一、易混淆的几种情况（论文文献综述）
婉婷（AMINA ZAKARIA ABDELHAKIM ALI）[1]（2021）在《埃及中高级汉语学习者易混动词偏误分析与教学策略》文中提出
周容存[2]（2021）在《对外汉语易混淆词教学研究 ——以《博雅汉语》准中级加速篇同素易混淆词为例》文中研究指明
孙芳丽[3]（2021）在《老挝中级汉语学习者易混淆词习得研究 ——以老挝新华学校为例》文中提出
高倩[4]（2021）在《“形成类”易混淆词的语义韵和对外汉语教学研究》文中研究指明语义韵（semantic prosody）以真实的语言材料为基础,是从语料库语言学中衍生出来的一个重要概念,其在探索词语语义特征、传递说话者语用功能等方面具有重要意义。目前,我国对于语义韵的研究大多集中在英语教学领域,以汉语为中心的语义韵研究成果数量较少。同时,在对外汉语教学的过程中我们发现,留学生对于“形成类”词语存在混淆使用的情况,而目前学界对于这类词语的研究也尚有不足。因此,本文从对外汉语教学的视角出发,依据易混淆词辨析和词语搭配等相关理论,使用定性和定量相结合的语义韵研究方法,结合留学生“形成类”词语的混淆实际,对“形成类”易混淆词进行了语义韵分析,并且探讨了留学生发生偏误的原因及对外汉语教学策略,以期丰富“形成类”词语的语义韵研究,为“形成类”易混淆词的词语辨析及搭配研究提供新视角,为对外汉语词典编纂及词汇教学提供新思路和新方法。首先,本文对北京语言大学HSK动态作文语料库中留学生“形成类”词语的偏误例句进行了全面考察,发现留学生最常出现的偏误是词语之间的混淆使用。之后运用绝对频次和相对频度相结合的方法统计出了总体混淆程度最高的三个易混淆词对:“成为?当成”、“形成?造成”、“形成?成为”,通过逐一分析三对易混淆词的偏误特征发现,“形成类”词语的混淆多表现在谓宾和状中搭配不当上,这表明要想解决留学生的问题,需要对易混淆词的搭配类型、语义特征及语用范畴进行全面地考察。最终,笔者确定了“形成”、“造成”、“成为”、“当成”四词作为本文语义韵的研究对象。其次,为研究词语语义韵特性,本文采用由英国布莱顿大学Adam Kilgarriff等研制的在线语料库检索工具Sketch Engine作为研究工具,并选取Chinese Giga Word2 Corpus:Mainland（涵盖语料205,031,379）及北京语言大学语料库（BCC）、北京大学语料库（CCL）作为语料来源。在研究方法上,本文选取Sketch Engine中的词汇速描（Word Sketch）和词汇速描对照（Word Sketch Difference）对易混淆词进行描写和对比,以期探索易混淆词的语义韵特征及两两之间的差异特征;在研究内容上,本文采用扩展意义单位（EUM）语义韵研究模式,综合运用搭配、类联接、语义选择趋向和语义韵为主要成分的最大路径研究方法,从词法、句法、语义、语用等不同角度探究“形成类”词语的语义韵特征。最后,通过研究与分析,本文得到了“形成类”易混淆词在扩展意义单位上的语义韵特征:“形成”与属性类词语搭配最多,具有中性偏积极语义韵;“造成”与事情类词语搭配最多,具有消极语义韵;“成为”与积极属性类和“人”类词语搭配最多,具有积极语义韵;“当成”与“人”类、概称类词语搭配最多,具有中性语义韵。此外,通过混淆词组的两两对比得出:“形成”的过程性语义较强;“成为”的结果性语义较强;“造成”很少表示过程,其结果性语义更强;“当成”只表示结果,其结果性语义最强。基于语义韵研究结果,本文进而分析了造成留学生产生偏误的原因,提出了词汇语义韵教学所应遵循的原则,并通过设计“形成”和“造成”的语义韵教学方案以及二者的辨析方案,为对外汉语词汇教学提供了一些新的思路。
司蓝洋[5]（2021）在《“觉得”与“认为”、“感觉”、“想”的辨析和汉语国际教育教学建议》文中认为本文建立在语料库的基础上,选择出和“觉得”最容易发生混淆的三个动词“认为、想和感觉”,并从语义、语法及语用三个方面对这三组词做了细致的对比研究。语义方面,主要是采用义项列举和义素分析的方法,这四个词在语义上面各有侧重,“觉得”一词侧重于建立在自身的经验进行判断,具有变化性;“认为”一词侧重于依据客观事实做出判断,具有稳定性;“想”一词侧重于陈述自己的想法和认识,不突出主体视角;而“感觉”则侧重于表达建立在感官刺激体验上的感受和想法;在语法方面,主要是考察这四个词语在语法功能和搭配功能上的差别,笔者发现“觉得”和“感觉”后面可以加小句或者是形容词,而“认为”和“想”一般后面加小句;此外“想”和“感觉”前面一般不用“不”来否定,而且这四个词在副词的搭配方面也有所不同,除此之外,“觉得”对于四大类疑问句和复句的选择也和其他三个词有差异;最后,在语用方面,笔者从语料库里随机选出这四个词的语料各300条,加以观察和研究,从分析统计出的数据可以看出:“觉得”比“认为”更多用在表达评价和推测方面;“认为”侧重于判断和建议;而“想”和“感觉”一般不用来表达建议。对比分析出这些词的异同后,笔者利用对比出的结果对HSK动态作文语料库和调查问卷里面的混淆偏误进行了深入解析和分类,并归纳出偏误产生的原因,分别给出了具有针对性的教学方法:1.语境分析法和义素分析法相结合;2.归纳法和练习法相结合;3.语素教学法和情态法相结合。另外,笔者还从教材、教师和教学三个方面给出了更多具体的建议,以期为汉语“觉得”类易混淆词的本体研究和教学提供一些有益的参考。
