2013年第一期保健总结[全文5篇]

第一篇：2013年第一期保健总结

2012学年第一学期保健保育组总结

BYB.JMP---01--2012

时间过得真快，一个学期即将结束，在上级领导和园分管领导的关心、支持下、班级老师的配合和保健室各位成员的共同努力下，卫生保健工作如期完成了学期初的工作计划。以下是本学期的工作总结。

一：保育

1、本学期保育工作在学期初按园务计划的要求，本学期全园的环境合格率达

到了100%，环境优秀率达到了70%。

2、本学期保育业务学习了《户外活动中的保育工作》、《冬季幼儿的保健常识》、《洪水过后对饮食、消毒、预防疾病的主要事项》、《冬季饭菜如何保温的管理》。

3、本学期保育老师分别以年级组为单位举行了保育技能比赛：小班年级组开展了穿衣服比赛；中班年级组开展了讲故事比赛；大班年级组开展了折纸比赛。夺得年级组魁冠的分别是小二班李元秀老师、中六班的林方老师、大一班周英君老师。

4、由于本学期是很特别一学期，国庆期间宁波遇到了前所未有的台风“菲特”侵袭，使我园小班班级遭到严重的水涝，6个班级幼儿和教师的用品受到损坏你，为了使幼儿园财产损失降低到最少，保育老师在园领导的带领和指挥下，一个个忘记了自己并不年轻的身躯，毫无怨言带头扛起了笨重的东西在水里一趟一趟的来回搬动着东西，使受淹的物品移到干燥的地方后马上进行整理清洗和消毒，为幼儿园早日恢复开学做了前期的准备。对我印象比较深的是在一次从4楼搬床到一楼，由于一时没有想到门口的把手，搬到门口的时候速度太快了，把手碰到了卢维波老师的腰，可想而知当时卢老师痛的哎呦一声，就没法动了，在别的老师搀护下到医务室进行了简单的处理后，当时正是幼儿中餐的时候，卢老师忍着疼痛马上到食堂拿饭菜去了，这就是我们年过半百可亲可敬负责的保育老师。还有很多老师每天默默无闻的保育工作，不能一一说出他们的名字，在这里我要提一下中一班保育老师，前段时间班级里老鼠猖獗，每天把幼儿的被子弄坏，每天冯老师都要为幼儿清洗整理好被子给幼儿中午睡觉 二：卫生保健

1、对于每天晨检工作，不管刮风下雨，我们保健医生每天坚守岗位，由于今年幼儿园在改造的特殊时期，我们克服了两个地方晨检的不便，早班医生每天7:30前就站到单位门口，对小朋友做好“一摸、二看、三问、四查”严格的晨检工作，尽量不漏查一个幼儿，发现异常或传染病情况做到及时隔离与治疗，阻断了传染病蔓延。

2、对患病儿我们将随时进行观察，按时喂药；及时了解班级幼儿的健康状况、与班级共同做好生病幼儿的全日观察记录、发现问题及时汇报及时处理，坚持晨检与全日观察相结合，并做到有记录、有分析、有措施。

3、由于上级部门非常重视幼儿年龄段的身心发展健康，幼儿的体检都是按幼儿生日去医院去检查，由于有些家长不是很重视幼儿的体检，增加了保健部门很大的工作量，拿到健康档案本后没有及时去医院体检，我们每月在无数次发短信及书面通知家长及时体检，总算收回了今年体检幼儿的健康档案本。积极配合上级卫生保健部门做好疾病的防治、防疫工作。全面做好10月份洪水后的班级消毒工作。配合了区妇保所进行了幼儿防龋齿慢性疾病工作，确保幼儿健康、快乐地成长。由于人为因素无法控制的因素，本学期在11月份中四班发生了2例手足口病，在进行了一系列的消毒和预防措施和班级老师的配合下，病情很快的得到了控制。

4、卫生消毒工作

继续坚持卫生消毒制度，对于毛巾、茶杯、玩具、被褥、图书、空气等进行严格消毒，做到一人三巾一杯制，坚持幼儿餐具每餐进行消毒，每天多次开窗通风，以保证空气清新洁净，并定期进行空气消毒，床单被褥在天气好的情况下做到每周带回家清洗暴晒一次、环境卫生做到一周一大扫，每日二扫或拖抹二次；餐具餐餐消毒，玩具积木、各种物品定期消毒，责任到人，责任到班，从而大大提高了我园卫生消毒工作质量，预防和控制了传染病的发生。

