文摘

国家繁荣、民族精神独立,文化自信和文化安全大大影响。这也是一个新时代的问题必须回答在建设社会主义文化的力量。科学在这篇文章中,我们定义了科举制度的核心概念,科举文化、科举文化遗产。我们系统地讨论科举文化遗产的内涵和外延,分析了正能量和科举文化的负面影响,提出了一种新型的考试文化建设体系,和创新的内容和形式的考试。我们进行深入研究现代价值的科举文化在文化的背景下信心,然后构造适当的评价指标,使用深度学习模型来评估价值。DBN的技术原理和性能优化方法,介绍了神经网络,然后科举文化的现代价值评价体系。DBN模型的参数优化选择实验。最优模型训练后,样本数据输入获得结果。结果与人类专家的评价结果来判断模型的性能。在许多情况下,结果非常接近,或专家一样的结果,在一些实验中,我们的模型的准确性不同专家的结果由一个小的利润率高达0.4%。

1。介绍

国家的兴衰繁荣,文化安全,和国家精神文化自信独立都有重大的影响。这也是一个新时代的问题必须回答在建设社会主义文化强国1]。科举制度是发达在遣隋使、遣唐使,宋、元时期,完善和明清时期的繁荣。它在中国历史上延续了1300年。有重大影响的政治,经济,教育,心理,行为,和古代中国和世界的文化,这是一个主要机构,塑造中国的文化自信,中国人民和中华民族。它被称为中国文明的最显著的特征之一,它构成了一个强有力的机构。系统最初开发招聘帝国政府官员,包括两个系统、科举制度和帝国军事考试制度。科举制度不仅是一种政治体系也是一个教育考试制度,这是密切相关的教育(2,3]。文化自信是一个更根本、更大的和更持久的自信以及核心软实力。考试系统由科举制度对国家是一个大事件来选择人才。是中国传统考试文化培养文明的发展过程中已经超过5000年。最内层的收集了中国人民的精神追求的文化基因检查,通过投资,其中包括自我发展的学者选择的文本,并寻求人才的国家。它代表了最独特的考试概念标识在中国,反映了中国人民的最基本的心理和行为特征,并加强的一个重要组成部分的文化自信的中国人4- - - - - -7]。科举文化和现代考试文化发挥了巨大的作用在促进经济发展和社会进步。只有深刻理解这种逻辑起点和它的现代价值,我们才能更好地实现科举文化的创造性继承和创新转型的考试文化,不断促进中国考试智慧力量和中国考试考试人类文明的进步。新的考试文化系统是关键的继承,创造性转换和创新发展的优秀的科举文化的一部分8]。科举制度是中国古代的文化软实力,和高考是现代中国的文化软实力。中国特色社会主义考试文化体系建立在它的领导下形成与发展。不懈斗争的全面发展的社会主义建设者和接班人的选择的道德、智力、体格,美丽,和劳工,他们已经扎根在中国辽阔的土地上,考试和文化吸收养分积累了中华民族的长期斗争,和从人类文明对人才的选择。学院的杰出成就,尤其是高考制度和文化,符合中国国情和产生深远的实践基础和广阔的发展前景9]。科举制度是中国历史上的重大事件,与科举文化已成为中国传统文化的基本组件和核心元素,所以它值得不断探索从single-disciplinary,多学科、跨学科的角度(10]。科举文化是科举的学科文化的来源,这是一个专门的研究领域或专业研究科举制度及其操作存在的历史,中国和其他东亚国家的历史。这也是一个应用边缘学科。新兴边缘交叉学科研究方法是研究对象基于人物,事件和科举的元素的操作规律。科举的学科文化的形成是与科举的建设密切相关。科举文化是文化建设的理论来源考试纪律,也是最基本的思考的一部分,知识,考试纪律的框架和方法(11]。考试主题文化考试属于亚文化的文化系统,及其形成的成熟的标志科举的科目。根据学术共识的原则,主题文化可以促进考试的主要学科领域的高质量的发展也影响考试科目的发展趋势和前沿的演变的考试科目(12]。科举文化的内在动机是发展成分支学科的研究领域,相关的学科,和相互融合形成交叉学科和边缘学科。它是一个重要方面,应加强其学科文化建设,最终促进科学、标准化和制度化的学科科举和考试通过学科文化的力量13,14]。我们国家的制度的发明,科举制度是由外国人高度赞扬,并包含极其丰富的机构文化资源和财富的智慧。例如,开放的精神,公平、正义体现的立法完善考试管理制度和严格的惩罚。这无疑具有普遍启示和参考意义在各个领域的公平和合理的制度建设。此外,科举制度,作为一种重要的干部选拔考试制度在古代,也有一个镜子对今天的考试改革的价值。现代考试,特别是大规模教育考试,还承担复杂和沉重的社会功能,和浪费影响整个身体的特点(15]。