杨夕[6]（2020）在《基于融合学习模型的文本描述刑事犯罪行为自动分类的研究》文中研究指明近年来,国家多次进行普法行动意图让全国人民知法懂法,以此来降低犯罪率。全靠人力来普法将是一个漫长而艰难的过程,目前很多涉案人员了解案情都是要通过求助专业法律人员,这些普法的过程对于专业人员来说是一个简单重复性的工作,因此引入人工智能辅助成为大势所趋。由于技术和设备的限制,人工智能还不能完全代替律师和法官,大多在法律领域的人工智能系统都是辅助性的。本文研究一个刑事犯罪行为分类系统,针对中文刑事犯罪行为文本做多种预处理,通过多种学习模型来预测罪名,融入关键词区分易混淆罪名,继而综合多个模型调整权重得到最终的预测结果,从而达到普法、减少专业法律人工作量和辅助办案的目的。本文的主要贡献如下:1.在传统文本特征值选择过程中提出基于词嵌入的特征筛选方法,解决词向量维度大、向量矩阵稀疏的问题。传统做法是使用训练集的全词语作为特征来构建词向量空间,测试时用训练集产生的词向量空间来把文字信息转化为数字向量。本文在使用训练集构建词向量空间之前,采用词嵌入的方法获得筛选过后的词表,利用新的词表构建词向量空间。在训练和测试时,利用词向量空间把原文数据转化为数字向量,利用TF-IDF获得权重矩阵参与分类模型的计算。处理之后的权重矩阵维度降低到原来的四分之一,向量稀疏问题有所缓和。2.融合多个分类模型,提高模型的分类效果。为每个模型分配权重,融合获得最终结果。不同的模型因为算法和计算方法上的不同导致有不同的结果;不同模型的侧重不一样,给模型分配权重,调整单个模型结果在整体结果中的比重,实验获得最优解的权重分配。融合后的模型比任何一个单个模型的效果要好,取得了更好的效果。3.使用Text Rank获得罪名的关键词以区分易混淆罪名。单纯使用分类模型对犯罪行为分类不容易区分一些易混淆的罪名,加入罪名关键词加以区分和校验,在易混淆罪名中取得了不错的效果。使用Text Rank获得每个罪名的关键词表,对比易混淆罪名队的关键词表,使用二者不共有的词语作为区分易混淆罪名的关键词表。并研究刑法对于易混淆罪名的定性的词语,对获得的关键词表进行验证和修改。融入关键词和规则能有效地区分易混淆罪名。综上所述,经过数据的预处理和后处理能够提高犯罪行为分类的准确率。这些处理也可以应用到中文文本分类在其他领域的使用,为提高犯罪行为分类的水平和预测效果提供了有效的方法。
马玉芬[7]（2020）在《韦恩图在高中生物学教学中的应用研究》文中指出高中生物学的知识体系相对于其他学科更为庞大,知识点繁多且零散,因此,生物学学科通常被很多学生称为“理科中的文科”,把它错误地定位成了一门“背诵”学科。高中时期的学生心理发展不够成熟,认知水平有限,看待问题往往想当然,思考问题片面、浅显,因此对于庞大的高中生物学知识体系不能自主进行逻辑建构,死记硬背,忽略了知识间的关联,导致学生大脑中的生物学知识杂乱无章、学习效果不佳。为了解决以上问题,基于当下生物学教学中提倡的“STEM”的项目学习理念,借鉴其“跨学科”的思想,提出把数学中具有逻辑性的一种图示化工具——“韦恩图”用于高中生物学教学之中,以帮助学生对知识进行逻辑建构,也为广大教师提供一种教学方法的参考。首先通过查阅大量文献资料对韦恩图的概念、形式、功能等基础知识进行基本了解,然后以“分子与细胞”、“遗传与进化”、“稳态与调节”三个模块为内容范围,通过具体实例呈现出“韦恩图”在高中生物学教学中的5种应用:利用韦恩图区分高中生物学中的易混淆概念、巧解高中生物学计算题、梳理高中生物学概念的内涵和外延、利用堆积韦恩图呈现知识层次以及韦恩图和其他图示化工具的组合。本研究的实践选择了高一的两个平行班作为实验班和对照班,设计了具体的教学方案实施教学,以探究韦恩图对学生的学习互动水平和生物学成绩的影响,分析其在高中生物学教学中的应用可行性。经过了为期三个月的实践研究,通过对课堂观察记录表结果和学生前、后测考试成绩进行统计分析,得出如下发现:一,通过对实验班和对照班两个班学生的《“学生学习互动”视点的课堂观察记录表》进行对比分析,发现韦恩图可以增强学生的学习互动水平。二,在生物学成绩方面做了三种分析:首先,分别对生物学前、后测考试卷的两种类型的题目（易混淆概念类题目、图表类题目）的得分进行统计分析,发现经过三个月的实践后两个班的易混淆概念类题目（P=0.787>0.05）无显着性差异,而图表类题目（P=0.042<0.05）存在显着性差异,从而说明“韦恩图”教学策略对学生的概念区分能力基本无影响,而有助于提高其图表分析能力;其次,对两个班的前、后测考试卷的总成绩进行分析,发现都无显着性差异,但实验班的班级平均总分比对照班相对提高了4.178分,说明韦恩图对学生的生物学总成绩仍有一定的促进作用,但作用不显着;最后,根据对两个班不同分数段人数的分析,发现韦恩图还有利于提高班级的高分段人数,但其结果可能具有偶然性,需进一步探究。本文对韦恩图在高中生物学教学中的应用研究做了初步探讨和分析,总结了韦恩图的应用优势,反思了研究的不足之处,提出了一些应用韦恩图的“教”和“学”的建议,希望能为广大师生提供一些参考。本文关于韦恩图的应用研究仍不够成熟,需要在今后继续通过实践进行修改和补充。
