智慧校园环境下课程资源建设的实践研究 ——以汽修专业《汽车空调原理与检修》课程建设应用为例

为研究智慧环境下课程资源建设,文章以《汽车空调原理与检修》课程建设应用为例,通过建设该教学平台,实现线上线下教学的有机结合,可以有效提升教师的教学质量及教学效率,还可以为那些渴望更深层次知识的学生提供一个良好的学习平台。在“智慧校园”的建设和发展过程中,需要不断更新与教学相关的信息,因此建设《汽车空调原理与检修》课程教学资源是高等院校课程改革的需求。     

基于岗位要求的高职《汽车保险与理赔》课程信息化教学改革研究与实践

文章基于汽车保险行业岗位要求,根据《汽车保险与理赔》课程特点和教学中存在的问题进行信息化教学改革,培养学生保险销售能力、承保核保能力以及查勘定损实际处理能力。此次改革增强了学生自主学习意识,提高了学习兴趣,实现以“学生为主,教师为辅”的教学模式,提升教学效果。     

动态管理模式下路侧停车泊位占有率预测方法

城市停车已逐步实现信息化和动态化管理,本文对动态管理模式下大范围路侧泊位占有率预测方法进行研究.在收集美国旧金山492万条停车交易数据的基础上,利用可同时提取数据空间关联和时序趋势特征的卷积长短时记忆神经网络(Convolutional LSTM Network,ConvLSTM),分别构建考虑停车费率和时限动态变化的有政策模型,和没有动态管理信息输入的无政策模型.结果显示,有政策模型的训练效率和预测精度会显著提升.在政策平稳阶段,两种模型均能够有效预测泊位占有率;在政策发生变化时段,无政策模型的预测误差出现激增,但有政策模型的预测误差依然保持平稳,表明本文提出的方法能够很好地应对动态管理模式下停车需求的变化.     

基于时空特性和组合深度学习的交通流参数估计

为深入挖掘交通流时空特性,提高交通流参数估计精度,基于深度学习提出一种交通流参数估计的组合方法.根据目标断面及其上游断面的交通流数据构造输入矩阵,利用卷积神经网络捕捉交通流的空间特性,使用长短期记忆和门控循环神经网络挖掘交通流的时间特性,组合3种深度学习方法所得输出,得到交通流参数估计值.采用中国安徽省合肥市和美国加州...     

支持向量机增量学习算法研究

给出了使用多支持向量机进行增量学习的算法．传统的支持向量机不具有增量学习性能，而常用的增量学习方法各具有不同的优缺点，基于固定划分和过间隔技术，提出了使用多支持向量机进行增量学习的算法；使用此算法，针对标准数据集BUPA及用NDC生成的数据集OUTTRAIN进行了实验，结果表明，使用单一的支持向量机进行增量学习，不论采用过间隔还是固定划分技术，其增量学习的正确率不及使用多支持向量机增量学习算法的正确率。     

基于流形理论的数据分类挖掘

数据挖掘技术应用于作战指挥挖掘系统,能为指挥员的决策分析提供智能化的、自动化的辅助手段。在分析数据挖掘问题中的分类算法的基础上,利用流形结构对分类算法进行了改进。从而避免全局线性对分类信息造成的丢失,保留完整的数据结构信息,在一般意义下完成针对数据集的各项任务。     

好本领 为了好服务 天津海事局举办职工素质竞赛

为全面提升海事员工素质,增强水上安全监督管理与服务能力,5月18日,天津海事局举办了别开生面的职工素质竞赛,这也是开展学习实践科学发展观活动以来,天津海事局为更好地服务地方经济发展,服务滨海新区开发建设的新探索。此次     

基于联邦LSTM的突遇新频率船舶升沉运动预测策略

由于浮式起重船在海上进行风电设备安装和运维作业期间,离岸距离远且作业时间长,波浪变化多样且不确定,极易产生新频率的船舶运动,使得无法进行精确预测,从而导致海上作业无法安全进行甚至造成设备损坏,因此文章提出基于联邦学习的多变量多步长短期记忆网络（LSTM）预测方法。针对无线数据采集时间间隔不一致,将其和船舶升沉运动数据共同作为双层LSTM预测模型的输入变量并进行多步预测。同时针对突遇新频率船舶运动的情况,采用联邦学习方法联合多家海上风电安装运维企业的船舶升沉运动数据,共同训练适用于复杂海况下的船舶升沉运动LSTM预测模型。使用Stewart六自由度波浪补偿平台模拟浮式起重船的升沉运动,试验结果表明,在遇到新频率船舶运动时,该方法能有效提高船舶升沉运动的预测效果,模型预测精度（RMSE值）至少可达到0.095。