在保健部门和班级老师共同努力下，幼儿的出勤率一直很高，全园平均出勤率为 96 %。大班年级组平均出勤率为96.9；中班平均出勤率为96.6%；小班平均出勤率为95.1%%；全园幼儿的发病率平均1.25%，传染病发病率为0.3%。

5、幼儿膳食：

为了提高幼儿菜谱的质量与花色品种多样化，三个园区由每个保健医生每周轮流制定一周菜谱，然后总园进行统一的调正配荤素搭配，营养计算，保证幼儿每天有足够的营养素的摄入，经常厨师协商，在厨师的配合下，烹饪质量及色香、味有了很大的提高，让幼儿吃好吃饱，班级午餐反馈好评率为99.3%，每月召开膳食会商量协商，讨论改进措施，广泛听取各园区教师、厨师、家长的意见与建议，及时调整幼儿的菜谱花色，本学期继续在豆浆上的基础上进行每周一次花色豆浆及牛奶，每周向家长公布幼儿带量食谱，让家长评价孩子在园的膳食，增加了幼儿膳食的透明度。

6、加强幼儿安全工作

在幼儿园一日生活中，我们在做好各种卫生保健工作的同时，十分重视安全教育，本学期在班级老师努力下无一例安全事故发生。

7、卫生宣教

根据季节和发病情况，定期宣传卫生保健知识，宣传育儿、护理等保健常识。本学期刊出了《秋季幼儿注意事情》《秋季预防发病小常识》《秋季幼儿保健小常识》《秋季幼儿易得哪些病》《秋冬季节的幼儿保健》《冬季幼儿正确睡姿》卫生宣传文章。并发到幼儿园网站

8、体弱儿的管理

幼儿体弱儿个案的管理是保健部门一项重要的管理工作，个案的名单一开学保健医生对新入园的新生，去班级询问老师及结合班级调查表把哮喘、贫血、支气管炎、反复呼吸感染等疾病建立档案后进行个案管理。肥胖儿在期初测量身高体重中得出，进行个案跟踪管理。每月进班级询问幼儿发病情况，进行个案分析，配合每月的身高体重测量并分析，及时向班级与家长反馈。

班级老师做好在园的日常起居管理工作,对肥胖儿午餐适当的控制，要求老师对肥胖儿午餐前要先吃汤、控制吃饭的速度、适当控制饭量等可以有效的控制体重的措施，增加运动量。要求家长幼儿在家不要吃或少吃高脂、高糖饮食、少吃零食和碳水化合物的饮料，餐前先吃汤、入睡前1小时不能进食、加强体育锻炼，如慢跑，打球、游泳等有氧运动。经过一学期来对家长提出幼儿在家的饮食运动等要求和意见及在园一日活动中运动、餐点等有针对性的干预措施。本学期初有24名肥胖儿，期末经过体重测量和评估新增1 名肥胖儿，有 3个转为正常，实际增加 1名，对幼儿体检中发现的疾病缺点及时与家长进行沟通进行规范矫治，疾病矫治率达100%。本学期我园视力不良幼儿22个，我们每二个月进行视力复查，在家长和学校的共同努力下，本学期无一例幼儿发生贫血。

本学期体能测试技能优秀率为88.7%，合格率为92.6%，不合格率7.4%。

体能优秀率92.6%，合格率100%（全园平均率贝贝班未参加）。

9、加强家园联系

为了让家长积极配合学校做好卫生保健，我园通过告家长书、网络、手机短信让每位家长知晓幼儿卫生保健工作的重要性，从而能积极配合幼儿园做好卫生保健工作。

10、努力的方向

回顾这一学期的保健工作，有工作收获也有工作不足，如体弱儿，肥胖儿的工作有待我们继续加强努力，下学期，希望在全体老师的共同努力下，各类传染病预防工作更加完善，使传染病发病降到最低。

2014-1-13

宝韵幼儿园保健室

第二篇：保健总结

卫生与保健工作总结

文殊镇中心小学 夏婷婷

一学学期的卫生保键工作结束了，静下心来回顾在这一学期的工作，在各级领导、校长的正确领导下，经过全体师生的共同努力下。作了大量细致的工作，现将卫生保键工作汇报如下；

一、防近工作

保护学生视力，尤其抓好学生近视防治工作是卫生保键工作的一项极其重要而又繁重的工作。根据教委要求，利用班会向全校师生进行有关防近知识讲座，要求每个人认真收听，做到了解保护视力的重要性，自觉的养成良好的用眼卫生习惯，要求每位教师随时纠正学生的读写姿势，学生之间互相提醒，自己有意识的养成等。