我们应该认真学习经验和教训的废除科举制度,我们应该仔细考虑考试改革,谨慎行事。本文进行深入研究科举文化的现代价值在文化的背景下信心,然后构造合适的评价指标为价值评价使用深度学习模型。论文的主要贡献如下。

我们定义的核心概念,科举制度,科举文化、科举文化遗产和系统地讨论科举文化的各个方面,包括科举文化遗产的内涵和外延,科举考试的正能量和负影响文化、科举文化的现代价值。我们介绍科举文化的研究进展,然后提出一种新型的考试文化体系的建设,巩固文化考试科目的基础,创新的内容和形式的考试。研究介绍了DBN的技术原理和性能优化方法神经网络,然后构造科举文化的现代价值评价体系。DBN模型的参数优化选择实验。最优模型训练后,样本数据输入获得结果。比较的实现结果与专家评价结果表明,我们的模型的错误率很低,结果接近,或相同的专家的评估。

2。相关工作

自1980年代以来,已经有了一股文化思想和文化领域的讨论我国十多年。研究科举制度已经迎来了一个春天盛开的鲜花和进入一段连续的高潮。不仅每年出版的专著,发表论文的数量翻了一番,和研究生选择了科举作为他们的论文主题16]。由于解放思想和学术环境的放松,科举制度的研究空前活跃。文献[17)指出,1300年科举制度是一个一致的系统。作为一个考试制度,它在世界上是独一无二的,因为它早期的实现中,长期和巨大的影响。由于科举制度本身的因素,他顽强的生命力在封建社会。科举制度的历史作用的出现,应该确认完成,与繁荣。文献[18)认为,科举制度的历史作用和地位应该reunderstood和科举制度的功能和具体内容不应被混淆。系统本身而言,科举制度是值得的杰作的中国传统文化和中国历史上发挥了极其重要的作用。像其他传统文化的精华,科举制度的积极的部分是值得我们继承和发展的。文献[19)认为,科举集各种功能如文化遗产、教育监督、价值取向,资源分配,和社会监管,但最深远的影响是教育价值取向。国家选拔考试的监督功能的实现培训目标教育无法根除疾病。1990年代后,同时继续加强系统的检查和解释,许多学者开始关注科举制度的理论研究。文献[20.)做了一个深入、原始讨论清朝冠军从一个新的角度。作者用中观派史学的方法学习一段时间的科举制度和一组相关的数据和吸引了许多有价值的和令人信服的结论。

