“面向对象的设计与分析”课程思政的教学设计及实践

文章以课程“面向对象的设计与分析”为研究对象,首先探讨该课程思政教育的必要性、可行性。然后,从挖掘“思政”元素、探索融入路径与设计思政教学案例等三个方面阐述本课程思政教学的设计方案。并且,以“‘三省六部制’案例融入包图设计”的教学为例,介绍本课程思政教学的具体实施。在“面向对象的设计与分析”课程引入思政教育,有助于帮助学生克服困难、以提升知识习得能力;强化实现民族复兴责任感及职业道德感,有助于实现全面育人的目的。     

全国软件业恢复增长——2020年1-11月全国软件业收入增速平稳

2020年1—11月,我国软件和信息技术服务业(以下简称软件业)持续恢复,收入增速平稳,利润增速略有下降,电子商务平台技术服务和集成电路设计收入保持较快增长。总体运行平稳回升软件业务收入增速平稳回升。2020年1—11月,我国软件业完成软件业务收入73142亿元,同比增长12.5%,增速较上年同期回落3.0个百分点,较2020年1—10月提高0.8个百分点。     

中间包永久层正交设计试验

中间包是连续铸钢系统的重要组成部分。本文采用正交设计法,以铝酸盐水泥、微硅粉、高温氧化铝微粉三种微粉作为影响因素,制成9组铝硅质低水泥中间包永久层浇注料试样,检测试样中、高温性能指标。结果表明,最优方案为A_2B_2C_3,即铝酸盐水泥、微硅粉、高温氧化铝微粉质量百分含量分别为3wt%、4wt%和2wt%。     

数据驱动的铝基复合材料性能预测和逆向设计

采用数据驱动的方法对 SiCp(0.5CNT)/7075Al 铝基复合材料的化学成分以及制备工艺进行了分析, 针对抗拉强度和延伸率两个力学性能进行了特征重要性分析, 构建了包含 8 种机器学习算法的集成框架, 自动进行模型的参数调优和最优模型选择, 并在此基础上进行了材料逆向设计. 实验结果表明, 在 470 ${^\circ}$C 固溶 40 min, 120${^\circ}$C 时效 15 h 的热处理工艺下, SiCp(0.5CNT)/7075Al-1.0Mg 复合材料抗拉强度和延伸率的预测值为 617.48 MPa 和 2.98%, 实验值为 647.0 MPa 和 3.31%, 两项物理性能的平均绝对百分比误差(mean absolute percentage errors, MAPE)较小, 依次为 4.56% 和 9.97%. 这说明本数据驱动方法对铝基复合材料的工艺优化和性能提升有一定指导意义.     

共享自动驾驶汽车使用意愿模型及其影响因素

为了构建共享自动驾驶汽车(shared autonomous vehicles，SAV) 的使用意愿模型并分析其影响因素，通过使用时机和使用频率来体现公众对SAV的使用意愿；采用验证性因子分析将态度潜变量转化为潜变量得分，以此将态度潜变量引入传统的有序Logit模型；提出SAV使用意愿的有序Logit模型构建方法，并建立基于个人属性、通勤特征、态度潜变量的SAV使用意愿模型.研究发现:是否使用过滴滴拼车、工作单位停车费、自动驾驶态度对使用时机和3种价格(1，2，3元/km) 下的使用频率有显著影响；使用过滴滴拼车、工作单位收取停车费、支持自动驾驶的群体倾向于频繁地、更早地使用SAV出行；公众期望以1元/km或 2元/km即不超过目前滴滴拼车的价格使用SAV.     

光散射法扬尘监测仪关键设计与数据分析

为提高光散射扬尘监测仪对环境空气中颗粒物PM10及PM2.5的测量的稳定性及精度,通过对光散射扬尘监测仪的关键设计,提供一种温湿度传感器以及动态控制系统,消除环境湿度对采样气路的影响;设计零气校准及自动吹扫系统防止高浓度颗粒物对光学气室的污染,提高本底测量精度,从而实现光散射法扬尘监测仪测量精度更高、稳定性更好.     

基于多环返工串行生产线的性能优化建模

为评价和优化串行多环返工生产系统的生产性能表现，结合质量管理与精益生产的理念，区别于传统的返工机制，提出一种全新的“即刻返工”检查机制，将生产系统建模扩展至多机多缓冲区的复杂生产系统.基于生产系统的两大要素，机器与缓冲区的生产状态变化，依据概率论与马氏定理，构建缓冲水平的动态概率转移矩阵，以在制品库存水平及系统平均生产率作为研究指标，针对生产设备及缓冲区展开瞬态分析，通过迭代计算，表明设置合理的系统规模与缓冲区阈值能达到优化系统生产性能的目的，并通过数值实验验证其有效性.     

基于新媒体语境下的视觉设计研究

在工业化以及数字化的发展过程中,现代视觉设计不断成熟发展,每一次的技术革新都给视觉设计赋予了全新的意义。文章论述了新媒体条件下的媒体状态和表达方式、视觉设计新的功能性及其显性与潜在的价值,并探讨了视觉设计的原则,研究视觉设计应如何变革方能适应当下的新媒体环境并能够取得长足发展。     

基于深度学习网络模型与大数据自动训练的工件缺陷识别算法研究

针对工件缺陷种类多样和特征不明显,造成机器视觉识别精度不稳定的问题,提出了一种基于深度学习网络模型与大数据自动训练的工件缺陷识别算法,并以软件工程来实现其功能。首先,对存在缺陷的工件进行取样,采集缺陷图像,建立识别标准。然后,基于深度神经网络模型和缺陷标准图像,进行模型训练,采取分批训练,逐步迭代收敛的方式,达到准确识别工件缺陷目的。最后,基于Python语言与TensorFlow框架实现深度神经网络模型,并将模型移植到C++平台调用,嵌入到商业版本软件中,实现算法的落地应用。实验测试结果显示,相对于已有的缺陷识别技术而言,本文算法具有更高的识别准确性,可为机器视觉软硬件设备提供技术基础。