雷宇[8]（2020）在《基于场景分类和商品检索的易混淆图像识别研究》文中研究指明随着深度学习技术在计算机视觉领域的不断普及和扩展,对图像内容理解的需求也在急速增长。图像分类和检索作为计算机视觉中十分重要的两个任务,被大量的研究和应用。对于分类和检索任务来说,标签是最基础也是最重要的一个信息,而标签之间的混淆也成为一个不可避免的难题。但当前的研究方向更多的集中在图像信息的挖掘或者网络结构的设计上,而在标签的混淆问题上的研究并不多。因此,本文基于场景分类和商品检索这两个实际场景来探索易混淆信息的应用方法,并构建一套基于易混淆信息的分类和检索系统,主要工作和创新点如下:（1）提出了基于混淆矩阵的聚类算法来挖掘标签之间的易混淆信息。通过将聚类结果转化为混淆权重,设计了一个新的损失函数:混淆加权损失函数（Confusion Weighted Loss Function）让模型在训练过程中除了学习类别之间的差外也能学习到标签之间的相关性。在Places365和MIT indoor67两个数据集上的实验证明了我们提出的算法的有效性;（2）提出了一个基于易混淆信息的数据集自动化清洗流程来对一些错误或易混淆的类别进行修正、合并,让数据集的标签体系更佳合理,并设计了一个基于权重特征的重排序算法,对排序结果进行优化。在商品数据集上的测试结果逐步证明了相关方案的优越性;（3）提出了一个基于易混淆信息的分类检索体系（Anti-Confusion System for classification and Retrieval）,覆盖了图像分类和检索相关项目所涉及的一系列步骤。通过在场景分类和商品检索两个任务上的实验验证了该系统的实用性和有效性。
刘宗林[9]（2020）在《多信息融合的智能司法判决预测方法研究》文中认为人工智能、自然语言处理技术飞速发展及法律案例文书数据的公开,不仅为智能司法的研究提供了良好的数据基础和技术沉淀,还促使其成为自然语言处理领域的一个研究热点。针对智能司法包括的多项任务以及司法数据的特点、存在的研究难点等,本文提出多任务学习模型,并在多任务学习模型的基础上融合篇章结构信息、法条正文信息和罪名关键词信息,这样不仅可以提高智能司法判决的效果,而且还能够解决目前智能司法中的难题。本文主要包括以下三个方面的研究内容:1.基于多任务学习模型与篇章结构信息的智能司法判决预测模型:首先,本文采用了多任务学习的方式对罪名预测和法条推荐两个任务联合建模。其次,由于法律文本属于段落级别的篇章文本,所以,为了将考虑篇章结构信息考虑在内,我们在多任务学习模型基础之上融合了篇章结构信息。实验结果表明,多任务学习的建模方式要优于两个任务分别建模的方式。另外,篇章结构信息对判决预测也是有效的。2.融合法条信息的智能司法判决预测模型:从法官对案件进行判决前要参考相关的法条可以看出,法条信息对智能司法判决的预测结果有正向作用。因此,我们在融合了篇章结构信息的多任务学习模型基础上进一步采用向量相似度、预训练模型以及注意力机制等方法融合相关的法条正文信息,其中,注意力机制的方法是为了减少前两种方法的错误传播问题而提出的。实验结果表明,融合法条正文信息能够有效改善司法判决预测效果,并且基于注意力机制融合的方法减少了错误传播的问题。3.融合罪名关键词信息的智能司法判决预测模型:智能司法判决预测的研究中存在易混淆罪名问题,这是司法判决研究的难点。本文发现虽然易混淆罪名的案情文本描述很相似,但是关键词能够有效的区分出易混淆罪名,因此我们提出融合罪名关键词信息解决易混淆罪名问题。具体来说,首先,我们采用多种方法从法律文本中抽取罪名关键词并自动构建罪名关键词表,其次,我们将罪名关键词信息融合到上述模型中。实验结果表明,我们提出的方法对解决易混淆罪名问题有效果。
王莹莹[10]（2020）在《基于卷积神经网络的人脸表情识别问题的研究》文中研究说明计算机技术的快速发展促进了人工智能和模式识别技术的发展,使其逐渐被生活化,因此,人们对机器的智能化需求也越来越高。人们不仅期望机器人可以帮助人类完成体力上的工作,还期望机器人可以判断人的心理活动和真实意图,实现人与计算机有感情交流为目标的人机交互过程,从而更好地服务于人类。人们在情感传达时,面部是人们交流的核心部位,在面部区域中包含了人类大部分的感觉器官（眼睛、耳朵、鼻子和嘴巴等）。通过面部传达的信息,可以通过最直接、最自然的方式明白他人的意图,感受他人的情绪。同时可以通过辨识出对方的面部表情,判断其心理活动和真实的意图。因此,如何让机器人快速准确地识别人的面部表情,从而获取人类的真实意图,已经成为智能人机交互技术研究任务中的一大重点。人脸表情识别是一种智能的人机交互技术,在情感计算中占据着重要的地位,在国内外受到了许多学者的密切关注与研究。目前,图像分类器的性能有很大程度取决于提取的特征是否有效。卷积神经网络模型在当前计算机视觉和人工智能领域具有显着的优势,实现了图像特征信息的深层提取以及特征提取和分类的同步进行。