高职英语学习兴趣培养研究

<正>高等职业教育的任务就是培养社会所需的高级应用型人才。而随着我国社会的发展,英语应用能力成为众多用人单位招聘的必备条件,这也给高职英语的教学带来了新的挑战,如何让高职学生对英语感兴趣,如何让他们自愿学习英语成为一个难题。本文,笔者通过分析学生的英语学习心理,探讨解决这一问题的方法。     

蓄电池数字化的研究应用

<正>二次电池特别是大容量的蓄电池在交通和通讯领域广泛应用,对电池的充放电等日常维护管理显得非常重要。由于现在应用的蓄电池均不带智能检测装置,即不是数字化电池,所以,蓄电池的充放电电流、电压、充放电时间、充放次数、充放电容量、剩余容量、内部温度和使用寿命等基本参数,只能靠人工测量或大概估算,容易出现较大误差,在重要的岗位,不但对正常的生产或工作产生不可预计的后果,而且蓄电池的电气性能和寿命也会遭受极大的损伤,     

高校图书馆信息共享空间（IC）模式研究

随着现代信息与网络技术的发展,电子学习（E-learning）环境改变了用户的信息获取行为习惯,协作教学与学习方式在大学普遍开展,开放存取、信息共享等理念成为网络时代人们的共识,将资源和服务推送到用户学习活动的第一线已经成为图书馆服务的主流形态。信息共享空间（IC）就是在此背景下应运而生的。     

研究性学习在化学新教材中的运用

<正>现在山西省使用的人教版新教材,由2个必修模块教材和6个选修模块教材组成.新教材以模块的形式呈现,在我国是第一次.这是为了尊重学生的兴趣和需要,选修模块教材将在教师的指导和建议下自主选择.新教材有利于学习潜能的激发及学习主动性的培养,教材的改革将带动教法的更新,教师必须把学习的主动性交给学生,使学生真正成为学习的主人.而研究性学习能很好地体现学生是学习的主体,教师是学习的主导原则.     

未来数字化监控的六大发展趋势

安防行业以每年超过;-A的速度迅速增长!已经成为名副其实的朝阳产业!吸引了许多知名的大企业涉足该行业$随着各项技术的迅速进步!产品正朝着数字化"网络化"智能化快速推进!市场的应用也朝着大型化"综合化"普及化"个性化方向发展$     

高等教育数字化转型的数据伦理风险与治理路径——基于高质量发展的视角

高等教育数字化转型受困于制度模糊、技术歧视、资源不均衡和素养滞后等严峻现实问题。数据伦理风险作为问题内核在结构上成为制约中国式教育现代化的重要瓶颈,其表现为技术偏见、社会分化和制度缺位等,从不同维度限制着我国高等教育的公平性、安全性和高质量发展。国际社会为应对数据伦理风险在法律法规与政策制定、数据伦理治理机制和教师专业发展等方面进行了探索并取得值得借鉴的经验。我国应健全教育数据制度体制机制,明确教育数据管理规范;加强数据安全技术支撑,防范数据应用风险;提高数据伦理意识水平,确保教育数据使用合规;推进数据共享和协同创新,优化信息交流和资源整合,从而进一步基于高质量发展视角促进高等教育数字化转型。     

英语影视配音对大学生英语学科核心素养的影响——以英语视听说课程为例

英语影视配音是重要的口语教学方法。为全面了解英语影视配音对大学生英语学习的影响,以山东省某师范类院校2020级小学教育专业本科学生为研究对象,采用调查问卷的形式开展受试者信息及数据收集,从语言能力、文化意识、思维品质和学习能力四个方面分析英语影视配音对大学生英语学习的影响。结果表明,英语影视配音对大学生英语学科核心素养有着积极影响,在英语视听说课程教学中运用英文影视配音作为辅助教学具有较高的应用价值和现实意义。     

基于新型空间注意力机制和迁移学习的垃圾图像分类算法

随着我国各级政府大力推动垃圾强制分类,分类回收各环节中实现标准化、自动化的垃圾分类识别需要适合云端部署的高准确率、低延时要求的细粒度图像分类模型.本文发挥深度迁移学习的优势建立了一套端到端的迁移学习网络架构GANet (garbage neural network);针对垃圾分类中类别易混淆、背景干扰等挑战,提出一种新型的像素级空间注意力机制PSATT (pixel-level spatial attention).为克服类别多和样本不平衡挑战,提出使用标签平滑正则化损失函数;为改善收敛速度以及模型稳定性与泛化性,提出了阶梯形OneCycle学习率控制方法,并给出了结合Rectified Adam (RAdam)优化方法和权重平滑处理技术的组合使用策略.实验使用了"华为云人工智能大赛.垃圾分类挑战杯"提供的按照深圳市垃圾分类标准标注的训练数据,验证了GANet在垃圾分类问题中的显著效果,获得了全国二等奖(第2名);同时,提出的PSATT机制优于对比方法,且在不同主干网络架构上均得到了提升,具有良好的通用性.本文提出的GANet架构、PSATT机制和训练策略不仅具有重要的工程参考价值,也具有较好的学术价值.     

知识牵引与数据驱动的兵棋AI设计及关键技术

在分析知识推理型与数据学习型兵棋人工智能(artifical intelligence, AI)优缺点的基础上, 提出了基于知识牵引与数据驱动的AI设计框架。针对框架中涉及的基于数据补全的战场态势感知,基于遗传模糊系统的关键点推理,基于层次任务网的任务规划、计划修复与重规划,基于深度强化学习的算子动作策略优化等关键技术进行深入探讨。结果表明,所提框架具有较强的适应性, 不仅能够满足分队、群队、人机混合等兵棋推演的应用需求, 而且适用于解决一般回合制或即时策略性的博弈对抗问题。     

基于卷积神经网络的图像风格迁移算法研究

针对Gatys的图像风格迁移算法做了两个方面的改进,首先提出了一种更加适用于风格迁移的卷积网络结构,相较于其他的预训练卷积神经网络模型减少了95％的参数数量,降低了22％以上算法运行时间;其次对风格迁移的风格损失函数部分做了改进,可以使一幅内容图像同时迁移多种不同的画作风格.