另外，利用课余时间对各班卫生员进行培训，充分发挥小卫生员在班级里的监督作用，使其防近工作尽善尽美。每天利用眼操时间对学生的眼操穴位进行纠正和指导。使学生提高了防近的认识，起到了爱护眼睛从现在做起的作用。在普查视力中对视力不良的学生让其班主任了解在作位上进行调换，在读写姿视上加以强化，并与其家长联系让学生在家也要重视预防近视，使得防近视工作得以顺利进行。

二、传染病防治

自开学以来，我校、市疾控中心和文殊镇卫生院作了大量的传染病防治宣传工作。

首先，我校对学生进行晨、午检，密切注意学生的身体变化，要求零报告制度，贯彻班主任初查，校医复查的两级晨检把关制度，责任到人，记录详细、及时发现、及时报告。

2、加强环境卫生管理，做到日扫日清，无卫生死角，教室达到窗明几净，四壁无灰尘。

3、教育学生加强个人卫生的清洗。建立小卫生员日检查，卫生室抽查的制度。

4、加强教室及教学楼的通风，指定专人管理，经常开窗通风，保持室内空气的新鲜。

5、加强宣传，利用宣传手册向学生进行宣传传染病的危害及预防。让每位学生知道、了解、掌握一些常见传染病的预防知识和方法。

6、发放传染病防治宣传单，保证学生人手一份。

四-六月份我校参加了文殊镇卫生院和中心组织的学生体检及“如何防治传染病”的讲座活动，在活动中由校领导亲自安排，校医负责，对学生、教师较全面的就各种传染病的发病症状、诊治渠道、传播方式、预防方法进行详细的宣传。使宣传工作得到了师生的认可，受到了家长的好评。

进入四、五月流感和水痘高发期，跟据学校传染病预防应急方案。确定领导组织，建立健全各项宣传教育制度、晨检制度、消毒通风制度和报告制度等。每天有专人负则通风，每2天进行一次消毒。坚持把好晨检关，做到早发现、早报告、早隔离、早治疗。对晨、午检中发现的发热并达到37度5以上，伴有明显流感样症状（咳嗽或咽痛之一）的学生进行隔离并通知家长接回治疗，直到症状消失，体温正常解除隔离。解除后由就诊的医院或驻校医生出具健康证明方可复课。

三、保键工作

卫生保键工作是复杂的、艰巨的、责任重大的。是一项牵一发动全身的工作，每一项工作都要全校师生参于的，每一项工作都是关系到师生的键康。既不同于医院的医生，又不同于卫生防疫部门的医务人员；即管预防又管治疗，肩负则着长身体、长知识的特殊人群的保键工作。针对这一特点；

1、利用班会课向学生讲解一些常见病的预防，用灵活多样的教学手段，使学生在看看、听听、说说中轻松地学到了卫生保键科普知识。从而养成好的卫生习惯，增强学生的键康意识和自我保键能力。

2、利用市疾控中心向学生发放预防近视和传染病防治手册，使学生对卫生保键有了更进一步的认识。

3、腿、手磕破一块在成人眼里不当回事，可在现在的孩子眼里那可是大的事了。在操场上玩不注意安全磕破、卡坏的学生很多，一天之内就有十几名学生来卫生室上药，无论创伤深浅、轻重，学生都带着很痛苦的表情，少则1-2人搀扶着来，多则十来人扶着跟着一名学生来。

四、今后努力方向

由于每一项工作都按上级要求做了大量细仔工作，完成了各项任务。今后在工作中发扬优点克服不足，争取更大的成绩。

第三篇：保健总结

2016年下学期幼儿保健工作总结

这学期结束了。首先感谢在全体教职工的支持配合、团结一致的积极工作下，促使我在自己的保健工作有了进步。为了以后能更好地提高保健工作质量，现将本学期工作做以下简单的总结：

一、学期中坚持保教并重

从开学到学期结束托儿所的卫生保健工作一直都贯入到了一日保教活动中去的，使托儿所的卫生保健工作得以正常开展，结合春夏季季节特点开展多种形式的体育活动，各班根据幼儿年龄特点每天坚持开展体育、户外游戏活动。

二、严格做好晨检、全日健康跟踪检查工作

1、本学期坚持严把晨检关。托儿所严格按“一摸、二看、三问、四查”来进行；并杜绝危险品的带入，晨检时有疑问是及时向家长了解幼儿在家的健康情况。

2、对患病儿我们将随时进行观察，做好记录，按时喂药；及时了解班级幼儿的健康状况、协助班级共同做好生病幼儿的全日观察记录、发现问题及时汇报及时处理，坚持晨检与全日观察相结合。