通过卷积神经网络模型对人脸表情识别进行研究,不仅具有重要的理论意义,同时还具有很大的实际价值。本论文以人脸表情识别技术的需求为牵引,致力于提高采用卷积神经网络模型对人脸表情识别的准确性并兼顾计算效率,首先基于获取的实验数据集,提出一种减少误判率的人脸检测方法;进而提出了一种获取优质图像的数据样本扩充方法,用于卷积神经网络模型的训练,基于表情图像自身的特点设计了相应的卷积神经网络分类器,提升人脸表情的识别率。论文的主要内容及创新点如下:1、提出一种实现复杂背景下获取表情区域的人脸检测方法。由于人脸表情图像大部分都存在复杂的背景信息,影响了表情特征信息的有效提取,不利于最终的表情识别,提出了一种有效的人脸检测算法,将有用的图像信息提取出来。该算法由两种检测方法联合构成。首先采用传统的肤色模型对脸部表情进行初次检测,然后基于人眼定位的方法辅助调节初次误检的人脸图像,减少误检率,有效地减少了表情识别任务中的很多干扰因素。同时,为了加快人眼定位的快速性,采用图像区域分割的方法较少人眼搜索的时间,加快系统的运行速度。2、构造出一种减少表情崩塌图像的生成式对抗网络模型。由于卷积神经网络模型的训练离不开大规模数据集样本的支持,而现有的大部分人脸表情数据集的规模普遍不大,提出了用于数据增强的生成式对抗网络模型。该模型由基于神经网络架构的生成器和判别器组成。对模型的架构和目标函数进行了优化设计。此模型的优点是可以通过增大重构误差减少表情崩塌图像的生成,提升图像的生成质量,为后续模型的训练做好准备工作。3、针对较为夸张明显的表情图像数据集,提出一种基于关键区域辅助模型的卷积神经网络分类器。由于现有的大部分方法只采用人脸的全部图像作为模型的输入信息,往往抓不住有利于分类的重点特征信息,提出了辅助模型的方法。首先使用原始脸部图像获取第一层的特征信息,然后将关键区域的特征信息提取出来与第一层的特征信息进行融合,得到有利于表情分类的深层特征,进一步提升表情识别的准确率。此外,为了减少模型在训练过程中震荡的缺点,提出了新的分段激活函数。同时针对卷积神经网络在模型训练过程中比较耗时的问题,提出一种采用CNN与随机森林连接的方式对表情进行分类识别,为了提升随机森林分类器的效率,对信息增益率的公式进行了简化,并对随机森林分类器的决策算法进行了优化,实现了表情的快速准确识别。4、针对表情容易混淆的样本数据集,提出一种基于级联卷积神经网络识别模型,实现了部分易混淆表情的准确识别,此外,在获取的低维特征信息的融合环节,采用贪心算法将多种特征信息进行融合,降低了维数灾难的影响。同时针对表情混淆程度较大且很难人为区分的表情数据集,提出一种基于聚类和卷积神经网络模型结合的识别模型,在聚类的过程中,为了尽最大可能拉大聚类中心的距离,提出了基于固定初始值的角力算法,提升了表情的整体识别率和每个类别下表情的识别率。5、针对自定义卷积神经网络模型在构建过程中参数的调整耗时问题和传统迁移算法中存在的内容差异问题,提出将卷积受限玻尔兹曼机和卷积神经网络模型进行融合的方法,得到了一种新的混合迁移算法。因为采用数据增强方法虽然有利于卷积神经网络模型的训练,但是对于一些规模较大的数据集,数据增强处理过程也较为复杂,模型的训练时间较长,因此本章提出的迁移方法可以更好地应用到较大规模的数据集中。该算法利用卷积神经网络模型实现模型对源域的初次特征提取,继而采用目标域在初次学习特征的基础上继续学习更多有利的特征信息,然后采用卷积受限玻尔兹曼机对目标域学到的特征进行深层挖掘,减小迁移过程中数据集的内容差异带来的影响,提升目标域图像样本集的识别准确率。此外,为了使卷积受限玻尔兹曼机在可见层的卷积操作中获取更加全面的边缘特征信息,对其进行补零操作的方式。
二、易混淆的几种情况（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：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（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。
三、易混淆的几种情况（论文提纲范文）
（4）“形成类”易混淆词的语义韵和对外汉语教学研究（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 选题缘起 |
| 1.2 国内外研究综述 |
| 1.2.1 汉语易混淆词研究综述 |
| 1.2.2 词语搭配研究综述 |
| 1.2.3 语义韵研究综述 |
| 1.2.4 小结 |
| 1.3 研究内容及研究意义 |
| 1.3.1 研究内容 |
| 1.3.2 研究意义 |
| 1.4 理论依据及研究方法 |
| 1.4.1 理论依据 |
| 1.4.2 研究方法 |
| 1.5 语料来源 |
| 第二章:“形成类”易混淆词的确定与误用倾向分析 |
| 2.1 “形成类”易混淆词的实例考察 |
| 2.2 “形成类”易混淆词的筛选与确定 |
| 2.3 “形成类”易混淆词的误用特征分析 |
| 第三章:“形成类”易混淆词的语义韵分析 |
| 3.1 Sketch Engine语料库的使用方法 |
