1+X证书制度下应用型本科院校实践教学优化建议——以计算机类专业为例

在1+X证书制度背景下,应用型本科院校的实践教学已经无法满足行业对人才的需求。该文以计算机类专业为例,针对当前应用型本科院校实践教学中存在的问题,提出改进和优化的建议,以期有效提升应用型本科院校的教学质量和办学水平,同时为应用型本科院校的实践教学改革提供新的思路,也为1+X证书制度的落实和高质量发展提供借鉴。

应用精英反向学习的飞蛾扑火优化算法

飞蛾扑火优化算法(MFO)是一个新颖的启发式算法,其主要设计灵感来源于自然界中称为横向定位的导航机制。由于标准飞蛾扑火优化算法容易陷入局部最优、求解精度低,所以借鉴精英反向学习策略,提出一种应用精英反向学习的飞蛾扑火优化算法(EOMFO)。新算法不仅增加了群体的多样性,并且提高了算法的综合性能。通过对7组标准测试函数的实验仿真,结果表明应用精英反向学习的飞蛾扑火优化算法具有更高的收敛精度,从而验证了新算法是有效的和可行的。

基于深度学习的石油污染物三维荧光光谱识别技术研究

石油油品在一定的激发光照射下可产生相当强度的三维荧光光谱,是鉴别和分析石油污染物的重要依据。由于石油油品的荧光光谱特征复杂、数据庞大,不宜直接用数学模型描述,也不宜简单依靠人工观察分析。因此,根据深度学习的卷积神经网络(CNN)理论提出了一种直接利用石油油品原始荧光数据进行CNN建模的方法,利用其强大的非线性运算能力、自适应表示学习能力,自动隐性地从训练数据中进行特征学习,实现水环境中石油污染物种类识别。通过大量的荧光实验构建了石油油品(汽油、机油、柴油)的训练和验证光谱数据集,基于Python深度学习框架Keras建立了CNN模型,并对CNN模型在光谱数据集上进行了训练、验证与测试实验,实现了被测油品的种类判别。实验结果表明:该CNN模型对3种油品的训练集与验证集三维荧光光谱的分类准确率都达到了99.76%,综合测试分类准确率达到82.65%,对单物质分类准确率为100%,验证了三维荧光技术结合深度学习算法能够实现对石油油品准确可靠的判别分类,也为进一步研究基于深度学习的水环境污染物智能识别系统提供了技术支持,为环境检测提供了一种新思路与新方法。