信息技术与《机载计算机控制技术》教学融合研究

信息技术的飞速发展,对高校教育教学产生了重要影响。本文探讨信息技术和学科教学融合的意义,以高职《机载计算机控制技术》为例,探究了信息技术与《机载计算机控制技术》课程教学深度融合的策略,并以此打造高质量的金课,为教育智慧化发展提供借鉴。     

民办院校经济学专业产学研深度融合研究

文章介绍了民办院校的发展历程和现状,分析了民办院校经济学专业产学研深度融合现状及其存在问题,并提出了促进民办院校经济学专业产学研深度融合的路径。研究表明：产学研深度融合对提高民办院校经济学专业教学质量、培养学生的实践能力具有重要意义,但仍存在一些问题,如缺乏深度融合的机制和平台、教师实践经验不足等。因此,需要建立完善的产学研深度融合机制和平台,加强教师实践能力的培养,以提高民办院校经济学专业的教育质量和学生的实践能力。     

基于深度学习的电力负荷短期预测

为做好电网供需平衡,进一步改善电网的社会效益和经济效益,根据负荷数据的时序性特征,利用卷积神经网络的特征提取能力和长短期记忆神经网络捕捉时间序列关系的能力,采用卷积-长短期记忆混合神经网络进行电力负荷短期预测.首先根据历史数据对该模型进行训练,然后使用已训练好的模型进行预测,最后将其预测结果与长短期记忆神经网络预测结果进行比对.两组不同采样间隔的负荷预测仿真结果表明,卷积-长短期记忆混合神经网络相对于长短期记忆神经网络,可以更好地从负荷数据中提取出时序性特征,预测误差较小,精度较高,能够在电力短期负荷预测问题中提供可靠的预测结果.     

职业素养深度融入实训教学的研究与实践——以《汽车检测》课程为例

为了切实推进高校课程思政建设,全面提高高等职业教育教学质量的实施,"坚持育人为本,德育为先"、"重视学生全面发展,推进素质教育,增强学生自信心,满足学生成长需要,关注学生不同特点和个性差异,促进学生人人成才".为了提高职业教育的教学质量,必须准确把握从学生岗位适应能力的培养到学生职业素养培育的这一重大转变,培育学生的职...     

基于Faster R-CNN的接触网吊弦故障检测方法

针对接触网吊弦故障图像样本较少,现有方法检测准确率较低的问题,提出了一种高效率、高准确率的接触网吊弦故障检测方法.以Faster R-CNN模型为基础,通过引入能够提取深层次图像特征并实现特征重用的密集连接卷积神经网络(dense convolutional network model, DenseNet)替代原始的特征提取模块提取吊弦图像特征,并在实验中利用图像旋转、增强等数据变换操作扩充样本集提升检测效果.通过对接触网吊弦图像的测试,以DenseNet为主干网络的Faster R-CNN模型能够检测接触网吊弦故障,检测准确率比原始检测模型提高4%以上,且加入数据变换对吊弦故障检测的准确率和鲁棒性均有显著提升,均值平均精度(mAP)可达98%以上.     

预应力锚索抗滑桩在公路滑坡治理中的应用及探讨

以某高速公路k50段路堑右边坡的滑坡工程地质资料为依据,分析了滑坡成因,采用平衡设计理念对该滑坡进行了预应力锚索抗滑桩加固设计。对滑坡推力分布形式、锚索预应力初值大小、抗滑桩抗滑段嵌入深度对计算结果的影响进行了分析,提出了建议。     

气垫船在内压作用下的水下辐射声功率分析

[目的]旨在研究气垫内压对气垫船水下辐射噪声的影响规律。[方法]以某气垫船为研究对象,首先,根据Newton–Raphson迭代法模拟气垫内压下围裙的成形过程;然后,基于声-固耦合有限元法建立气垫船围裙-气垫-周围水域的耦合模型,并采用模态试验对数值模型予以修正;最后,分析围裙所受压力和气垫压陷深度对气垫船水下辐射声功率的影响。[结果]研究表明：水下辐射噪声与气垫内压呈正相关,气垫内压每增加1 000 Pa,其水下辐射的总声功率级增加约0.97 dB;增大气垫船围裙刚度可有效降低气垫船低频段水下辐射声功率,增大气垫压陷深度则会增大较高频段的声功率级峰值,且使峰值位置向低频偏移。[结论]研究揭示了气垫内压对气垫船水下辐射声功率的影响规律,对气垫船水下辐射噪声的评估与数值预报具有重要指导意义。     

常温超薄罩面在隧道路面养护中的应用

为提升隧道路面的抗滑性能,采用常温超薄罩面进行养护维修。通过现场调查,确定隧道路面的抗滑性能较差,结合现场调查结果制定常温超薄罩面养护方案。现场取样检测常温超薄罩面层混合料级配和油石比,均满足设计要求。养护后进行质量检验,得出路面平整度、抗渗性能、抗滑性能均得到了大幅度提升,养护效果达到了预期。     

基于强化学习与安全约束的自动驾驶决策方法

在自动驾驶决策场景下,为解决强化学习算法安全性差、学习效率低的问题,提出一种在算法的训练阶段添加基于价值的安全约束和虚拟奖励的方法。首先,利用状态、动作价值函数和安全判断规则,对智能体执行的动作进行基于价值的安全约束,选择价值高且安全的动作。然后,向回放池添加包含虚拟奖励的预测轨迹数据,以补充由于约束而未能获取的试错动作信息和相应的状态、奖励信息。最后,为进行加减速和换道决策实验,基于修改后的高速公路仿真环境highway-env搭建了3车道高速公路场景,并以深度Q网络（Deep Q Network, DQN）算法为基础,分别训练和测试了无安全约束的算法、拥有基于规则的安全约束的算法和拥有基于价值的安全约束的算法。结果表明,考虑加速、减速、保持车速和车道、向左换道、向右换道共5种动作时,基于价值的安全约束算法的成功率比无安全约束的算法高3倍以上,平均回报提升28%;仅考虑向左换道、向右换道、保持车道这3种换道动作时,基于价值的安全约束算法的成功率比基于规则的安全约束算法高0.11,平均回报提升6%;都添加基于价值的安全约束时,考虑5种动作的算法相较于考虑3种动作的算法成功率低0.06但...     

基于深度强化学习的船舶航线自动规划

为解决传统船舶航线规划算法缺少对经验航线的参考及不适用于真实航行需求的问题,提出一种基于深度Q网络(Deep Q Network,DQN)船舶航线自动规划算法,用以在电子海图中提供拟合航道,生成适宜真实航行情况的自动规划航线.这种算法采用当前神经网络和目标神经网络2个二层神经网络结构,达到打乱数据相关性的目的,将智能体...