探究平板电脑在数学数字化转型中的价值——以“4.3圆的面积(1)”一课为例

在推动教育数字化转型的趋势下,很多教师采用平板电脑改善课堂教学。然而,部分教师仅仅改变了教学形式,而未触及教学实质。实践证明,善用平板电脑的独特功能,能够有效延伸数学课堂教学,推动学生自主探究,促进生生互动,并提升反馈效率。因此,合理运用平板电脑的教学策略对提升数学课堂效果具有重要意义。

累积热量值监控生物发酵过程的研究

用谷氨酸菌和啤酒酵母菌进行麦汁发酵培养,跟踪了累积热量值和菌量(OD值)等参数在发酵过程中的变化趋势,发现累积热量值和菌量的变化趋势相似;用一元线性回归模型和多项式回归模型对累积热量值和菌量进行曲线拟合,对模型作假设检验,结果表明累积热量值与菌量存在线性关系,累积热量值可以监控生物发酵过程。

基于深度学习的联合变换相关器光学图像加密系统去噪方法

提出了一种基于深度学习的联合变换相关器(JTC)光学图像加密系统新型去噪方法.针对JTC光学图像加密系统中解密图像噪声的问题,设计了一种基于生成对抗网络的去噪框架,并使用密集模块加强特征信息复用,提高了网络的性能.该方法通过引入通道注意力机制使网络区分不同通道的权重,学习各通道之间的关联,使网络能选择性的加强有用特征信息并抑制无用特征信息;在损失函数方面,加入非对抗损失部分,结合对抗损失和生成器模型提高了解密噪声图像中高频信息的恢复质量;最后重建出高质量的解密图像.将该方法用于传统的JTC光学图像加密系统,数值计算和模拟实验结果表明,该方法可极大地消除JTC光学图像加密系统中噪声影响,有效地提高JTC光学图像加密系统用于高质量图像加密的有效性和可行性.

基于深度学习的图像恢复技术研究与实现

针对现有的基于传统算法的图像恢复技术无法有效地恢复出高质量图像问题,本文提出了基于深度学习技术的图像恢复方法。对现有的图像恢复网络进行改进,总体网路模型基于生成对抗网络,其中生成网络总体结构基于UNet网络,对上采样下采样的次数作调整,根据数据集的特点,减少了网络的下采样次数,防止因为网络的层数过多导致的特性信息的流失。特征提取模块中加入密集网络的特征提取模块,在减少网络参数的同时提升提取特征的能力。数据集使用了经过光加密系统后的CGH(Computer Generated Holograms)计算生成全息图作为生成的噪声图像,并使用本文提出深度学习方法对该测试集进行恢复,对恢复的结果使用PSNR和SSIM指标进行评价,结果显示本文提出算法的有效性能。综上可知,本文算法所实现的模型能够有效地对现有的受损图像恢复并且恢复出高质量的图像,对图像恢复领域有着较高的实用价值和意义。