的酸性气体发生中和反应，确保任何时刻酸性气体排放达标。

在半干法的基础上增加干法工艺，进一步去除酸性气体，且干法选用碳酸氢钠作为吸附剂，较

石灰具有更高的酸性气体去除效果。

“SNCR+低温SCR”脱硝工艺

SNCR脱氮工艺采用(NH2)CO(尿素)溶液作为还原剂，将其喷人焚烧炉内。NO在高温下被还原为N和H20。尿素经过尿素溶液配制间，配制成浓度约4O%的尿素溶液，通过溶液输送泵送至混合器。在混合器内尿素溶液进一步被水稀释成5%的稀溶液。稀释后的溶液被压缩空气雾化，并经喷嘴喷人炉膛内，与烟气中的NO反应。

SCR脱氮工艺采用低温SCR技术，其中催化剂层采用低温催化剂，载体物质为TiO：，活性物质为Mn、Fe等金属氧化物。反应温度在150。左右时，NO去除率可达8O%以上。反应区间在布袋

除尘器之后，可避先飞灰中的K，Na，CAs等微量元素对催化剂的污染或中毒，缓解SO2引起的催化剂失活和催化剂寿命减少。因此在烟气进人SCR反应器前，无需对烟气加热，从而大大降低了能源的消耗。降低成本。最终可确保排放烟气中的N0浓度满足欧盟2000的排放要求。