| 3.2 “形成”的语义韵探究 |
| 3.2.1 “形成”的显着搭配词 |
| 3.2.2 “形成”的类联接 |
| 3.2.3 “形成”的语义选择趋向 |
| 3.2.4 “形成”的语义韵 |
| 3.3 “造成”的语义韵探究 |
| 3.3.1 “造成”的显着搭配词 |
| 3.3.2 “造成”的类联接 |
| 3.3.3 “造成”的语义选择趋向 |
| 3.3.4 “造成”的语义韵 |
| 3.4 “成为”的语义韵探究 |
| 3.4.1 “成为”的显着搭配词 |
| 3.4.2 “成为”的类联接 |
| 3.4.3 “成为”的语义选择趋向 |
| 3.4.4 “成为”的语义韵 |
| 3.5 “当成”的语义韵探究 |
| 3.5.1 “当成”的显着搭配词 |
| 3.5.2 “当成”的类联接 |
| 3.5.3 “当成”的语义选择趋向 |
| 3.5.4 “当成”的语义韵 |
| 3.6 “形成类”易混淆词的语义韵辨析 |
| 3.6.1 “形成”和“造成”的语义韵辨析 |
| 3.6.2 “成为”和“当成”的语义韵辨析 |
| 3.6.3 “形成”和“成为”的语义韵辨析 |
| 3.7 小结 |
| 第四章 留学生混淆原因分析和对外汉语教学建议 |
| 4.1 留学生出现混淆现象的原因分析 |
| 4.1.1 词典编着的缺陷 |
| 4.1.2 教学方法的不足 |
| 4.1.3 学生自身的原因 |
| 4.2 对外汉语教学原则 |
| 4.2.1 注重词块、语块的搭配教学 |
| 4.2.2 运用语料库进行大量操练 |
| 4.2.3 多元化呈现语义韵特征 |
| 4.3 以“形成”和“造成”为例的语义韵教学设计 |
| 4.3.1 “形成”的语义韵教学设计 |
| 4.3.2 “造成”的语义韵教学设计 |
| 4.3.3 “造成”和“形成”辨析的教学设计 |
| 结语 |
| 参考文献 |
| 致谢 |
| 个人简况及联系方式 |
（5）“觉得”与“认为”、“感觉”、“想”的辨析和汉语国际教育教学建议（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究缘起 |
| 1.2 研究的目的及意义 |
| 1.3 相关领域的研究现状 |
| 1.4 本文的研究方法及思路 |
| 1.5 语料来源 |
| 第二章 “觉得”与其易混淆词的对比分析 |
| 2.1 语义对比 |
| 2.1.1 “觉得”的语义分析 |
| 2.1.2 “觉得”和“认为”的对比 |
| 2.1.3 “觉得”和“想”的对比 |
| 2.1.4 “觉得”和“感觉”的对比 |
| 2.2 语法对比 |
| 2.2.1 对比角度的选择说明 |
| 2.2.2 主语选择的异同 |
| 2.2.3 宾语类型的异同 |
| 2.2.4 对否定词“不”和“没”的选择 |
| 2.2.5 对状语类型的选择 |
| 2.2.6 和虚词搭配的异同 |
| 2.2.7 在“被”字句中使用情况的异同 |
| 2.2.8 对“疑问句类”的选择 |
| 2.2.9 所在复句类型的不同 |
| 2.3 语用对比 |
| 2.3.1 “觉得”和“认为”的对比 |
| 2.3.2 “觉得”和“想”的对比 |
| 2.3.3 “觉得”和“感觉”的对比 |
| 2.3.4 语用对比小结 |
| 2.4 小结 |
| 第三章 “觉得”类易混淆词的使用情况调查 |
| 3.1 调查问卷设计与说明 |
| 3.1.1 调查目的 |
| 3.1.2 问卷预期 |
| 3.1.3 调查对象情况说明 |
| 3.1.4 问卷组成和设计说明 |
| 3.2 问卷数据分析与说明 |
| 3.2.1 单选题数据说明 |
| 3.2.2 多选题数据说明 |
| 3.2.3 主观题数据说明 |
| 3.3 初步结论 |
| 3.4 小结 |
| 第四章 “觉得”类易混淆词的偏误分析及教学方法 |
| 4.1 偏误与分析 |
| 4.1.1 偏误情况 |
| 4.1.2 偏误分析 |
| 4.1.3 偏误类型汇总 |
| 4.1.4 偏误归因 |
| 4.2 “觉得”类易混淆词的教学方法 |
| 4.3 小结 |
| 第五章 对教材、教师和教学的建议 |
| 5.1 对教材的建议 |
| 5.1.1 教材的选择 |
| 5.1.2 “觉得”类易混淆词在教材中的情况调查 |
| 5.1.3 存在的问题与建议 |
| 5.2 对教师的建议 |
| 5.3 教学建议 |
| 5.3.1 理论依据 |
| 5.3.2 所体现的教学原则 |
| 5.3.3 具体的教学建议 |
| 5.4 小结 |
| 第六章 结语 |
| 6.1 全文的主要观点 |
| 6.2 本文的不足之处 |
| 参考文献 |
| 附录:“觉得”类易混淆词的使用情况调查问卷 |
（6）基于融合学习模型的文本描述刑事犯罪行为自动分类的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 引言 |
| 1.1 研究背景与意义 |
| 1.2 刑事犯罪分类的研究现状 |
| 1.3 文本分类的应用 |