在21世纪,科举制度的研究持续升温,和科举制度的研究已进入“科举学”的学科阶段21]。以科举制度及其运作中存在的历史中国和其他东亚国家为研究对象,围绕这个研究对象,研究在不同层次进行了研究领域,形成了一个相对稳定的研究范围和内容。有些人在科举制度进行整体研究,和一些人行为研究科举制度在不同的代22]。更重要的是,科举制度的研究表明一个多学科研究的趋势,并有多学科研究科举制度在政治科学、社会学、文化研究、教育和文学(23]。近年来,研究方法的多样化和集成科举制度的突出。除了使用的方法比较全面,连接,分析、归纳,并验证,许多研究也通常使用统计和定量分析方法来研究地理分布、地理运动,社会流动性,和各级考试的规模及其录取率和其他问题24]。文献[25]发表了大量重要的文件在科举制度,先后承担多个国家级项目相关的科举制度,大大增强了科举制度的学术意识研究和科学研究成果的学术价值。有不可分割的科举制度和文学之间的关系,及其对文学的影响也是多方面的。从研究内容的角度来看,学者们的研究主要集中在examination-style研究、文学研究、和八股文研究[26]。的深化研究科举制度,科举制度的文化研究已逐渐引起了世界的注意。文献[27,28]阐述了科举制度的起源,其与中国文化的关系的历史演进,对学者社区及其影响。的基础上,充分吸收前人的研究成果,深入挖掘史料,使用垂直和水平的组合方法。的纵向研究方法探讨了课程改革科举制度和水平探讨了文化因素的科举制度的衰亡。文献[29日]是一个全面的角度科举制度从“大文化”的角度开辟了新的视野。人们试图把“科举制度”和“文化”在一起形成一个“科举文化的新研究领域。“参考(30.)指出,科举文化作为一个整体文化,广义上说,指的是概念,系统,和物质形式的文化与人才的选拔考试。是遵循“一致性”的政治理念和价值观的学习最好的办法是作为一名官员,与公平竞争、平等选择最好的作为其基本原则。在1300年科举的实践,它有文化现象,如艺术、历史、集成和民间传说中,大量的文物科举文件和其他相关材料积累。

3所示。方法

我们建议的方法是基于深层信念网络(DBN),它可以被视为一个堆放很多元的组合。模型的特性学习发生在pretraining阶段,而其重量和偏见的教练的指导下调整微调阶段。本节讨论DBN-based模型,其训练过程,详细参数测定。

3.1。DBN-Based短期交通流预测模型

3.1.1。限制了玻耳兹曼机

DBN可以视为一堆限制玻耳兹曼机结构遏制。疟疾是一个两层的底层组成的无向图可见层和上部隐藏层。其结构如图1。略不同于经典的玻耳兹曼机(BM),遏制只有层之间的联系,没有一层内的神经元之间的连接。这减少了神经网络的大小和简化了训练过程,有利于实际应用。遏制速度比BM是由于限制的节点之间的连接。是表达编码任何分布,计算效率和提高性能(31日,32]。

在v表示组可见层中的神经元在遏制,隐层神经元的集合用吗h,而v_我和h_j是在可见层和隐层神经元,分别。米和n是数量的可见层和隐层神经元,分别。假设每个神经元在遏制满足二项分布,也就是说,∈{0,1}h_j∈{0,1}。每个神经元的激活函数σ(x),通常是乙状结肠函数选为激活函数,及其数学形式

当一个神经元状态设置为1时,神经元被激活。疟疾是一个能量模型的能量函数可以表示为 在哪里之间的重量吗我显示层和th神经元j在隐藏层神经元,的偏见我th显示层中的神经元的偏见是j在隐层神经元。 , ,和遏制的参数需要学习,这三个参数表示为 ,也就是说, 。

据统计力学的原则,神经元状态(v、h)联合概率分布函数如下: 在哪里是一个规范化的因素,也被称为配分函数。

同样,其他联合概率和条件概率分布函数也可以这样表达:

联合概率分布是由遏制的能量方程,然后其条件概率分布函数,它奠定了基础组织遏制的训练算法的描述。

3.1.2。遏制训练过程

遏制的训练目标是使其结构参数最适合训练数据,这个过程是通过调整参数来完成的θ遏制。在实际应用程序中,参数的确定,最大似然估计的方法通常是使用,由发现意识到似然函数的最大值。所构造的似然函数如下: 在哪里是训练样本的数量在训练数据集和吗神经元的状态显示层对应于某事训练样本,即神经元的状态显示层的时候年代训练样本输入。

似然函数的偏导数的参数可以获得其梯度值:

的梯度更新过程t步骤可以表示为 在哪里是学习速率。

一般来说,为了防止训练过程陷入局部最小值,解决之间的矛盾训练的收敛速度和训练过程中,动量法通常用于训练的过程,也就是说,当更新添加动量因子梯度。因此,(6)可以转化为以下形式: 在哪里是动力因素。