三、加强卫生消毒工作

制定消毒记录是非常必要的。因此我们坚持卫生消毒以及隔离制度，对于毛巾、玩具、图书、空气等进行严格消毒，每天一早打开门窗，以保证空气清新洁净，并定期进行空气消毒，塑料玩具每周用消毒水浸泡消毒并日晒一次，环境卫生做到一周一大扫，早晚各小扫或拖抹一次；便所和清洁工具每周用消毒水浸泡一次等，并严格对照制度做好各种消毒工作登记，做到：玩具积木、各种物品定期消毒，责任到人，责任到班。

四、学期以来的防病措施 本学期，每日为幼儿提供清洁安全的生活空间，尤其是在预防手足口和流感工作方面，积极采取有效措施，对缺席幼儿进行，了解缺席原因，对患感冒、发热的幼儿作好观察隔离工作，并主动向家长做好解释工作，取得家长的配合。

五、加强家园联系

为了让家长积极配合学校做好卫生保健及安全工作，托儿所通过告知家长书、电访等形式开展一系列的家长活动，加强家园合作，使家长掌握科学的育儿知识及常用卫生保健知识，让每位家长懂得幼儿卫生保健工作的重要性，从而能积极配合我们做好卫生保健工作。

以上是我对这学期的保健工作总结，在这一学期里,我深知还存在有许多问题，在以后的工作中我学会早发现，早处理，不断的学习，不断进取吧！

周光珍

2016.7.27

第四篇：第一期学习总结

学习记录

时间：7月26日至8月2日 学习内容概述：

1、学习周志华《机器学习》前6章的内容。

2、通读英文文献《Extreme Learning Machine》和《Outlier-robust extreme learning machine for regression problem》

学习笔记

1机器学习第一章：绪论 人类具有学习的能力，我们可以通过对经验的利用，对新情况做出有效判断。机器学习就是对“学习算法”的研究，通过“学习算法”，我们可以让计算机通过经验数据，来生成一个“算法”的模型。而算法的作用是在我们输入一个新样本时，能够自动输出其对应的预测值，也就是预测新样本未知的“标记”。而算法适用于新样本的能力，就称为“泛化”能力。

学习可以进行分类。

1、若预测值为离散值，则此类学习为“分类”；若预测值为连续值，则此类学习为“回归”。

2、训练数据有标记信息，此类学习为“监督学习”，否则为“无监督学习”。

由于学习过程总是基于有限样本来进行训练的，那么就会出现多个假设都能与训练集都表现一致的情况，我们将这多个假设的集合称之为“版本空间”。为了得出确定的学习结果，学习算法在学习过程中就必须具有对某种类型假设的偏好，即“归纳偏好”。这个“偏好”在具体的学习算法中是如何体现的？

2机器学习第二章：模型评估与选择

我们把学习机实际预测输出与样本的真实输出之间的差异称为“误差”。其中学习器在训练集上的误差称为“训练误差”或“经验误差”，在新样本上的误差称为“泛化误差”。

训练误差为零的学习器，通常并不是一个好的学习器，因为其很可能出现“过拟合”的问题，即把训练样本本身的一些“特点”当做潜在样本的“性质”进行学习。反之，未能充分学习训练样本的“性质”，则会导致“欠拟合”的问题。

我们希望的是学习器的“泛化误差”尽可能小，在实际应用中，我们常以测试集上的“测试误差”作为“泛化误差”的近似。故对于数据集D，我们需要对其进行处理，从中产生出训练集S和测试集T。（原则：测试集应该尽可能与训练集互斥。）常用方法有留出法、k折交叉验证法、自助法（内含分层抽样和多次试验的问题）。

1、留出法就是简单划分。

2、交叉验证法，（p26页图2.2.）

将D划分为k个相同数量的子集，将k-1个子集用作训练集，1个子集用作测试集，然后不断更换作为测试集的子集，进行k次训练和测试。

3、自助法

假设D中包含m个样本，有放回地从D中采样m个样本放入D’中，将D’ 作为训练样本，根据概率会有接近36.8%的样本未被抽取，这一部分未被抽取的样本就作为测试集。自助法在数据集较小的时候作用很大。