一般对于焚烧垃圾烟机处理的工艺分析的时候，主要就是针对这个气体成分以及气体所含有的一些有害物质的标准量是否在范围内。

低温等离子体降解污染物是利用这些高能电子、自由基等活性粒子和废气中污染物作用，使污染物分子在短的时间内发生分解，并发生后续的各种反应以达到降解污染物的目的。

浅谈汽车尾气排放的控制摘要:发动机燃烧后排放出的废气是我国城乡大气污染的重要源头之一。本文主要论述了几种降低废气对环境的污染的措施。关键词:汽车尾气环境控制随着我国汽车工业的迅速发展,汽车保有量也在急剧增加,汽车现已成为人类重要的运输工具,它提高了社会生产效率,改善了人们的生活质量。汽车在促进经济繁荣,给人民生活带来方便的同时,也给环境带来了负面影响。它给人类赖以生存的环境带来了日益严重的危害,发动机燃烧后排放出的废气污染了大气环境。据统计,在我国大城市大气污染中,汽车尾气排放量已占大气污染源85%左右,全球10个大气污染最严重的城市中,我国就占了7个。因此,控制汽车尾气排放,治理城市大气污染已成为我国各市刻不容缓的重要任务。控制汽车尾气排放是一项庞大而复杂的系统工程,它与汽车的设计、制造、使用、维护保养、燃油品质等直接相关,同时也与城市交通管理以及财税政策密切相关。要抓住每一个影响汽车污染排放的环节,才能使汽车污染排放得到有效的控制。1严格执行废气排放的国家标准和地方标准与法规通过法规和标准来约束汽车制造厂家和改造维修厂家,以此来推动汽车制造技术水平,特别是排放技术的进步。从2000年开始,我国就开始加大控制汽车尾气排放的力度,实施了相当于欧Ⅰ标准的国家第一阶段排放标准(简称“国Ⅰ”),2004年开始实施相当于欧Ⅱ标准的第二阶段排放标准(简称“国Ⅱ”)。目前国家环保总局已公布轻型汽车自2007年7月1日起实施国Ⅲ号、国Ⅳ号(与欧洲Ⅴ号接近)标准。这些标准的实施将会使汽车尾气排放的污染大为减少。2改进燃料品质燃料的品质与汽车发动机的燃烧过程和燃烧效果有直接关系,改进燃料品质是控制汽车排放污染相当重要的途径之一。首先是淘汰含铅汽油,四乙基铅是一种低号汽油抗爆剂,它随着排气进入大气后,通过呼吸或食物链进入人体,并蓄积在体内,引发各种疾病,特别是对儿童和孕妇的危害极大,我国已在2000年7月1日起全面禁止使用铅汽油。另外还要对车用汽油中的硫含量、烯烃和芳香烃含量以及饱和蒸汽压加以限制,以减少有害气体的生成,减少汽油的蒸发。此外,汽油中加入清洁剂,减少胶质和沉积物,也是改善燃烧的措施之一。为进一步调整能源消费结构,开发石油替代资源,更有效降低汽车尾气污染物的排放,目前,在我国部分省市已经开始推广车用乙醇汽油,即在90%的车用无铅汽油中加入10%的燃料乙醇,可以替代10%的车用无铅汽油。使用一部分燃料乙醇替代车用无铅汽油,即能改善汽车尾气排放,同时也改善了我国能源结构,推动了可再生能源的发展。3增加排气净化的附加装置采取的措施有加装尾气催化净化装置,即借助催化器作用,使催化器与尾气排放中的污染物通过化学反应生成对人体没有直接伤害的物质,最常见的是三元催化器。采用高能电子点火装置,即通过精确控制汽油机点火提前和提高点火能量,以创造理想的燃烧条件,从而减少发动机的污染排放。采用电子控制燃油喷射,即将发动机空燃比控制在最佳理论值附近,使发动机无论在任何环境条件和何种工况下都能精确地控制混合气的浓度,使汽油得到完全充分燃烧,从而降低废气中有害成分的含量。4推行代用燃料用天燃气或者液化石油气等气体作为燃料来替代汽油、柴油,由于气体燃料含硫、氮等杂质少,燃烧完全,可显著减少汽车污染物的排放,而且燃料系统是封闭的,不存在燃料蒸发现象,因此受到广泛欢迎。燃气汽车也被称为清洁能源车、环保汽车、绿色汽车,推行代用燃气车改造已成为控制汽车尾气排放污染的措施之一。5加强对在用车的检查和维护,推行I/M制度I/M制度即在用车检查和维护制度,是通过立法、标准、科学的质量控制、质量保证体系和管理机制,对在用车进行定期或不定期的排放检测,发现排放超标车和篡改排放控制装置的车辆,责令其限期进行修理,使在用车最大限度的发挥自身的排放净化能力。汽车排放污染仅仅是车辆性能指标不稳定或恶化的一种表征,其内在原因是多方面的,对排放超标的汽车,必须要由有经验的技术人员按作业规范认真对其进行检测、诊断、判明故障点。在消除相应故障的同时,有针对性地对汽车故障的相关部位认真进行检查维护作业,使汽车恢复正常的工作状态,减少和消除因故障或参数变化造成的排放超标。6优先发展公共交通发展公共交通,减少市区、特别是市中心的车流量,是减少汽车污染物排放、改善城市大气环境质量的有效措施。尽管我国道路建设有了很大发展,道路系统逐步完善,但是仍满足不了车辆迅猛发展的需要。交通阻塞问题仍然十分严重,城市汽车经常在怠速、低速、加速、减速等排放恶劣的情况下工作,加重了城区特别是城区道路的空气污染,同时也造成能源的浪费。7广泛宣传、提高驾驶员的环保意识如果驾驶员都有保护环境的意识,都懂得怎样驾驶汽车可以减少排气污染,我们的环境会大有改观。汽车排放控制涉及的范围极其广泛,需要得到全社会的关心和支持。抓好排放控制的各个环节,每个单位、每个部门、每个公民都应积极参与支持汽车污染的控制,使减少汽车排气污染成为每个人的自觉行动,为保护和改善大气环境质量做出努力,共同营造一个美好家园。1] 周雁飞. 敬礼,农经干部[J]. 农村财务会计 , 2005,(03) [2] 李小荣. 城市污水处理行业发展建设问题探讨[J]. 山西建筑 , 2002,(05) [3] 高俊. 浅谈如何控制工程造价[J]. 苏盐科技 , 2003,(03) [4] 郑翠萍. 浅谈做好水利事业单位财务管理工作的重要性[J]. 浙江水利科技 , 2000,(S1) [5] 严民政, 侯涛, 孙映君. 谈工程质量控制[J]. 平原大学学报 , 2000,(02) [6] 青山不墨千秋画 绿水无言万古诗——房山区长沟镇环境兴镇[J]. 前线 , 2006,(01) [7] 朱正德. 把生产现场作为质量控制的主战场[J]. 汽车工业研究 , 1996,(06) [8] 赵杰. 建设工程项目的投资控制[J]. 山西建筑 , 2004,(07) [9] 李贤弼. 建设工程造价全程控制浅谈[J]. 交通科技 , 2004,(03) [10] 徐猛. 汽车尾气排放的测试[J]. 企业标准化 , 2004,(08)

