近年来,极端天气事件发生频次不断增加,强度不断加大,其中,由暴雨引发的城市内涝导致交通应急事件发生概率进一步增大。为提升暴雨灾害下应急救援响应速度,本文开展应急车辆救援路径优化研究。以通行时间最短为目标,考虑路面积水对车辆...近年来,极端天气事件发生频次不断增加,强度不断加大,其中,由暴雨引发的城市内涝导致交通应急事件发生概率进一步增大。为提升暴雨灾害下应急救援响应速度,本文开展应急车辆救援路径优化研究。以通行时间最短为目标,考虑路面积水对车辆通行速度的动态影响,构建应急车辆救援路径优化模型,提出动态最短路径优化算法求解模型。选取上海市长宁区东北部作为研究区域,根据SWMM(Storm Water Management Model)模拟得到的50年一遇暴雨条件下城市道路路面的积水情况,设定应急救援场景,求解应急救援路径。通过本文提出算法求解得到的路径与传统静态最短路径算法求解结果对比可知,通行用时同比减少了25.42%。同时,考虑应急物资储备情况分配应急救援任务,扩展了算法的应用场景,形成可靠和高效的应急响应方案,可为提升暴雨灾害下应急响应效率提供参考。展开更多
“任务驱动 + 探究实践”是一种基于建构主义教学理论的混合式教学方法,它重点强调“任务”的目标性和“探究”的主动性。该教学方法通过探索问题来激发和保持学习者的学习兴趣和动机,利用创建的教学环境使学生带着任务进行有针对性地学...“任务驱动 + 探究实践”是一种基于建构主义教学理论的混合式教学方法,它重点强调“任务”的目标性和“探究”的主动性。该教学方法通过探索问题来激发和保持学习者的学习兴趣和动机,利用创建的教学环境使学生带着任务进行有针对性地学习,以使学生去主动探索问题和解决问题。本文从基本原理、主要特点、实施步骤和实施成效等4个方面深入研究了基于“任务驱动 + 探究实践”的混合式教学方法,对各专业应用型创新人才培养具有一定的理论和实践指导意义。“Task-driven + inquiry practice” is a kind of hybrid teaching method that adopts constructivist teaching theory, which emphasizes the goal of “task” and the initiative of “inquiry”. This teaching method stimulates and maintains learners’ interest and motivation through exploring problems, and creates a teaching environment that enables students to carry out targeted learning with tasks, so that they can actively explore and solve problems. In this paper, the blended teaching method based on “task-driven + inquiry practice” is studied in depth from four aspects: basic principles, main features, implementation steps and implementation effectiveness, which has certain theoretical and practical significance for the cultivation of applied innovative talents in various specialties.展开更多
自动调制识别是现代通信系统中一项重要技术。为提高通信系统对不同调制信号间的识别性能,文中首先探索了包含11类调制信号的公开数据集RML2016.10A上原始同相正交(In-phase and Quadrature,IQ)格式数据和经过数据预处理后的幅度和相位(...自动调制识别是现代通信系统中一项重要技术。为提高通信系统对不同调制信号间的识别性能,文中首先探索了包含11类调制信号的公开数据集RML2016.10A上原始同相正交(In-phase and Quadrature,IQ)格式数据和经过数据预处理后的幅度和相位(Amplitude and Phase,AP)格式数据的差异;随后,依据原始IQ格式数据和AP格式数据在特征提取过程中对局部相关性及时序特征敏感性的差异,设计了针对空间特征提取的SFE-Block模块、针对长期依赖关系提取的TFE-Block模块,以及联合时空特征提取模块STFE-Block,并将前两者的输出特征作为STFE-Block模块输出特征的重要补充进行特征融合,以全连接(Fully Connected)层负责最终分类。实验结果表明,本模型在数据集RML2016.10A上表现良好。当信噪比(Signal to Noise Ratio,SNR)低于-8 dB时,平均识别精度比其他模型提升7%,而SNR在0~18 dB时,平均识别精度比其他模型提高1%~8%,且在SNR为16 dB时,最高识别精度达92.95%。此外,在RML2016.10B数据集上重复了实验以检验模型泛化性,所得结果同样最优,且当SNR为12 dB时,最高识别精度达到93.6%。展开更多
文摘近年来,极端天气事件发生频次不断增加,强度不断加大,其中,由暴雨引发的城市内涝导致交通应急事件发生概率进一步增大。为提升暴雨灾害下应急救援响应速度,本文开展应急车辆救援路径优化研究。以通行时间最短为目标,考虑路面积水对车辆通行速度的动态影响,构建应急车辆救援路径优化模型,提出动态最短路径优化算法求解模型。选取上海市长宁区东北部作为研究区域,根据SWMM(Storm Water Management Model)模拟得到的50年一遇暴雨条件下城市道路路面的积水情况,设定应急救援场景,求解应急救援路径。通过本文提出算法求解得到的路径与传统静态最短路径算法求解结果对比可知,通行用时同比减少了25.42%。同时,考虑应急物资储备情况分配应急救援任务,扩展了算法的应用场景,形成可靠和高效的应急响应方案,可为提升暴雨灾害下应急响应效率提供参考。
文摘“任务驱动 + 探究实践”是一种基于建构主义教学理论的混合式教学方法,它重点强调“任务”的目标性和“探究”的主动性。该教学方法通过探索问题来激发和保持学习者的学习兴趣和动机,利用创建的教学环境使学生带着任务进行有针对性地学习,以使学生去主动探索问题和解决问题。本文从基本原理、主要特点、实施步骤和实施成效等4个方面深入研究了基于“任务驱动 + 探究实践”的混合式教学方法,对各专业应用型创新人才培养具有一定的理论和实践指导意义。“Task-driven + inquiry practice” is a kind of hybrid teaching method that adopts constructivist teaching theory, which emphasizes the goal of “task” and the initiative of “inquiry”. This teaching method stimulates and maintains learners’ interest and motivation through exploring problems, and creates a teaching environment that enables students to carry out targeted learning with tasks, so that they can actively explore and solve problems. In this paper, the blended teaching method based on “task-driven + inquiry practice” is studied in depth from four aspects: basic principles, main features, implementation steps and implementation effectiveness, which has certain theoretical and practical significance for the cultivation of applied innovative talents in various specialties.
文摘自动调制识别是现代通信系统中一项重要技术。为提高通信系统对不同调制信号间的识别性能,文中首先探索了包含11类调制信号的公开数据集RML2016.10A上原始同相正交(In-phase and Quadrature,IQ)格式数据和经过数据预处理后的幅度和相位(Amplitude and Phase,AP)格式数据的差异;随后,依据原始IQ格式数据和AP格式数据在特征提取过程中对局部相关性及时序特征敏感性的差异,设计了针对空间特征提取的SFE-Block模块、针对长期依赖关系提取的TFE-Block模块,以及联合时空特征提取模块STFE-Block,并将前两者的输出特征作为STFE-Block模块输出特征的重要补充进行特征融合,以全连接(Fully Connected)层负责最终分类。实验结果表明,本模型在数据集RML2016.10A上表现良好。当信噪比(Signal to Noise Ratio,SNR)低于-8 dB时,平均识别精度比其他模型提升7%,而SNR在0~18 dB时,平均识别精度比其他模型提高1%~8%,且在SNR为16 dB时,最高识别精度达92.95%。此外,在RML2016.10B数据集上重复了实验以检验模型泛化性,所得结果同样最优,且当SNR为12 dB时,最高识别精度达到93.6%。