以上是遏制训练的基本过程。然而,在计算梯度时,发现第二项括号很难直接计算。在迭代过程中,每个计算这个项目需要遍历所有的状态明确的层和隐藏层,这对计算过程无疑是灾难性的。为函数,很难直接计算,我们可以用采样值近似相反,它使用吉布斯抽样方法。采样值采样得到的目标函数,以及采样值是用来代替期望值。如果标准吉布斯抽样方法用于样品目标函数,获得每个样本序列后,预热序列中的部分需要被删除。就是说,在马尔可夫链达到稳态分布,它将需要一些时间来准备,这将影响到系统实际应用的效率。为了解决这个问题,一个k-step对比差异可以使用(CD-k)算法。CD-k算法可以被视为一种进步吉布斯抽样方法。在吉布斯抽样算法,随机初始值设置,以便马尔可夫链的有限数量的状态转换需要达到稳态分布。 In the CD-k algorithm, the input sample value is directly used as the initial value. Since the initial value obeys the target distribution, the Markov chain converges at the beginning, that is, the stable distribution is achieved, which saves a lot of time. After that, the desired sample value can be obtained after onlyk抽样的步骤。通过抽样过程,期望值所取代,因此遏制疟疾的参数值可以被更新。

遏制的训练过程可以被看作是重建的过程和由显式拟合输入数据层。遏制培训的效果可以通过重建误差评估。重建误差可以描述如下: 在哪里输入样本的数量和吗是显示层中的神经元的数量,也就是说,输入数据的维数。输入值的吗k在相对应的显示层神经元年代th输入样本和代表其重建价值。

3.1.3。深度信念网和训练过程

DBN是一个典型的nonconvolutional网络可能被视为许多遏制的叠加组合。有r遏制的DBN, RBMr RBM1编号。或者,DBN可能被认为是一个输入层,一个隐藏的r-layer。隐藏层派生数据从输入样本数据特征,而输入层接收数据样本。浅网络相比,DBN优越在识别和提取数据特征。从底部到顶部,DBN提取数据特征。为了得到最具代表性的数据特性,降低疟疾的输出发送到更高的遏制和特征提取反馈到较低的遏制。DBN的深度决定了它的特征提取能力,但遏制的层数取决于具体情况。用少量的数据的数据集,太多的层可能会导致过度拟合(33- - - - - -36]。

DBN培训过程中,有两个阶段:分别pretraining阶段和调整阶段。Pretraining是火车遏制一层一层地从下到上,这样每一层培训期间遏制收敛到局部最小值。在这一步调整网络权值,所以,模型的训练过程可能收敛于其全球最低。BP方法用于这一目的。Pretraining和独立执行微调,微调阶段需要使用Pretraining阶段的结果。深层神经网络,训练方法pretraining和微调可以达到良好的培训效果,和pretraining可以解决梯度消失和局部最小值的问题在一定程度上。(1)Pretraining阶段:Pretraining阶段是一个重要的阶段在整个培训过程中,和功能学习主要发生在这个阶段。pretraining阶段的目标是优化模型参数来完成数据的重建。pretraining过程可以分解为培训疟疾。当RBM1培训完成后,其输出值作为输入值RBM2 RBM2完成初始化。之后,RBM2的输出值作为输入值后的RBM3培训完成。等等直到RBMr培训完成。Pretraining是一种无监督训练方法,不需要构建训练样本时添加标签。(2)微调阶段:在微调步骤,模型的权值和偏差调整的指导下教练为了得到参数尽可能接近全局最优。BP方法广泛在微调步骤中,和一个输出层生成的输出结果。由该模型结构r+ 2层的神经元,其中包括一个输入层、一个r隐藏层和输出层。

数据集在微调阶段来标示 ,年代= 1,2,…,年代,那么误差函数形式: 在哪里是在输出层神经元的数目L^{r + 2},和是真正的k值和输出值的神经元对应于某事样本,分别。

根据梯度下降算法,重量和偏见更新根据以下流程: 在哪里的重量吗j神经元的L^u层和我神经元的L^u−1层的t一步,≤2u≤r+ 2。的偏见j神经元的L^u层的步骤t。和的动量因子和学习速率调整阶段,分别。的输出值是我神经元的L^u−1层的样品 。

