对当前我国高校行政管理现状的思考

高校行政管理属于社会公共事务管理范畴,带有政府行政管理的鲜明印痕,同时它又是高校管理系统的中枢。从基础层面上看,它具有阶级统治职能、社会管理职能和社会服务职能,并通过一定的运行机制来实现。其管理对象是教育事务,其目的在于实现教育目标,它具有导向功能、制约功能、调节功能和保障功能。针对目前我国高校行政管理中存在的执行职能残缺、行政权力挤占学术权力、服务职能严重弱化等问题,应通过强化行政执行、提高学术研究地位、适当分散权力、推行问责制等加以解决。

高压输电线路故障诊断及预防措施

高压线路作为电力系统非常重要的组成部分,其对电网运行的安全性和稳定性具有非常重要的影响。高压输电线路运行过程中极易受到外界因素的影响,一旦发生故障,则会对电力系统运行的安全带来较大的威胁,给电力企业带来严重的经济损失,所以需要做好高压输电线路故障诊断及预防工作,确保高压输电线路运行的安全性。文中从高压输电线路中常见的故障种类入手,分析了高压输电线路故障的诊断方法,并进一步对防止高压输电线路故障的有效措施进行了具体的阐述。

从独立上抓机遇 在特色上下功夫 向创新上求发展——独立学院科学教育发展观浅探

独立学院是高等教育从精英教育向大众教育转移中分娩的新型学校。作为社会系统的一个重要的子系统,随着科学发展观的提出,独立学院必然需要具备与自身相适应的科学教育发展观。探明科学教育发展观的内涵,认清独立学院的特殊个性特点和独特优势,大胆开拓创新,是独立学院全面、协调、可持续发展,又一次创造辉煌的必由之路。

学习型家庭是构建学习型社会的坚实基础

建设学习型社会是促进人的全面发展的重要途径,也是转变经济增长方式,倡导健康生活方式、建设社会主义精神文明的内在要求,更是全面建设社会主义小康社会的重要智力和动力源泉。学习型社会需要全社会多领域、多层面、众多人的共同作用,但最坚实的基础,离不开学习型家庭的建设。因为家庭是人的全面发展的重要起点。家庭教育的早期性、示范性和时空普遍性,是引渡个人走向社会的港湾和舟桥。学习型家庭又是社会文明的细胞,更是学习型社会的坚实基础。全国亿万个家庭的学习诉求、学习理念、学习方法、学习热情和学习氛围如何,必将决定学习型社会建设的成效与成败。假若缺少学习型家庭这一要素环节,建设学习型社会很可能永远停留在口号或理想的层面。

城市规划技术标准适度化研究

本文以拉萨的城市规划建设为例，对当前城市规划技术标准适度化六个方面的内涵进行了简要分析，同时对于城市规划过度标准化带来一系列负面影响的情况下，当前城市规划与建设应采取怎样的策略作了分析，以期城市规划发展技术标准更为适度化。

高校校园文明建设的理论与实践

校园文明是社会主义高校的重要特征， 是高校工作的重要目标， 也是高等教育事业改革和发展的重要保证。本文从理论与实践的结合上， 论述了校园文明建设的重大意义、主要任务和在育人中的重大作用， 并联系成都理工学院创建文明校园的实践， 阐述了校园文明建设的主要途径， 对加强校园文明建设的理论与实践的研究，作出了积极有益的探索。

±400kV联网直流输电线路带电作业安全距离的研究

高压直流输电线路能够适应远距离、大容量的电能传输需求，非常适合大区电网非同步互联，而且直流线路的造价低，功率损耗较小，功率调节方式灵活，有着非常的系统稳定性。作为一种远距离、大容量的带输电线路，其后期停电检修的几率非常小，多收时候需要带电作业完成输电线路的检修、测试和改造等过程，因此必须研究其带电作业的安全距离，为此我们分析了±400kV联网直流输电线率带电作业的安全操作距离，对此类电网运营维护有着重要的意义。

时域候选优化的时序动作检测

目的时序动作检测(temporal action detection)作为计算机视觉领域的一个热点课题,其目的是检测视频中动作发生的具体区间,并确定动作的类别。这一课题在现实生活中具有深远的实际意义。如何在长视频中快速定位且实现时序动作检测仍然面临挑战。为此,本文致力于定位并优化动作发生时域的候选集,提出了时域候选区域优化的时序动作检测方法TPO(temporal proposal optimization)。方法采用卷积神经网络(convolutional neural network,CNN)和双向长短期记忆网络(bidirectional long short term memory,BLSTM)来捕捉视频的局部时序关联性和全局时序信息;并引入联级时序分类优化(connectionist temporal classification,CTC)方法,评估每个时序位置的边界概率和动作概率得分;最后,融合两者的概率得分曲线,优化时域候选区域候选并排序,最终实现时序上的动作检测。结果在Activity Net v1.3数据集上进行实验验证,TPO在各评价指标,如一定时域候选数量下的平均召回率AR@100(average recall@100),曲线下的面积AUC(area under a curve)和平均均值平均精度m AP(mean average precision)上分别达到74.66、66.32、30.5,而各阈值下的均值平均精度m AP@Io U(m AP@intersection over union)在阈值为0.75和0.95时也分别达到了30.73和8.22,与SSN(structured segment network)、TCN(temporal context network)、Prop-SSAD(single shot action detector for proposal)、CTAP(complementary temporal action proposal)和BSN(boundary sensitive network)等方法相比,TPO的所有性能指标均有提高。结论本文提出的模型兼顾了视频的全局时序信息和局部时序信息,使得预测的动作候选区域边界更为准确和灵活,同时也验证了候选区域的准确性能够有效提高时序动作检测的精确度。