论文深度学习模板

现在深度学习在机器学习领域是一个很热的概念，不过经过各种媒体的转载播报，这个概念也逐渐变得有些神话的感觉：例如，人们可能认为，深度学习是一种能够模拟出人脑的神经结构的机器学习方式，从而能够让计算机具有人一样的智慧；而这样一种技术在将来无疑是前景无限的。那么深度学习本质上又是一种什么样的技术呢？深度学习是什么深度学习是机器学习领域中对模式（声音、图像等等）进行建模的一种方法，它也是一种基于统计的概率模型。在对各种模式进行建模之后，便可以对各种模式进行识别了，例如待建模的模式是声音的话，那么这种识别便可以理解为语音识别。而类比来理解，如果说将机器学习算法类比为排序算法，那么深度学习算法便是众多排序算法当中的一种（例如冒泡排序），这种算法在某些应用场景中，会具有一定的优势。深度学习的“深度”体现在哪里论及深度学习中的“深度”一词，人们从感性上可能会认为，深度学习相对于传统的机器学习算法，能够做更多的事情，是一种更为“高深”的算法。而事实可能并非我们想象的那样，因为从算法输入输出的角度考虑，深度学习算法与传统的有监督机器学习算法的输入输出都是类似的，无论是最简单的Logistic Regression，还是到后来的SVM、boosting等算法，它们能够做的事情都是类似的。正如无论使用什么样的排序算法，它们的输入和预期的输出都是类似的，区别在于各种算法在不同环境下的性能不同。那么深度学习的“深度”本质上又指的是什么呢？深度学习的学名又叫深层神经网络（Deep Neural Networks ），是从很久以前的人工神经网络（Artificial Neural Networks）模型发展而来。这种模型一般采用计算机科学中的图模型来直观的表达，而深度学习的“深度”便指的是图模型的层数以及每一层的节点数量，相对于之前的神经网络而言，有了很大程度的提升。深度学习也有许多种不同的实现形式，根据解决问题、应用领域甚至论文作者取名创意的不同，它也有不同的名字：例如卷积神经网络（Convolutional Neural Networks）、深度置信网络（Deep Belief Networks）、受限玻尔兹曼机（Restricted Boltzmann Machines）、深度玻尔兹曼机（Deep Boltzmann Machines）、递归自动编码器（Recursive Autoencoders）、深度表达（Deep Representation）等等。不过究其本质来讲，都是类似的深度神经网络模型。既然深度学习这样一种神经网络模型在以前就出现过了，为什么在经历过一次没落之后，到现在又重新进入人们的视线当中了呢？这是因为在十几年前的硬件条件下，对高层次多节点神经网络的建模，时间复杂度（可能以年为单位）几乎是无法接受的。在很多应用当中，实际用到的是一些深度较浅的网络，虽然这种模型在这些应用当中，取得了非常好的效果（甚至是the state of art），但由于这种时间上的不可接受性，限制了其在实际应用的推广。而到了现在，计算机硬件的水平与之前已经不能同日而语，因此神经网络这样一种模型便又进入了人们的视线当中。“ 2012年6月，《纽约时报》披露了Google Brain项目，吸引了公众的广泛关注。这个项目是由著名的斯坦福大学机器学习教授Andrew Ng和在大规模计算机系统方面的世界顶尖专家Jeff Dean共同主导，用16000个CPU Core的并行计算平台训练一种称为“深层神经网络”（DNN，Deep Neural Networks） ”从Google Brain这个项目中我们可以看到，神经网络这种模型对于计算量的要求是极其巨大的，为了保证算法实时性，需要使用大量的CPU来进行并行计算。当然，深度学习现在备受关注的另外一个原因，当然是因为在某些场景下，这种算法模式识别的精度，超过了绝大多数目前已有的算法。而在最近，深度学习的提出者修改了其实现代码的Bug之后，这种模型识别精度又有了很大的提升。这些因素共同引起了深层神经网络模型，或者说深度学习这样一个概念的新的热潮。深度学习的优点为了进行某种模式的识别，通常的做法首先是以某种方式，提取这个模式中的特征。这个特征的提取方式有时候是人工设计或指定的，有时候是在给定相对较多数据的前提下，由计算机自己总结出来的。深度学习提出了一种让计算机自动学习出模式特征的方法，并将特征学习融入到了建立模型的过程中，从而减少了人为设计特征造成的不完备性。而目前以深度学习为核心的某些机器学习应用，在满足特定条件的应用场景下，已经达到了超越现有算法的识别或分类性能。深度学习的缺点深度学习虽然能够自动的学习模式的特征，并可以达到很好的识别精度，但这种算法工作的前提是，使用者能够提供“相当大”量级的数据。也就是说在只能提供有限数据量的应用场景下，深度学习算法便不能够对数据的规律进行无偏差的估计了，因此在识别效果上可能不如一些已有的简单算法。另外，由于深度学习中，图模型的复杂化导致了这个算法的时间复杂度急剧提升，为了保证算法的实时性，需要更高的并行编程技巧以及更好更多的硬件支持。所以，目前也只有一些经济实力比较强大的科研机构或企业，才能够用深度学习算法，来做一些比较前沿而又实用的应用。

