轮机工程技术专业“点单式”人才培养模式探讨与实践

文章通过对江苏海事职业技术学院轮机工程技术专业基于"工学结合、校企共育"的新型"订单式"人才培养模式探索,根据行业特点和国际公约,探讨建立符合轮机工程技术人才特点的"点单式"人才培养模式,创新"校、企、学"三主体共同发展的高职教育育人新机制。     

三峡蓄水后皇华城河段航道演变规律研究*

根据三峡成库前后实测地形、水位、流速流向资料,并结合平面二维数学模型成果,分析了常年库区急弯分汊型河道皇华城河段三峡蓄水后水流结构及水流要素等特征值的变化及淤积对航道的影响,总结了皇华城河段的淤积规律,提出常年库区河段都将面临河型转化。     

三峡蓄水以来青岩子河段的演变规律*

通过大量的地形、水文、流速流向资料,详细分析了三峡蓄水以来变动回水区下段青岩子河段的泥沙淤积特点,得到了几点认识:1)三峡蓄水后青岩子河段汛期水位抬高较少,流速约有减缓,以致未大幅淤积,这与模型试验论证成果略有差别;2)青岩子河段淤积时间主要发生在9-10月间坝前水位抬升时,淤积部位主要发生在金川碛尾、五羊溪、牛屎碛深槽及桌子角;3)淤积区域与所处的河型有关;4)随着三峡水库的继续运行,青岩子河段将会发生河型转化.     

基于新形势下完善“工学结合”职业教育培养模式

加强和完善"工学结合"人才培养模式是新形势下职业教育教学改革的重要主题,这不仅利于提高学生的职业综合素质,更重要有利于提高职业人才对社会经济需求的适应能力。作为一名教育工作者应该怎样去贯彻和落实全国教育工作会议和发展规划纲要精神,完善和提高ISO9000教学质量管理体系,找到高职教育的"工学结合"职业教育培养模式更加贴近企业实际和市场需求的新思路,增强培养过程灵活性,给了我们更多的启迪和思考。     

长江上游航运中心发展的SWOT分析及对策

重庆地处长江上游,位于"长江经济带"的西部中心,航运优势明显。加快长江上游航运中心的建设和发展是加强长江经济带建设这一国家战略的重要举措。总结航运中心应具备的5个基本要素,把航运中心分为3种发展模式和2大类,给出长江上游航运中心的发展定位;运用SWOT分析法分析重庆的优势、劣势、机遇和挑战,并提出相应的发展对策;指出重庆应充分发挥自身优势,抓住难得的政策机遇,通过逐步完善航运服务体系、稳定货源、加强合作、发展综合运输等措施,推动长江上游航运中心发展。     

交通流特征深度认知的车队运行参数优化方法

为提升车队对周围交通流环境的认知能力，获取车队周围多车的运行模式，同时通过改变车队运行参数实现车队群体对周围多车群体运行模式的诱导变化，为提升车队及交通流整体运行效率提供优化策略，提出了基于狄利克雷混和高斯过程的车队周围多车运行模式获取算法，将车队周围多车车辆的复杂运行模式视为混和高斯过程，利用狄利克雷分布作为高斯混和权重的先验分布，建立车队周围多车运行模式速度场，从而获取车队周围多车运行模式并分类；通过比较不同多车运行模式下车队的运行效率，提升车队对所处运行环境的认知能力。研究结果表明：利用非参数贝叶斯算法将复杂的多车运行状态进行分类，获取的车队周围多车运行模式可表现为对车队运行效率产生不同影响的速度场；通过将车队周围的多车运行仿真数据分成多个运行模式，可获取不同多车运行模式下车队及交通流整体运行特性；通过更改车队运行参数，观察不同多车运行模式的占比变化，可获取车队运行参数对所处运行环境改变的影响趋势；车队周围多车运行模式的获取，不仅可以提升车队对周围运行环境的认知能力，使得车队能够选取有利路径行驶，同时能够为车队运行策略的优化提供有效的信息。     

A theoretical foundation for the relationship between generalized origin–destination matrix and flow matrix based on ordinal graph trajectories

This paper shows the relationship between flow, generalized origin–destination (OD), and alternative route flow from a set of ordinal graph trajectories. In contrast to traffic assignment methods that employ OD matrix to produce flow matrix, we use ordinal trajectory on a network graph as input and produce both the generalized OD matrix and the flow matrix, with the alternative and substitute route flow matrices as additional outputs. By using linear algebra‐like operations on matrix sets, the relationship between network utilization (in terms of flow, generalized OD, alternative route flow, and desire line) and network structure (in terms of distance matrix and adjacency matrix) are derived. Copyright © 2012 John Wiley & Sons, Ltd.     

基于多维信息特征分析的驾驶人认知负荷研究

准确评估驾驶人认知负荷水平，对于深入研究驾驶人行为特性，改善驾驶安全性具有重要意义。现有的驾驶人认知负荷分类方法，大多基于心电、脑电等生理信息和车辆信息，由于特征选择上的单一性，导致驾驶人认知负荷分类模型的分类精度不高。设计基于跟驰场景的不同认知负荷N-back次任务试验，通过采集受试者的生理信号和车辆信号，结合NASA_TLX主观评分和机器学习算法，提出了基于多维信息特征融合的驾驶人认知负荷分类方法。研究表明：基于生理信息和车辆信息的多维信息特征认知负荷分类方法，其精度显著高于传统的基于生理信息的认知负荷分类方法，以多维信息特征为输入，随机森林法以其稳定性好、抗过拟合能力强的特点，表现出优异的分类效果，相比神经网络和支持向量机，具有最高的平均分类精度。     

Daily activity pattern recognition by using support vector machines with multiple classes

The focus of this paper is to learn the daily activity engagement patterns of travelers using Support Vector Machines (SVMs), a modeling approach that is widely used in Artificial intelligence and Machine Learning. It is postulated that an individual’s choice of activities depends not only on socio-demographic characteristics but also on previous activities of individual on the same day. In the paper, Markov Chain models are used to study the sequential choice of activities. The dependencies among activity type, activity sequence and socio-demographic data are captured by employing hidden Markov models. In order to learn model parameters, we use sequential multinomial logit models (MNL) and multiclass Support Vector Machines (K-SVM) with two different dependency structures. In the first dependency structure, it is assumed that type of activity at time ‘t’ depends on the last previous activity and socio-demographic data, whereas in the second structure we assume that activity selection at time ‘t’ depends on all of the individual’s previous activity types on the same day and socio-demographic characteristics. The models are applied to data drawn from a set of California households and a comparison of the accuracy of estimation of activity types and their sequence in the agenda, indicates the superiority of K-SVM models over MNL. Additionally, we show that accuracy in estimating activity patterns increases using different sets of explanatory variables or tuning parameters of the kernel function in K-SVM.