3.2。模型参数的确定和性能优化

3.2.1之上。参数确定

培训的质量数据和预测的准确性直接关系到预测模型的参数选择在训练。训练参数包括隐藏层的数量,输入层神经元的数量,并在每一层隐层神经元的数目,以及CD-k算法和BP算法,它们相互结合使用。pretraining和微调阶段,参数,如学习速率、动量因子,等等,必须建立。对模型参数的调整,目前缺乏理论指导。在实践中,通常是使用试错方法结合的经验参数调节器,即,首先设置一个初始值参数根据经验,然后调整每个参数。当调整某些参数,其他参数应该是固定的。当使用试错法来调整参数,要注意参数的顺序调整,和相关的参数模型结构可以调整。

3.2.2。性能优化

(1)局部最小值的问题:深层网络执行梯度下降时经常遇到局部最小值问题。培训过程可能在局部最小值的振荡,增加培训时间,甚至影响收敛。局部最小值的问题,附加动量法通常用于解决它,一直在前面提到的描述。摘要动量方法添加到DBN的训练过程。添加梯度更新之前的时间点重量更新过程可以有效地避免陷入局部最小值的训练过程。(2)梯度消失的问题:当使用BP算法训练网络,误差反向传播的过程中,网络的底层的梯度值相对较小,重量和偏见的更新速度是慢于上层,导致底层的培训不足,这种现象被称为梯度消失。梯度下降的过程中,使用乙状结肠函数作为激活函数是容易梯度消失的问题。当网络执行梯度更新、导数需要不断增加。因此,网络的梯度值从上到下将变得越来越小,导致梯度消失的问题。pretraining和微调的训练模式可以在一定程度上缓解梯度消失的问题。但要想从根本上解决它,ReLU函数需要使用。它可以看到从ReLU函数的表达式,当自变量的值是正的,它的导数值总是1。因此,如果ReLU函数而不是乙状结肠函数作为激活函数,可以从根本上解决梯度消失的问题。培训过程中DBN, ReLU函数作为激活函数。(3)过度拟合的问题:过度拟合问题的解决方案包括正规化,辍学,数据集,等。通过比较分析,本文选择了辍学的方法来消除过度拟合现象。在第四章给出了具体的实验结果。

3.3。评价指标的科举文化的现代价值

现代价值评价的基本原则的科举文化是一种独特的创造性活动。因此,这种创新行为与高度重叠的评估知识和信息必须仔细识别并确定基于科学合理原则,确保想象力和创造力的科举文化不被评价的负面影响。(1)价值中立的原则:最常用的评价方法为cross-science或跨学科研究在世界同行审查和文献计量方法,也是两个评价模型以相对中立的价值。由于评审专家的能力和主体性等因素,竞争带来的整合生产、教育和研究,和得分和投票赢得更多,同行审查也可能损害的公平性和有效性评审,形成一个“马太效应”或一个熟人网络,高级专家越多,他们就越有可能不同意新兴交叉或跨学科研究。文献计量学有其自身的局限性,如不同学科的不可比性,不同国家的科学研究能力的不平衡,和新兴的局限性或小学科及其研究人员。因此,它的客观性是相对的。为了保持价值中立,成熟学科的定量方法不能用于评价科举文化等不受欢迎的学科。(2)功效延迟的原则:学术研究、人才培养、阶段性和滞后效应。评估的质量和有效性研究范式或研究方法不应限于不管是古代还是现代,中国或外国古典或新。相反,它应该是否适用于研究对象,以及其应用程序有效地促进深化或扩张是否学术界的研究对象的理解。这一原则也适用于判断的影响跨学科研究方法应用于科举文化的现代价值。评估的科举文化的现代价值,各种直接或间接的方式可以考虑改善的有效性评价标准。(3)可持续发展的辩证原则:自然和社会现象的进化一样,科举文化的现代价值也有一个进化过程。科举文化的现代价值的研究并不是一个静态结构,而是一个动态扩展,持续存在,可能是不可预知的,nonrepetitive。其发展是生活,生活丰富创意和演化过程,不仅是稳定与科举的历史还有机地与现代考试。这是一个不断进化和综合集成的许多元素。因此,我们应该评估科举文化的现代价值从发展和辩证的角度来看。基于上述原则,本文构建的评价指标体系科举文化的现代价值,如表所示1。