但在学习算法确定后，我们还是要利用数据集D进行重新训练。

找好S和T后，我们就需要找到对测试进行评价的标准，就是“性能度量”。回归任务中最常用的性能度量就是“均方误差”。而分类任务（二分类为例）中，我们可以使用错误率、精度、查准率、查全率、ROC曲线、AUC曲线等来进行度量。

1、错误率、精度，略。

2、查准率P与查全率R。

TPTPPR，P与R是一对矛盾（大体上负相关）的度量。

TPFPTPFNP-R曲线是以P为纵轴，R为横轴作的图。“平衡点BEP”是查全率=查准率

2PR时的取值，可以作为比较的标准。更常用的还有F1度量，F1，考虑

PR到侧重点不同还有F1的一般形式F。（见p32页）

当遇到需要综合考虑多个二分类混淆矩阵时，比如多分类任务的两两类别组合，则需要考虑“宏F1”和“微F1”的概念（见p32页）

3、ROC曲线，以及AUC值。ROC 曲线纵轴是“真正例率”TPR，横轴是“假正例率”FPR。

TPFPTPRFPR，AUC为ROC曲线下各部分面积求和，反映TPFNTNFP的是样本预测的“排序质量”。

当然现实中也会出现不同的错误类型，造成不同代价的损失，所以我们可以为错误赋予“非均等代价”。在“非均等代价”下，我们希望最小化的不再是错误次数，而是“总体代价”。（见p36式2.23）

对单个学习器进行评价，我们假设测试样本是从泛化错误率为的样本总体中独立采样而成，求测试错误率为的概率，那么可得这种情况符合二项分布。那么反之，我们可以通过“二项检验”来对的假设进行检验。如p39页所示，可以根据测试错误率推测泛化错误率的大小和取该值的概率，每一个（显著度/置信度）对应一个临界值。这是单一测试错误率的性能测试方法。

当我们有多个测试错误率时，我们可以采用“t检验”法，进行检测。（明白用法，原理不明，需要重新学习概率论相应部分的内容）对于两个学习器学习性能是否相同，我们可以利用交叉检验t验证，也需要用到概率论相应内容。

3机器学习第三章：线性模型

线性模型试图学得一个通过属性的线性组合来预测的函数。“线性回归”试图学得一个线性模型以尽可能准确地预测实值输出标记。基于均方误差最小化来进行模型求解的方法称为“最小二乘法”。在线性回归中最小二乘法就是找到一条直线，使所有样本到直线上的欧氏距离最小。（p55中当样本由d个属性描述的情况下的矩阵求导运算不能读懂）

那么推广开来，我们可以得到“广义线性模型”，即考虑单调可微函数g(.)（称为联系函数），令yg1(wTxb)。前面谈到了如何用线性模型和处理回归问题，那么如何利用线性模型来处理分类问题呢？最理想的分类模型是阶跃函数，但是我们为了满足可微的条件，我们可以采用“对数几率函数”来替代阶跃函数。（关于p59页最优解的概率分析不明白；3.4中p61至p63的矩阵运算不理解）

在前面的学习中，我们大多讨论的都是“二分类”的学习器。面对现实中的多分类问题，我们可以要学习如何将多分类问题拆解成二分类问题。经典拆分策略有“一对一”、“一对其余”、“多对多”，OVO和OVR分类示意可以参考p64图3.4。MVM的正反类构造需要特殊设计，比如最常用的“纠错输出码”ECOC。编码、解码过程参考p65的图3.5，可能预测的编码不属于任何一类，即“出错”，但只需找到最接近的一类将其归入，这就是“纠错”的过程。

前面的分类都有一个共同的基本假设，即不同类别的训练样例相当。但是现实中“类别不平衡”的情况，即分类任务中不同类别的训练例数目差别很大的情况。这种情况下利用原始数据进行训练，可能让学习机将所有样本都分为数量上占绝对优势的一类来降低训练误差。特别若是训练集是真实样本无偏采样的假设不成立时，问题会更加突出。对于这种情况，我们可以采用“欠采样”、“过采样”、“阈值移动”。

4机器学习第四章：决策树

决策树是一种常见的机器学习方法。一般的一颗决策树包含一个根节点、若干个内部节点和若干个叶节点。叶节点对应于决策结果其他每个节点对应于一个属性测试；每个节点包含的样本集合根据属性测试的结果被划分到子节点中；根节点包含样本全集。根据p74图4.2可知，有三种情况会导致递归返。

