混合式教学在《汽车测试技术》课程中的应用探索与反思

混合式教学是将线上教学与线下教学相结合的新型教学模式,充分利用混合式教学的优势以达到提升课程质量的目的。文章以《汽车测试技术》课程为例,对课程混合式教学的设计与实践进行了探索,分析了实施效果,进而总结了教学反思,旨在指导课程教学质量持续改进,同时为同类课程的混合式教学提供一定参考。     

考虑驾驶风格差异的高原公路危险路段识别研究

针对高原环境中驾驶人风格、生理变化与危险路段特征之间的潜在关联，提出一种基于驾驶状态的危险路段识别方法，辨识和分析不同风格驾驶人具有潜在风险的路段，并提出优化方案。首先，通过实车实验采集驾驶人行为及生理指标数据，使用DBSCAN(Density Based Spatial Clustering of Applications with Noise)得出驾驶风格类型，并依据行为特征对驾驶风格进行差异性 分析；其次，采用卷积神经网络、双向长短时记忆神经网络与注意力机制搭建危险状态识别模型，通过GPS(Global Positioning System)点位对应实现危险路段辨识，并基于驾驶风格差异，从驾驶人感知、操纵与生理角度对危险路段进行致因分析；最后，将生理与道路线形作为优化参考，以车速建议为着力点进行多元回归分析，并按照生理舒适域确定车速建议区间。结果表明：驾驶人根据行为特点分为谨慎、稳健和激进型，3类驾驶人在上行和下行途中的危险路段多为具有弯坡特征的组合型路段；海拔提升可加速危险驾驶状态的出现，各类驾驶人在上行时的紧张状态多源于弯坡组合值和转角值的增长，激进型驾驶人在坡度大于6%的直纵坡路段时亦会开始高度紧张；下行时，谨慎与激进型驾驶人在直纵坡坡度大于3%时易出现危险状态，激进型驾驶人在转角值大于80°且弯坡组合值大于50时亦存在驾驶风险。研究成果可满足高原公路人因事故预防的需求，为线形设计与交通管理措施制定提供理论依据。     

基于轻量化网络和注意力机制的智能车快速目标识别方法

为提高智能车在真实环境中的实时检测能力，改善复杂环境下检测效果不佳的问题，本文提出一种基于轻量化网络和注意力机制的智能车快速目标识别方法。首先，为了减少网络计算参数和提升目标识别算法的推理速度，提出利用GhostNet加速YOLOv4的特征提取；其次，为了提高复杂场景下对道路目标的识别精度，在GhostNet和特征金字塔部分添加结合软阈值化改进的注意力模块；最后，为了验证本文提出方法的有效性，选取Pascal VOC、KITTI公开数据集和自制城市道路数据集进行实验对比。与其他目标检测算法在精度和速度上进行比较，结果证明，本文方法在平均检测精度提升1.7%的情况下，模型参数量降低到原来的18.7%，检测速度提升了 66%，检测速度和精度均优于其他算法，可满足智能车的实时感知需求。     

多媒体网络环境下学生自主学习能力研究

在建构主义的指导下,研究发现多媒体及网络技术在教学过程中的广泛应用,既提高了学生的学习效率,又培养了学生的自主学习能力.在学习过程中,学生自己支配的时间增加,学习场所变得更加灵活,学习更富有自主性.同时,学习资源得到有机整合与充分利用.     

水手工艺课程部分项目互动教学探索与实践

介绍了互动教学模式的特点,探讨了互动教学的实施方法,指出互动教学有利于全面推进素质教育改革,培养高素质的专业人才.     

ONE PROBABLE MECHANISM OF THE LEARNING-MEMORY DAMAGE BY LEAD:THE CHANGES OF NOS IN HIPPOCAMPUS

Leadtoxicityremainsapublicproblemintheworld ,especiallyinthedevelopingcountries.Chronicleadexposurecancauseimpairmentofcog nitivefunctionandsignificantdelaysinbehavioraldevelopment.However ,themechanismsunderly ingtheseimpairmentshavenotbeendefined .Long term potentiation (LTP)isthoughttobeavalidmodeloflearningandmemoryatthelevelofthesynapse[1] .Recently ,nitricoxidesynthase (NOS)hasbeenshowntobeanimportantfactorforforma tionandlastingofLTP[2 ,3 ] .Theremightbesomerelationsamonglead ,LTP…     

神经网络内燃机排放模型学习样本的选定

研究神经网络理论用于内燃机排放预测模型时学习样本的选取方法，针对内燃机工况变化的特点，对传统的正交设计法进行了改进，提出并验证了用考虑因素边界变化的正交设计法选取样本的可行性。研究结果表明，模型的预测精度随着正交表位级的增加而提高，即使只有3位级的正交表设计样本，也能建立预测误差低于5．7％的内燃机稳态排放特性预测模型，具有试验工作量小、简便易行的特点。     

智能控制技术在汽车AMT中的应用

针对汽车AMT系统中节气门控制、离合器接合点及最佳动力性换档规律的确定等问题 ,讨论了采用多模式控制、模糊控制和自学习控制等智能控制的具体方法 .实际应用表明 ,这些方法切实可行 ,同时 ,也体现了智能控制技术在车辆控制系统中的实用性和先进性     

基于自律分散的城市轨道交通信号研究

为满足对轨道交通信号系统高效率、高安全性的发展需求,引入自律分散的技术,介绍自律分散系统的构成、特点、内部结构及其工作机制。以现行移动闭塞条件下列车控制系统为基础,提出基于自律分散的城市轨道交通信号系统的数据域结构设计、数据单元格的设计以及行车安全子系统的设计,为城市轨道交通信号系统的设计提供一种新的思路和方法。     

基于监督学习的轨道车辆车轴裂纹扩展预测方法研究

传统裂纹扩展分析需要精确的数学模型以及校准参数,但现实中的复杂形状裂纹扩展过程难以进行精准建模,而通过有限元软件对裂纹扩展过程进行分析需大量的运算时间。因此,文章提出了基于监督学习的轨道车辆车轴裂纹扩展方法,该方法无需进行数学建模,可通过结构健康监测数据以及初始裂纹数据直接预测裂纹的扩展趋势。经验证,该方法预测准确率较高,能够较好地拟合裂纹扩展趋势。