| 1.4 本文的主要贡献 |
| 1.5 文本结构 |
| 第2章 预备知识 |
| 2.1 机器学习的方法 |
| 2.1.1 伯努利贝叶斯分类器 |
| 2.1.2 支持向量机 |
| 2.1.3 线性支持向量机 |
| 2.1.4 逻辑回归 |
| 2.2 深度学习的卷积神经网络 |
| 2.3 词嵌入 |
| 第3章 罪行罪名数据的表示和预处理 |
| 3.1 词嵌入特征降维 |
| 3.1.1 筛选词表 |
| 3.1.2 特征降维结果 |
| 3.2 Text Rank和规则易混淆罪名区分 |
| 3.2.1 Text Rank获取关键词 |
| 3.2.2 区分易混淆罪名结果 |
| 3.3 数据集预处理 |
| 第4章 犯罪行为分类模型 |
| 4.1 机器学习分类器 |
| 4.1.1 整体结构 |
| 4.1.2 预处理 |
| 4.1.3 参数调整 |
| 4.2 深度学习分类器 |
| 4.2.1 整体结构 |
| 4.2.2 参数调整 |
| 第5章 实验评估 |
| 5.1 单个模型评估 |
| 5.2 融合模型评估 |
| 第6章 总结和展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间的科研成果和其他获奖情况 |
| 致谢 |
（7）韦恩图在高中生物学教学中的应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 前言 |
| 1.1 研究背景 |
| 1.2 研究内容和拟解决的关键问题 |
| 1.2.1 研究内容 |
| 1.2.2 拟解决的关键问题 |
| 1.3 研究方法 |
| 1.3.1 文献法 |
| 1.3.2 实验研究法 |
| 1.3.3 课堂观察法 |
| 1.4 研究的思路框架与创新 |
| 1.5 研究目标 |
| 1.6 研究意义 |
| 2 文献综述 |
| 2.1 概念界定 |
| 2.2 韦恩图的形式 |
| 2.3 韦恩图的功能 |
| 2.4 韦恩图的研究现状 |
| 3 研究的理论基础 |
| 3.1 有意义学习理论 |
| 3.2 建构主义理论 |
| 3.3 概念转变理论 |
| 4 韦恩图在高中生物学教学中的具体应用 |
| 4.1 利用韦恩图区分高中生物学中的易混淆概念 |
| 4.2 利用韦恩图巧解高中生物学计算题 |
| 4.3 利用韦恩图梳理高中生物学概念的内涵和外延 |
| 4.4 利用堆积韦恩图呈现知识层次 |
| 4.5 韦恩图和其他图示化工具的组合 |
| 5 韦恩图的构建 |
| 5.1 韦恩图的构建原则 |
| 5.2 韦恩图的构建步骤 |
| 5.3 引导学生构建韦恩图的案例 |
| 6 韦恩图在高中生物学教学中应用的实践研究 |
| 6.1 研究目的 |
| 6.2 研究对象 |
| 6.3 实施时间 |
| 6.4 变量分析 |
| 6.4.1 自变量 |
| 6.4.2 因变量 |
| 6.4.3 控制无关变量 |
| 6.5 研究过程 |
| 6.5.1 课堂观察记录表的制作 |
| 6.5.2 前测和后测考试卷的来源 |
| 7 结果及分析 |
| 7.1 《“学生学习互动”视点的课堂观察记录表》分析 |
| 7.2 学生试卷成绩分析 |
| 7.2.1 不同类型题目成绩分析 |
| 7.2.2 试卷总成绩差异显着性分析 |
| 7.2.3 不同分数段人数分析 |
| 8 讨论与结论 |
| 8.1 韦恩图可以提高学生的学习互动水平 |
| 8.2 韦恩图对学生的成绩有一定的促进作用,有利于提高学生的图表分析能力 |
| 9 反思与建议 |
| 9.1 反思 |
| 9.1.1 韦恩图运用于高中生物学教学中的优势 |
| 9.1.2 研究的不足之处 |
| 9.2 建议 |
| 9.2.1 学生“学”的建议 |
| 9.2.2 教师“教”的建议 |
| 参考文献 |
| 附录1 |
| 附录2 |
| 附录3 |
| 附录4 |
| 附录5 |
| 附录6 |
| 致谢 |
| 在读期间发表的学术论文及研究成果 |
（8）基于场景分类和商品检索的易混淆图像识别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.3 本文的工作内容与贡献 |
| 1.3.1 研究内容 |
| 1.3.2 主要贡献 |
| 1.3.3 论文组织结构 |
| 第二章 场景分类和商品检索的发展与技术概述 |
| 2.1 场景分类研究现状 |
| 2.1.1 场景分类 |
| 2.1.2 深度卷积神经网络上的图像识别 |
| 2.2 商品检索研究现状 |
| 2.2.1 特征提取算法的发展 |
| 2.2.2 检索算法的衍生和发展 |
| 2.3 本章小结 |
| 第三章 面向场景分类的易混淆信息应用 |
| 3.1 背景介绍 |
| 3.2 基于混淆矩阵的聚类算法 |
| 3.3 混淆加权损失函数 |
| 3.4 实验部分 |
| 3.4.1 Places365数据集 |
| 3.4.2 MIT indoor67数据集 |
| 3.4.3 拓展实验 |
| 3.5 章节总结 |
