交互式网络英语教学中高职学生自主学习能力的培养

现代社会的高度信息化,使人们的工作、学习、生活与互联网紧密联系了起来。英语学习当然也离不开这个大环境。交互式网络教学成为英语教学发展的必然,它与学生自主学习能力的培养互为条件而又相互促进。本文作者就交互式网络的教学实践,提出了交互式网络英语教学中高职学生自主学习能力培养的几点浅见。     

元认知策略指导下的英语口语自主学习个案研究

元认知策略可以评价、管理、监控认知策略的使用,在语言学习方面和自主学习有很大的相通之处,本文通过案例研究发现,用元认知学习策略指导学生进行英语口语的自主学习,学生的英语口语学习方法及英语1：7语水平都有了很大的改善和提高．研究对英语口语教学有一定的借鉴作用．     

提高高职课堂教学学生学习参与度研究

提高高等职业院校的课堂教学质量,是高等职业院校加强内涵建设和实施素质教育的需要。高等职业院校的课堂教学质量受学生学习参与度的影响。找到高职课堂教学学生学习参与度的影响因素,应当能够梳理卅提高高等职业院校的课堂教学学生学习参与度的措施。     

比利时港口学习引发的思考

<正>一、比利时港口情况介绍1.根特港根特港属国家所有,由根特市政府授权根特港管理公司经营和管理。根特港是比利时第三大港,位于东弗兰德省根特市,距离北海32km,岸线总长19km,可接卸吃水深度不超过12.5m的92 000t以下轮船。港口集疏运体系发达,根特港可通过欧洲发达的内陆水系集疏到欧洲广大范围;根特还是3条欧洲主要公路的交汇点,其中     

网络教学：创新驾培理论教学法

网络远程教育创新了驾培行业教育培训方式,其“随时随地菜单式”的学习特点可以很好地解决时间、空间上的学习问题,解决面广量大、流动、分散的道路运输从业人员的继续教育问题,有助于提升道路运输行业服务和管理水平,对于驾培行业节能减排、节约成本具有现实意义。     

基于动态加权TOPSIS方法的学习状况评价

根据试卷的难易系数对个学期分数进行转换,从学生成绩情况和进步情况两方面构建学生学习状况评价指标体系,然后用变异系数法确定权重,运用TOPSIS法进行评价,排序结果反映不同评价对象的优劣程度,最后通过实例对该方法进行了实证分析。     

基于混合深度学习的地铁站进出客流量短时预测

针对城市轨道交通多站点短时客流量预测问题,本文提出一种将卷积神经网络 (CNN)与残差网络(ResNet)相组合的预测模型(ResNet-CNN1D).模型将原始客流量数据作为输入,利用二维 CNN 与 ResNet 组成深层神经网络,捕捉站点间的空间特征,同时利用一维 CNN捕捉客流量的时间依赖.最后,基于参数矩阵,将时间和空间特征进行加权融合,完成对目标时段中多个站点进出客流量的同时预测.采集青岛市地铁3号线刷卡数据,对模型进行验证. 结果表明,相比现有传统的预测模型(ARIMA,SVR,LSTM,CLTFP,ConvLSTM),本文 ResNet-CNN1D模型具有更好的预测精度.     

基于数据流集成回归的短时交通流预测

传统的交通流预测技术使用静态和离线算法,无法对模型的参数值和内部结构进行在线调整.然而,交通流变化具有明显的动态性,其内在模式会随时间发生变化,导致构建好的模型准确度下降.针对上述问题,提出了基于数据流集成回归的短时交通流预测模型.将不断产生的交通流数据划分成数据块,每个数据块训练1个基础回归模型,然后加权组合为集成模型.通过不断训练新的基础模型,并置换出集成模型中准确度最差的基础模型,实现在线更新.在实测数据上的对比实验结果表明,与静态离线的BN模型相比,模型的均方根误差降低了19.5%,运算时间降低了48.7%,并能够快速适应交通状况发生明显变化的情况,适用于城市主干道路的短时交通流预测问题.      

基于霍夫蕨的实时对象跟踪方法

基于霍夫变换方法难以在保持高检测精度的同时满足跟踪的实时性,且难以适应初始训练样例十分有限的情况,为解决上述问题,提出一种基于霍夫蕨的对象跟踪方法.该方法以随机蕨作为基础检测结构,将对象的局部表观作为学习数据,在其每个叶节点中计算并保存霍夫空间中属于目标对象的投票概率,在运行时通过在线学习该检测器和对象模型,适应对象表观的变化.结合对TLD跟踪框架的改进,实现了无约束环境下长时间的可视跟踪.在Babenko视频序列集上的实验结果表明,提出的对象跟踪方法在普通PC上的平均运行速率为3帧/s,平均准确率为87.1%,总体上优于现有的跟踪方法.      

基于零样本深度学习的码头表观剥落病害区域分割与定量计算

随着无人机与数字图像处理技术的发展,基于机器视觉的表面病害识别方法因具有安全与快速性,广泛应用于桥梁和道路等方面。由于码头剥落病害图像较复杂,目前该方法难以实现码头表观剥落病害的精确分割与定量分析。提出一种基于零样本深度学习模型SAM(Segment Anything Model)与图像透射变换矫正等技术相结合的码头表观剥落病害区域分割与量化计算方法。SAM算法能够有效克服混凝土剥落图像背景噪声多、灰度差异小的问题,分割方法精度更高、受噪声影响更小;进一步通过矫正、去噪、转换等图像处理操作,实现了对剥落病害关键几何特征的量化计算。经实验室模型与现场图像验证表明,新构建的方法泛化能力强、准确性高,能够实现对码头混凝土建筑表观病害的准确和快速检测,具有广泛的应用前景。