1、节点包含的样本标记都相同。

2、节点内样本属性都相同。

3、节点内没有样本了。在算法中，最关键的是要如何选择最优划分属性。我们希望决策树的分支节点包含的样本尽可能属于同一类标记，即节点“纯度”越来越高。

“信息熵ENT”（p75 式4.1）是度量样本集合纯度最常用的一种指标（ID3决策树）。选择划分属性时我们可以计算出假设划分每个属性a所对应的“信息增益Gain”（p75 式4.2），选择信息增益最大的属性来划分，因为这意味着“纯度提升”越大。

但是增益准则对选择可取数目较多的属性作为划分对象有所偏好，为了平衡我们引入属性的“固有值”概念以及“增益率”的概念，增益率准则对可取数目较少的属性有所偏好。故一种启发性选择是从信息增益高于平均水平的属性中选阵容增益率最高的。此外还有基尼指数（CART决策树）可用来度量纯度，选择划分属性。

那么为了缓解“过拟合”问题，在决策树学习中我们通常采用“剪枝”的手段。剪枝可分为“预剪枝”和“后剪枝”。

“预剪枝”方法采用测试集验证剪枝前后的精度，只有精度提高才允许划分。此法可以降低过拟合风险，还显著减少了决策树德训练时间开销和测试时间开销，但也带来了欠拟合的风险。

“后剪枝”方法首先需要训练一棵完整的决策树，然后再由叶至根地对决策树进行剪枝，这种方法通常比预剪枝保留更多的分支，一般情况下“后剪枝”欠拟合风险小，泛化性能优，但训练时间开销大得多。

前面讨论的都是离散的属性值，那么为了处理连续的属性值，我们应该采用“二分法”进行处理（C4.5决策树）。若有n个元素，则我们考虑采用n-1个中位点作为候选划分点，来计算信息增益，选择划分点。另外，若当前节点划分的属性为连续值，其后代仍可对此属性进行划分。

再来讨论如何对“有缺失属性值的训练样例”来进行划分。我们可以利用每个属性中未缺失属性的样本和其占该节点样本比例来计算GAIN选择划分属性（p87 式4.12）。在划分缺失该划分属性的样本时，以不同权值将该样本划入子节点，相当于将一个样本“分割”。

继续扩展，我们可以考虑，现在每个节点的划分我们都是基于单一属性值来进行的。但在学习类似p91图4.12 这样的分类任务时，会相当复杂，故我们可以考虑，将节点由“单变量决策”转为“多变量决策”，将“轴平行决策树”转化为“斜决策树”甚至更复杂的决策树。（未深入学习）

5机器学习第五章：神经网络

神经网络是具有适应性的简单单元组成的广泛并行互联的网络，他的组织能模拟生物神经系统对真实世界作出的交互反映。

“M-P神经元模型”，神经元接收到来自n个其他神经元传递过来的输入信号，这些输入信号通过带权值的连接进行传递，神经元接收到的总输入值将于神经元的“阈值”进行比较，然后通过“激活函数”处理以产生神经元的输出。将这样的神经元按一定的层次结构连接起来，就得到了神经网络。

“感知机”由两层神经元组成。输入层接受外界信号之后传递给输出层，输出层为M-P神经元。在yf(iwixi)这个简单的公式中，我们可以将θ视为一个固定输入为-1的“哑节点”所对应的连接权重wn1，这样阈值和权重的学习就可以统一为权重的学习（这在矩阵运算中尤其突出）。学习过程是通过错误的程度对权重进行调整。

感知学习机只能解决线性问题，那么要解决非线性可分问题，则必须考虑使用多层神经网络。常见的神经网络是形如p101图5.6 的层级结构，每层神经元与下一层神经元全互联，神经元之间不存在同层连接，也不存在跨层连接，这种神经网络结构通常称为“多层前馈神经网络MLFNs”。其输入层神经元仅是接受输入，不进行函数处理，隐层与输出层包含功能神经元。

神经网络的学习过程，就是根据训练数据来调整神经元之间的连接权；换言之，神经网络“学”到的东西，蕴藏在连接权与阈值中。

欲训练多层网络，简单感知机学习规则显然不够了，需要更强大的学习算法“误差逆传播算法BP”就是其中最杰出的代表。如p102的图5.7所示的网络，有（d+l+1）q+l个参数需确定。BP算法基于“梯度下降”策略以目标的负梯度方向参数进行调整。

对于每个训练样例，现将输入示例提供给输出层神经元，然后逐层将信号前传，直到产生输出层的结果；然后计算输出层的误差，然后将误差逆向传播至隐层神经元，最后根据隐误差对连接权和阈值进行调整，迭代过程循环进行。（具体迭代的数学计算过程还不是很明白）