| 第四章 面向商品检索的易混淆信息研究 |
| 4.1 背景介绍 |
| 4.1.1 特征提取 |
| 4.1.2 检索中的重排序算法 |
| 4.2 基于易混淆讯息的数据集构建 |
| 4.2.1 基于检测算法的数据预处理 |
| 4.2.2 基于混淆矩阵的类别合并 |
| 4.3 基于卷积神经网络的模型训练 |
| 4.4 基于权重特征的重排序 |
| 4.5 实验部分 |
| 4.5.1 基于易混淆信息的数据集构建算法的评估 |
| 4.5.2 评估多类型损失函数在商品检索数据集上的效果 |
| 4.5.3 基于权重特征的重排序算法评估 |
| 4.6 本章小节 |
| 第五章 基于易混淆信息的分类和检索体系研究 |
| 5.1 背景介绍 |
| 5.2 基于易混淆信息的分类检索体系在场景分类上的应用 |
| 5.3 基于易混淆信息的分类检索体系在商品检索上的应用 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（9）多信息融合的智能司法判决预测方法研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究目的和意义 |
| 1.1.1 背景及定义 |
| 1.1.2 研究目的 |
| 1.1.3 研究意义 |
| 1.2 相关研究综述 |
| 1.2.1 多标签分类任务 |
| 1.2.2 多任务学习 |
| 1.2.3 融合多信息的神经网络模型 |
| 1.2.4 智能司法判决预测 |
| 1.3 本文主要研究内容 |
| 1.4 本文组织安排 |
| 第2章 基于多任务学习与篇章信息的智能司法判决预测模型 |
| 2.1 问题描述 |
| 2.2 基于pipline的智能司法判决预测模型 |
| 2.3 基于多任务学习的智能司法判决预测模型 |
| 2.3.1 编码端 |
| 2.3.2 解码端 |
| 2.4 基于篇章信息的多任务学习模型框架 |
| 2.5 词向量预训练 |
| 2.6 模型训练 |
| 2.7 实验数据及参数设置 |
| 2.7.1 语料介绍 |
| 2.7.2 数据统计分析 |
| 2.7.3 评价指标介绍 |
| 2.7.4 超参数设置与数据处理 |
| 2.8 实验结果与分析 |
| 2.8.1 实验结果对比阐述 |
| 2.8.2 神经网络模型参数初始化的影响 |
| 2.8.3 预训练词向量的影响 |
| 2.9 本章小结 |
| 第3章 融合法条信息的智能司法判决预测模型 |
| 3.1 问题描述 |
| 3.2 法条信息的融合方式 |
| 3.2.1 基于相似度的方法 |
| 3.2.2 基于预训练模型的方法 |
| 3.2.3 基于注意力机制的方法 |
| 3.3 模型训练 |
| 3.4 实验数据及设置 |
| 3.4.1 法条数据介绍 |
| 3.4.2 数据统计分析 |
| 3.4.3 超参数设置 |
| 3.5 实验结果与分析 |
| 3.5.1 实验结果阐述 |
| 3.5.2 案情描述引导的影响 |
| 3.5.3 法条文本篇章级别信息的影响 |
| 3.6 本章小结 |
| 第4章 融合罪名关键词信息的智能司法判决预测模型 |
| 4.1 问题描述 |
| 4.2 罪名关键词信息的提取方式 |
| 4.2.1 基于TFIDF的罪名关键词提取 |
| 4.2.2 基于Text Rank的罪名关键词提取 |
| 4.2.3 基于方法融合的罪名关键词提取 |
| 4.3 模型框架 |
| 4.3.1 基于预训练模型融合罪名关键词的模型框架 |
| 4.3.2 基于Multi Head Attention融合罪名关键词的模型框架 |
| 4.3.3 多种信息融合的模型框架 |
| 4.4 模型训练 |
| 4.5 实验数据及参数设置 |
| 4.5.1 数据介绍 |
| 4.5.2 超参数设置 |
| 4.6 实验结果与分析 |
| 4.6.1 实验结果阐述 |
| 4.6.2 不同提取关键词方法的影响 |
| 4.6.3 多信息整合的影响 |
| 4.6.4 Multi Head Attention中 head数量的影响 |
| 4.7 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间发表的学术论文及参加的科研项目 |
（10）基于卷积神经网络的人脸表情识别问题的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略词注释表 |
| 第一章 绪论 |
| 1.1 论文选题背景及意义 |
| 1.2 人脸检测的研究现状 |
| 1.2.1 基于显式特征的方法 |
| 1.2.2 基于隐式特征的方法 |
| 1.3 数据增强的研究现状 |
| 1.4 卷积神经网络模型的研究现状 |
| 1.5 人脸表情识别的研究现状 |
| 1.6 论文主要研究内容及创新点 |
| 1.7 论文章节安排 |
| 第二章 基于人眼定位和肤色模型的快速人脸检测方法 |
| 2.1 引言 |
| 2.2 光照补偿 |
| 2.3 基于YCbCr色彩空间的肤色模型 |
