谈餐厅服务员的职业技能鉴定

国家职业技能鉴定是一项基于职业技能水平的考核活动,能够有效促进各行业从业人员专业理论知识和实际操作能力的提高,满足社会发展对行业从业人员的职业能力要求。餐厅服务员工种的国家职业技能鉴定标准,经过多年的实践证明了它的科学性,由于行业的发展,鉴定标准存在着一些不足亟待解决。     

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。     

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。     

不同教学模式对非英语专业词汇学习效果的影响

文中依据展开理论和合作学习理论,通过比较两种不同的呈现模式--老师举例讲解教授词汇与学生小组内互助学习词汇,研究词汇学习的差异.笔者首先分析相关数据,以确定参加测试的两个班的英语水平没有显著差异.在实验中,每个班的学生按照上述不同的呈现方式中的一种,学习经过预测挑选出来的词汇,然后他们分别接受两次测试,测试结果通过SP...     

基于BP神经网络自适应控制系统的改进与优化

本文针对BP(Back Propagation)神经网络在控制系统应用中存在的一些诸如收敛速度慢、局部极小点等不足,提出了附加动量法以及自适应的学习速率法等算法,并对该算法的原理模型以及工作流程进行了研究和设计,同时对该算法在PID自适应控制系统中应用进行了改进和优化.     

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。     

高职高专英语写作教学策略初探

英语应用文写作是高职学生在校期间必须掌握的一项语言实用技能。也是高职外语教学的重要内容。本文通过对高职英语写作教学现状的分析,阐述了高职英语写作教学中存在的主要问题．并提出了实用英语写作教学改革的建议和策略。     

考虑多维动态特征交互的高速公路实时事故风险建模

为探究天气和道路等特征,以及交通流、天气、道路及时间等多维动态特征之间的交互作用对实时事故风险预测模型精度的影响,本文基于京哈高速公路北京段的事故数据,以及匹配的交通传感器数据、天气数据和道路特征等,构建4个数据集,分别为只包含交通流变量,包含交通流变量、天气及时间特征变量,包含交通流变量、道路及时间特征变量,包含交通流变量、天气、道路及时间特征变量。从考虑多维动态特征的交互效应出发,基于深度交叉网络,提出一种新的实时事故风险预测模型。结果显示,本文所构建的深度交叉网络模型比其他几种实时事故风险预 测方法显示出更高的精度。模型的AUC值(Area Under Curve)可达0.8562,在0.2的概率阈值下, 可以正确分类84.26%的非事故数据和77.55%事故数据。结论表明,本文采用的多维动态特征交互样本条件下的深度交叉网络模型能够有效地预测高速公路交通事故,可为我国高速公路安全管理部门提供理论与技术支持。     

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.     

Asynchronous n-step Q-learning adaptive traffic signal control

Ensuring transportation systems are efficient is a priority for modern society. Intersection traffic signal control can be modeled as a sequential decision-making problem. To learn how to make the best decisions, we apply reinforcement learning techniques with function approximation to train an adaptive traffic signal controller. We use the asynchronous n-step Q-learning algorithm with a two hidden layer artificial neural network as our reinforcement learning agent. A dynamic, stochastic rush hour simulation is developed to test the agent’s performance. Compared against traditional loop detector actuated and linear Q-learning traffic signal control methods, our reinforcement learning model develops a superior control policy, reducing mean total delay by up 40% without compromising throughput. However, we find our proposed model slightly increases delay for left turning vehicles compared to the actuated controller, as a consequence of the reward function, highlighting the need for an appropriate reward function which truly develops the desired policy.