4所示。实验和分析

4.1。数据样本

我们构建了一个数据集是基于科举文化的现代价值评价指标体系在第三节。数据的数据集包括1600套,其中1440集作为训练集,其余作为测试集。

4.2。性能优化测试

为了解决过度拟合问题,本文选择了辍学的方法来消除过度拟合现象。图2的比较图表DBN模型的训练效果之前和之后添加辍学。在这篇文章中,辍学比例设置为0.1,也就是说,每一层的神经元是随机下降10%的网络。添加辍学之前,经过300次迭代,模型overfitted和训练误差小于测试误差。添加辍学之后,训练误差和测试误差大约200次迭代。可以看出,辍学的方法可以有效地解决过度拟合的问题,以便获得一个模型泛化能力较强。

4.3。模型参数确定

模型参数的确定,目前缺乏系统理论的指导,并结合实证法和试错法通常采用。第一组根据经验模型的初始值,然后固定其他参数不变,手动调整参数,等等,直到所有参数调整,使培训过程顺利收敛。在输出层神经元的个数的DBN模型设置为1,这是评估价值的科举文化的现代价值。获得的结果在图所示3。可以看出,当隐层神经元的数量是8,MSE是最小的。因此,隐层神经元的数量为8。

学习包括学习速率λ_p在pretraining阶段和学习速率λ_f在微调阶段,分别调整。在pretraining阶段,λ_p共享所有遏制,其参数调整范围是[0.2,1.0]。的参数调整范围λ_f(0.2,3),调整步长是0.1。学习速率的影响误差如图4。作为λ_p增加,误差逐渐减小。当λ_p大于0.8,误差略有增加,所以呢λ_p设置为0.8。错误的值的变化趋势λ_f类似的λ_p,最后的价值λ_f设置为2.5。动量因子的调整过程是相似的。

迭代的数量应该设置不仅要满足系统的稳定收敛的条件也使尽可能小的迭代次数减少训练时间。迭代次数的影响在微调阶段错误如图5。误差逐渐减小随着迭代次数的增加,最后的迭代次数设置为1000。相同的方法可用于pretraining阶段,在最终的迭代次数设置为200。

4.4。模型评价结果的比较

为了证明DBN模型的准确性提出了评价的科举文化的现代价值,本文比较模型的输出结果与专家评价结果,如表所示2。可以看出,模型的输出非常接近专家的评价结果。在我们的许多实验中,获得的结果是一样的专家评估,或非常接近。在一些实验中,我们注意到一个小的差异达到0.4%。模型误差小,性能优越在评估科举文化的现代价值。

5。结论

时间是飙升的历史,和公平的选拔人才将永远持续下去。“和谐”的文化,2000多年的文化一千多年的科举制度使考试文化基因。中国现有的考试制度不仅是最公平的学生选择和教育资源分配系统在这个阶段,但也有一个非常深刻和广泛的为科举文化的基础。科举文化和考试文化的灵魂是人才选拔系统,如古今中外考试。代表中国传统文化遗产必须维护和管理,同时研究和使用这些资源必须得到加强。本文进行深入研究科举文化的现代价值的文化自信,然后构造适当的评价指标,使用深度学习模型来评估价值。我们介绍科举文化跨学科的研究进展的利用价值和现代科举文化和介绍的技术原理和性能优化的DBN神经网络方法。我们构建科举文化的现代价值评价体系和优化选择DBN模型的参数通过实验。与专家的评价结果相比,DBN模型提出了具有优越性能的评价科举文化的现代价值,出错率低。我们使用的数据集是小规模和大规模数据集将会给更多的见解的性能模型。 We intend to extend our work by using a large-scale data set, big data analytics tools and different other deep learning algorithms to be able to handle large volumes of data.

数据可用性

在当前的研究中使用的数据集是可从相应的作者以合理的要求。

的利益冲突

作者宣称没有利益冲突。

确认

谢谢马会员(伦敦大学学院,sse)对她的帮助和支持。