“标准BP算法”每次仅针对一个训练样本更新连接权和阈值，而“累计误差逆传播”是每学习一轮才更新一遍参数，降低参数更新的频率。

已经证明只需一个包含足够多神经元的隐层，多层前馈网络就能以任意精度逼近任意复杂度的连续函数（如何设着隐层神经元个数仍是未决问题，实际中通常依靠“试错法”）。由于其强大的表示能力，BP神经网络经常遭遇“过拟合”问题。有两种策略可以用来缓解“过拟合”。

1、早停，思想与决策树的剪枝无二致。

2、正则化：在误差目标函数中增加一个用于描述网络复杂度的部分。例如连接权和阈值的平方和，使网络输出更加光滑，来缓解过拟合。如p107 式5.17。

其余常见的神经网络还有RBF网络、ART网络、SOM网络等。由于之前的聚类学习中接触无监督学习比较多，故只看了其中关于“自适应谐振理论网络ART”和“自组织映射网络SOM”的内容。竞争型学习是一种神经网络中常用的无监督学习策略，在使用该策略时，网络的输出神经元相互竞争，每一时刻仅有一个竞争获胜的神经元被激活，其他神经元被抑制。这种机制称为“胜者通吃”原则。

ART网络由比较层、识别层、识别阈值、和重置模块构成。比较层接收样本，将其传递给识别层，（识别层每个神经元对应一个模式类）计算输入向量与识别层的相似度，归入相似度最大且大于阈值的识别层神经元，同时更新连接权；若相似度都不大于阈值，则增设一个新的神经元，代表向量就为当前输入向量。可见，识别阈值作用很大，决定了分类的细致程度。

SOM网络，能将高维输入数据映射到低维空间（通常是二维），同时保持输入数据在高维空间的拓扑结构，将高维空间中相似的样本点映射到网络输出层中的临近神经元。SOM网络中的输出层神经元以矩阵方式排列在二维空间中，每个输出层神经元都拥有一个权向量，网络在接收输入向量后，将会确定输出层获胜神经元，它决定了该输入向量在低维空间中的位置。

SOM的训练过程：在接受一个训练样本后，每个输出层神经元会计算该样本与自身携带的权向量之间的距离，距离最近的神经元成为竞争获胜者，然后最佳匹配单元及其邻近神经元的权向量将被调整，以使得这些权向量与当前输入样本的距离减小。此过程不断迭代，直至收敛。

前面介绍的神经网络大多是以单隐层为例。理论上来说，参数越多、复杂度越高的模型能完成更复杂的学习任务。随着云计算、大数据时代的到来，计算能力的大幅提高可以缓解训练的低效性，训练数据的大幅增加可降低过拟合风险，于是以“深度学习”为代表的复杂模型开始受到人们的关注。神经网络的提高容量的方法就是增加隐层的数目和层数。（关于深度学习只是提到一个概念，可以继续学习专门介绍深度学习的文章）Extreme Learning Machine

首先，极限学习机ELM是针对BP学习速度缓慢提出的。BP学习速度缓慢主要是由两方面原因造成，一是“梯度下降”迭代策略本身的性质问题；二是每一次迭代的过程中，大量的参数（连接权、阈值）都需要参加迭代。ELM的主要优势在于，它可以随意设定隐藏层的连接权、阈值，忽略输出层偏置，然后通过数学分析，一次确定最优的输出层连接权。过程无需迭代，速度极快。

在引言中提到，文献《Universal approximation using incremental feedforward networks with arbitrary input weights 》中证明，SLFNs只要激励函数满足无限可微，理论上即使是随机生成的任意wi和bi其值固定不变，具有N个不同样本，包含N个隐含层神经元的SLFNs的训练误差依然可以无限接近零。作者以此作为随机产生wi和bi的依据。但这并不表示这随机产生的不会对学习结果造成影响，相反，这造成了学习结果有较大的随机性和不稳定性。

文献的第二部分紧接着对ELM中要使用的Moore-Penrose 矩阵广义求逆（看不懂）和最小二乘解进行了介绍，同时证明了通过Moore-Penrose 求逆方法对Ax=y中A矩阵求逆得出的矩阵G，就是Ax=y对应的最小二乘法的解之一，同时它还具有所有解矩阵中范数最小的性质。这个性质，使得wi值较小，可以一定程度上缓解“过拟合”的问题，使得算法有较好的泛化性能，上面的Ax=y矩阵运算，就对应了ELM学习中的HT。