| 2.3.1 色彩空间 |
| 2.3.2 肤色模型 |
| 2.4 形态学处理 |
| 2.4.1 腐蚀 |
| 2.4.2 膨胀 |
| 2.5 人眼定位的模板匹配算法 |
| 2.5.1 一般的人眼定位模板匹配算法 |
| 2.5.2 提高模板匹配的处理速度 |
| 2.6 实验分析 |
| 2.6.1 实验数据集和实验效果 |
| 2.6.2 实验结果分析 |
| 2.7 本章小结 |
| 第三章 基于滑动模块的人脸表情图像生成模型 |
| 3.1 引言 |
| 3.2 生成式对抗网络的任务 |
| 3.3 人脸表情图像生成模型结构 |
| 3.4 人脸表情图像生成模型稳定训练的策略 |
| 3.5 AR-droupout的提出 |
| 3.6 人脸表情图像生成模型目标函数的设计 |
| 3.7 仿真与实验 |
| 3.7.1 原始数据集 |
| 3.7.2 图像生成 |
| 3.8 本章小结 |
| 第四章 基于关键区域辅助卷积神经网络模型的人脸表情识别 |
| 4.1 引言 |
| 4.2 卷积神经网络模型 |
| 4.2.1 卷积神经网络的基本原理 |
| 4.2.2 卷积神经网络的结构 |
| 4.2.3 卷积神经网络的学习方法 |
| 4.3 基于关键区域辅助的卷积神经网络模型 |
| 4.3.1 表情子区域卷积模型的建立 |
| 4.3.2 分段激活函数的设计 |
| 4.3.3 辅助加权特征提取模型的建立 |
| 4.3.4 基于辅助任务的深度卷积神经网络模型的训练 |
| 4.4 基于卷积特征和随机森林分类器结合的识别模型 |
| 4.4.1 决策树的介绍 |
| 4.4.2 随机森林分类器 |
| 4.4.3 基于随机森林的表情分类器 |
| 4.4.4 CNN-随机森林人脸表情识别算法设计 |
| 4.5 实验分析 |
| 4.5.1 基于辅助模型的实验结果分析和对比 |
| 4.5.2 基于卷积特征和随机森林的实验结果分析和对比 |
| 4.6 本章小结 |
| 第五章 基于级联卷积神经网络模型的人脸表情识别 |
| 5.1 引言 |
| 5.2 级联卷积神经网络模型 |
| 5.2.1 易混淆表情的分类 |
| 5.2.2 级联卷积神经网络模型的构建 |
| 5.2.3 低维特征信息的提取 |
| 5.2.4 高维混合特征信息的提取 |
| 5.2.5 级联卷积神经网络模型的训练和识别 |
| 5.3 基于聚类和卷积神经网络模型融合的表情识别 |
| 5.3.1 聚类算法 |
| 5.3.2 基于初始值固定的聚类算法 |
| 5.3.3 基于聚类和卷积融合的模型架构 |
| 5.4 仿真实验和数据分析 |
| 5.4.1 基于级联卷积神经网络模型的表情识别结果验证和分析 |
| 5.4.2 基于聚类卷积神经网络模型的表情识别结果验证和分析 |
| 5.5 本章小结 |
| 第六章 基于卷积受限玻尔兹曼机的混合迁移卷积神经网络模型的人脸表情识别 |
| 6.1 引言 |
| 6.2 新迁移学习算法的提出 |
| 6.2.1 迁移学习的四种情况 |
| 6.2.2 基于多次微调的迁移学习新方法 |
| 6.3 基于混合迁移的卷积神经网络模型 |
| 6.3.1 受限玻尔兹曼机模型 |
| 6.3.2 卷积受限玻尔兹曼机模型 |
| 6.3.3 CNN模型的预训练 |
| 6.3.4 混合迁移模型的构建 |
| 6.3.5 混合迁移模型的训练 |
| 6.4 实验验证 |
| 6.4.1 数据集描述 |
| 6.4.2 实验比较 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间发表的学术论文 |
| 攻读博士学位期间参加的科研项目 |
| 学位论文评阅及答辩情况表 |
四、易混淆的几种情况（论文参考文献）
- [1]埃及中高级汉语学习者易混动词偏误分析与教学策略[D]. 婉婷（AMINA ZAKARIA ABDELHAKIM ALI）. 青岛大学, 2021
- [2]对外汉语易混淆词教学研究 ——以《博雅汉语》准中级加速篇同素易混淆词为例[D]. 周容存. 山东师范大学, 2021
- [3]老挝中级汉语学习者易混淆词习得研究 ——以老挝新华学校为例[D]. 孙芳丽. 西北师范大学, 2021
- [4]“形成类”易混淆词的语义韵和对外汉语教学研究[D]. 高倩. 山西大学, 2021
- [5]“觉得”与“认为”、“感觉”、“想”的辨析和汉语国际教育教学建议[D]. 司蓝洋. 上海外国语大学, 2021
- [6]基于融合学习模型的文本描述刑事犯罪行为自动分类的研究[D]. 杨夕. 广西师范大学, 2020(05)
- [7]韦恩图在高中生物学教学中的应用研究[D]. 马玉芬. 贵州师范大学, 2020(12)
- [8]基于场景分类和商品检索的易混淆图像识别研究[D]. 雷宇. 北京邮电大学, 2020(04)
- [9]多信息融合的智能司法判决预测方法研究[D]. 刘宗林. 黑龙江大学, 2020(04)
- [10]基于卷积神经网络的人脸表情识别问题的研究[D]. 王莹莹. 山东大学, 2020(04)