深度学习为有效课堂提供了新的方向和思路。从理论上说，深度学习是基于建构主义理论的一种学习方式，是在理解学习的基础上，学习主体能够批判性地学习新知识、新理论，学习的感受、感知与感悟有机地融入自己原有的认知结构中，进而提升学习层次，强化学习能力，去适应新情境、探究新问题、生成新能力的综合学习。[1]它是有效学习、高效学习的必然要求。 为了帮助学生在美好的语文世界里倘佯、想象、创造、发展，不断吸引学生投入深度学习，我们要让语文课堂成为一个磁力充足的强“磁场”。笔者通过课堂教学实践探索，发现了促进深度学习的几个有效策略：一、多角度建设：让深度学习“磁场”更丰厚 语文教学要“拓宽语文学习和运用的领域，注重跨学科的学习和现代科技手段的运用，使学生在不同内容和方法的相互交叉、渗透和整合中开阔视野，提高学习效率，初步养成现代社会所需要的语文素养。语文课程应该是开放而富有创新活力的”[2]。我们应从不同角度去建设文本教材，既要利用丰富的生活资源，也要融入学生的主观创造，促使学生变被动的文本“接受者”，成为文本“创造者”、“享受者”。 1.删“繁”就“简”，话题提炼突出“精”字。要想让学生进入深度学习，进行个性化的感悟，教师需从课文众多的信息中提炼出最本质的核心信息（最具有教与学价值的“精华”），它可以是一个字词、一个句段、一个技能点、一个情感点等等。教师可通过一个精当的、观点鲜明的话题，来切入文本建设。2.由“薄”变“厚”，资源整合突出“巧”字。语文教学要引导学生走进生活，博览群书，开阔眼界，扩展视野。教师在语文课堂教学中既要重视文本的规定性，又要补充教材，拓展内容，重组资料，要充分利用、合理开发、有效整合各种资源，实现对教材、课堂、教师自身的不断超越。 3.由“静”变“动”，实践方式突出“活”字。为了进一步强化和内化文本内容，可开展一些语文实践活动，如当小导游、演课本剧等，通过师生共同研读文本、挖掘语言实践点，让活动过程本身也成为一份丰厚的课程资源。这些活动过程促使学生应用语言、内化语言，使学生真正将学习的感受、感知与感悟有机地融入自己原有的认知结构中，进而提升学习层次，强化学习能力，适应新情境、探究新问题、生成新能力。二、多方面激活：让深度学习“磁性”更强烈 层次性需要是发展性教学主体参与内在机制的动力性环节。无论是利用超出学生预期的“新异刺激”去激发学生的阅读期待，还是挖掘文本空白，精心营造拓展空间……教师通过把目光“锁定”在学生的学习内在需要上，呵护童心，满足他们与生俱来的“四心”——好奇心、好动心、好胜心、创造心，通过多方面激活，让深度学习的“磁性”更强烈，促使学生更好地享受语文课堂学习。例如，一位教师教《清平乐·村居》（苏教版语文五年级上册）时有这样一个片段：师：读着“醉里吴音相媚好”，你仿佛看到翁媪在干什么，彷佛听到他们在说些什么呢？ （同桌同学边想象边进行分角色模拟表演，师指生上台表演。）生1（媪）拍拍生2（翁）的肩膀：老头子，你一生都是我们家的顶梁柱，现在好了，三个儿子多能干啊！ 生2（翁）拉着生1（媪）的手：老婆子，你才能干呢，给我生了三个好儿子啊！ 师：就这样，老两口聊啊聊，这让我想起了一首歌：一路上收藏点点滴滴的欢笑，走到以后，坐着摇椅慢慢聊……此情此景可以凝聚成一个字，那就是—— 生：媚。 师：不仅她媚，他也媚，这就叫—— 生：相媚好。 师：这是怎样一个“醉”呀，因媚而醉！ 多么精彩的一个教学片断！教者引导学生在充分想象的基础上，入情入境，品析演绎，语文味十足。 儿童的内心是最无拘无束的，语文教学就要为课堂的有限时空注入无限的张力，增强课堂活力。教师应通过多种途径，把语文课上得生动些、活泼些，让孩子们在玩中学、学中玩。我们满足了学生的心理需求，激活了学生的学习需要，何愁学生不自然而然地走进深度学习呢？ 三、多层次推动：让深度学习“磁力”更充足 实践证明，我们可以通过以下四方面来不断增强学习“磁力”。 1.把握一个前提——深度参与，激活新知 要让学生进入深度学习状态，首先需要激励学生深度参与，只有深度参与，所学的知识才能被激活。我们可以在课堂上组织专题探究、主题拓展、观点争鸣、小组讨论等。如：《秦兵马俑》（苏教版语文五年级下册）一课，可以设计表格式导读学案，从“课文介绍了哪几种兵马俑？各有什么特点？分别是如何抓住特点进行具体介绍的？”这几方面开展小组合作学习。课堂展示时，通过学生活动的参与面、探究的纵深点、思维的批判性、建构的生成度这四方面对学生参与的深度作出评价。 2.突出一个重点——深度思考，获取新知 学生在探究阅读中能否深入思考，取决于教师设计的问题是否精当。我们要层层深入、由表及里地引领学生经历从具体到抽象的转化，