介绍完ELM后，接着就是应用环节。文章应用了3个实例，以BP和SVM作为参照来证明了ELM的优越性。

第一个应用是利用加利福尼亚州的房子属性对房子的价格进行预测，一共进行了50轮学习来取得平均效果。毫无疑问ELM在速度上占尽优势，因为他不需要迭代只需要进行一次求逆，而BP每一轮都需要迭代8000次（训练样本数）。而且在效果上来说，ELM测试误差还更小些。

第二个应用采取了“糖尿病预测”的二分类问题，第三个采取了“森林覆盖类型预测”的多分类问题。结果都与第一个应用相似。（具体来说是怎么用ELM来产生离散的分类结果的？）

总体来说，例证环节的思路非常清晰。从“连续函数的回归问题”到“二分类问题”再到“多分类问题”，令人信服。

ELM的优越性总结为以下几点：

1、速度快

2、泛化性能好

3、因为没有迭代过程，不要求激励函数可微。

4、省去了一些复杂的参数比如学习率。Outlier-robust extreme learning machine for regression problems 这篇文献针对ELM对离群点（异常数据）敏感的问题提出了一种改进的“离群点鲁棒性极限学习机”(ORELM)。

文献指出，目前所有的ELM及其变体都是采用“二范数”的目标函数来对学习机进行训练的，但是“二范数”会放大离群点所带来的误差。因此此文献采用了“一范数”的目标函数来训练学习机，因为一范数对于异常数据的有更好的鲁棒性。另外为了得出目标函数的最优解，文献采用了增强的拉格朗日乘数法（ALM）来迭代求解。（还未理解此乘数法的具体数学过程）

文献第二部分，介绍了两种极限学习机的变体。分别是正则化极限学习机Regularized extreme learning machine(RELM)，和基于RELM提出的权重正则化极限学习机Weighted regularized extreme learning machine(WRELM)。RELM的提出是为了在ELM的基础上提高泛化性能，故在目标函数中添加了一个关于连接权矩阵二范数的正则化项，其余没有改变。WRELM则是在RELM运算结束后，将每个样本带入网络求出对应偏差，高偏差的样本将被赋予小权值，借此提高鲁棒性。然后重新利用RELM进行学习，得到最终结果。

文献指出了WRELM存在的问题，一方面很依赖RELM，另一方面当不存在离群点时，好的样本点的权值也会受到影响。

接着文献就提出了利用1范数作为目标函数的ORELM。这是一个带约束的凸优化问题，可以利用ALM方法进行迭代求解。文献提出，当数据存在异常时，ORELM有最好的鲁棒性，具有实用性。

应用环节也是采用了三个实例对方法进行验证。一是利用函数SinC对带有离群点的数据进行回归学习。对比了含有10、20、40、80个离群点的训练集的回归效果，还分为固定偏离值的离群点和某区间内任意偏离值的离群点两种情况。（这里说的偏离都是标记值的偏离，没有讨论属性值的偏离）二是利用乳腺癌良性恶性的二分类问题来进行学习。显然ORELM的精度更高，这一点在“受污染数据”比例上升后更加明显。

ORELM的优越性表现为：

1、计算速度较快，虽然比ELM慢很多，但比WRELM快。

2、面对含有异常数据的样本集时学习的鲁棒性比较强，比文献综述提及的其他ELM变体都要强。

第五篇：集训队第一期总结

集训队第一期总结

不知不觉江农集训队第一期就这么愉快的结束了，还记得开幕当天，由于有队员迟到我们整体受罚，A,C组男生俯卧撑150个，女生深蹲150个，B组男生俯卧撑80个，女生深蹲80个，而队长们翻倍。这让我很感动到，我们的绿源家长们无论何时都陪我们一起分享快乐、承担痛苦。几天后，我们开始了正式的集训。大家都准备着演情景剧，而我们第二组由于组员没来齐，剧本又得重新编写，我们从没想过我们临时编写的剧本会比得过别人。可是最后我们意外的拿到了第二名。我觉得我在其中得到了很多，首先队友间要相互信任，其次即使我们不知道结果会是哪种，我们都不应该轻易放弃。即使我们失败了，至少我们曾经努力过，没有留下遗憾。

今天的集训是第一期集训的尾声，我们这一次集训内容是定向。在整个过程中，我们都很快乐与热情，虽然多多少少有点小插曲，不过我觉得今天过得还是挺充实的。总之，在集训队中我收获了很多，友谊、快乐、信念等等，还有就是我开朗很多了，认识了很多朋友，也不再沉默寡言，我能成为集训队中的一员我觉得很开心。