“课内外一体化”工学结合教学改革的探索与实践——以《实用电子技术》课程为例

为配合教育部16号文件中"工学结合"的精神,针对专业平台课程在工学结合过程中易出现的问题,以《实用电子技术》这种专业平台课程为例,提出了"课内外一体化"工学结合教学模式,并对其进行了实践与探索。本文根据在教学实践中的体会,对这种教学模式进行了一定的分析,并对实施过程中的关键点进行了详细的阐述。     

认知主义学习动机理论对高职日语教学的启示

学习动机理论在第二语言习得中被认为是影响语言学习者学习成败的关键因素之一。文章从学习动机的视点出发,注重分析了认知主义学习动机理论,并从丰富教学内容、培养学生跨文化思维方式、纠正学生的不良学习动机等方面探讨了在日语教学中应如何运用这一理论更好的为日语教学服务。     

流形学习算法概述

流形学习是一种非监督学习算法,流形学习算法的目的是挖掘嵌入在高维数据空间中的低维光滑流形,本文在论述流形学习算法诞生及研究现状的基础之上,指明流形学习算法的研究重点:流形本征维数估计、有监督学习、样本外学习能力、特殊流形降维,并指出流形学习的研究意义。     

补肾健脑方对血管性痴呆大鼠皮质和海马脑血流量及乙酰胆碱含量的影响

目的研究补肾健脑方对血管性痴呆(VD)大鼠学习记忆、局部脑血流量、乙酰胆碱(ACh)含量及CA1区神经元形态学改变的影响,探讨其治疗VD的可能机制。方法双侧颈总动脉永久结扎法(2-VO)制备大鼠慢性脑缺血致VD动物模型,造模完成后,随机分为6组。分别用蒸馏水、多奈哌齐混悬液以及不同浓度补肾健脑方灌胃,30 d后水迷宫实验测定大鼠学习记忆能力,放射性测量脑血流量,比色法测定ACh含量,HE染色观察神经元形态学改变。结果与模型组相比,补肾健脑方能提高VD大鼠的学习记忆能力,改善皮质和海马脑血流量,提高ACh含量,与多奈哌齐组相比未见统计学差异。结论补肾健脑方改善VD大鼠的学习记忆能力的作用机制可能是通过增加皮质和海马的脑血流量,增加皮质和海马ACh含量而发挥作用的。     

工学结合模式下的高职院校公共基础课教学改革与实践

本文首先指出公共基础课教学改革是工学结合人才培养模式改革的重要组成部分,公共基础课对学生职业能力和综合素质培养具有十分重要的作用;同时分析了当前高等职业教育公共基础课教学现状及其不足,提出了工学结合模式下公共基础课教学改革的基本思路;最后将它应用于高职院校公共英语和公共计算机基础课程教学的改革实践,取得了良好成效。     

智慧交通与智慧物流

智慧交通和智慧物流是智慧城市建设的重要内容.智慧交通技术的创新和发展，促进了智能交通升级.解决大规模数据计算问题是物流智能化的基础.本次论坛以“智慧交通和智慧物流”为主题，介绍了安全驾驶统一集理论、实践及成果，探讨了新一代信息技术对智能交通发展与创新的推动作用，介绍了无人驾驶技术的总体框架、发展与应用，探讨了智慧物流所面临的大规模数据计算问题及解决方案.     

基于遗传算法和极限学习机的智能算法在基坑变形预测中的应用

为解决传统智能算法网络结构参数复杂、运算速度慢等问题,基于遗传算法和极限学习机构建基坑变形的新型优化智能预测模型。先利用皮尔逊相关系数评价不同影响因素与基坑沉降变形之间的相关性,以确定极限学习机的输入层; 再采用试算法确定最优激励函数和隐层节点数,并将遗传算法和极限学习机耦合,利用遗传算法优化极限学习机的初始权值和阈值,以提高预测精度。经实例检验表明： 1)开挖时间、开挖深度、土体抗剪参数及重度均与基坑沉降变形显著相关,为构建极限学习机输入层提供了依据; 2)在预测过程中,激励函数和隐层节点数对极限学习机的预测效果具有一定的影响,以Sigmiod型激励函数和13个隐层节点数的预测效果为最优; 3)通过遗传算法的优化,能进一步提高预测精度,验证了遗传算法的优化能力和有效性。预测模型在不同工况下的预测结果均较优,说明该模型具有较高的稳定性和可靠性。     

数据驱动跟驰模型综述

车辆跟驰模型是被交通科学与交通工程领域广泛认可的微观交通流模型,是交通流理论 的基础。近年来,信息感知与获取、大数据、人工智能等技术快速发展,推动了数据驱动跟驰模型 的快速发展。数据驱动跟驰模型,是以真实的车辆行驶数据为基础,利用数据科学与机器学习等 理论和方法,通过样本数据的训练、学习、迭代、进化,挖掘车辆跟驰行为的内在规律。本文系统 回顾了数据驱动跟驰模型在过去20余年的发展历程以及由神经网络和深度学习带动的两次研究 热潮,归纳了基于传统机器学习理论的跟驰模型、基于深度学习的跟驰模型、模型与数据混合驱 动的跟驰模型3类数据驱动跟驰模型,并分别介绍了其中的典型代表。分析数据源发现,尽管各 种高精度轨迹数据不断涌现,目前研究仍多使用美国于2006年发布的Next Generation Simulation (NGSIM)高精度车辆轨迹数据,模型的可移植性和泛化能力值得思考与研究。提出关于模型输 入、输出的3个问题：如何考虑更多驾驶行为变量,是否有必要考虑更多行为变量,现有输入、输出 是否可替换。在模型测试与验证方面,发现并讨论了目前测试不充分、对比不完整、缺少统一测 试集与测试标准等问题。最后,探讨了数据驱动跟驰模型原创性与成功的关键因素等问题。期 望通过本文的梳理,帮助研究者更好地了解数据驱动跟驰模型的过去与现状,促进相关研究的快 速发展。     

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...     

Identifying tourists and analyzing spatial patterns of their destinations from location-based social media data

Reliable travel behavior data is a prerequisite for transportation planning process. In large tourism dependent cities, tourists are the most dynamic population group whose size and travel choices remain unknown to planners. Traditional travel surveys generally observe resident travel behavior and rarely target tourists. Ubiquitous uses of social media platforms in smartphones have created a tremendous opportunity to gather digital traces of tourists at a large scale. In this paper, we present a framework on how to use location-based data from social media to gather and analyze travel behavior of tourists. We have collected data of about 67,000 users from Twitter using its search interface for Florida. We first propose several filtering steps to create a reliable sample from the collected Twitter data. An ensemble classification technique is proposed to classify tourists and residents from user coordinates. The accuracy of the proposed classifier has been compared against the state-of-the-art classification methods. Finally, different clustering methods have been used to find the spatial patterns of destination choices of tourists. Promising results have been found from the output clusters as they reveal most popular tourist spots as well as some of the emerging tourist attractions in Florida. Performance of the proposed clustering techniques has been assessed using internal clustering validation indices. We have analyzed temporal patterns of tourist and resident activities to validate the classification of the users in two separate groups of tourists and residents. Proposed filtering, identification, and clustering techniques will be significantly useful for building individual-level tourist travel demand models from social media data.