目的探究成果导向教育(Outcome Based Education,OBE)理论下TPA阶梯教学对神经科医师培训效果及教学满意度的影响。方法随机选取2020年5月—2023年5月潍坊医学院附属医院接受规范化培训的52名神经科医师为研究对象,于2020年5月—2021年1...目的探究成果导向教育(Outcome Based Education,OBE)理论下TPA阶梯教学对神经科医师培训效果及教学满意度的影响。方法随机选取2020年5月—2023年5月潍坊医学院附属医院接受规范化培训的52名神经科医师为研究对象,于2020年5月—2021年12月培训中采用传统教学法的26名医师为A组、于2022年1月—2023年5月培训中采用OBE理论下TPA阶梯教学的26名医师为B组,对比两组培训效果。结果教学后,B组理论考核成绩、实践能力考核成绩均高于A组,差异有统计学意义(P均<0.05);B组教学满意度(100.00%)高于A组(76.92%),差异有统计学意义(χ^(2)=4.710,P<0.05)。结论OBE理论下TPA阶梯教学的应用效果更理想,有助于提高神经科医师理论及实践能力考核成绩、教学满意度。展开更多
台风条件下海上风电场风速变化大、无明显周期性,这对海上风电场的风速预测造成了极大的困难。针对此问题,提出台风条件下海上风电场风速多步预测方法。首先,针对台风预报信息与风电场风速数据时间尺度不统一的问题,提出用嵌入层网络对...台风条件下海上风电场风速变化大、无明显周期性,这对海上风电场的风速预测造成了极大的困难。针对此问题,提出台风条件下海上风电场风速多步预测方法。首先,针对台风预报信息与风电场风速数据时间尺度不统一的问题,提出用嵌入层网络对台风预报信息进行动态插值。其次,基于Holland气压场模型和Batts梯度风模型构建融合物理信息的神经网络,将Holland模型和Batts模型中的经验参数替换成网络可学习的参数,并针对网络训练过程中可能出现的数值问题引入适当的近似方法。最后,对含时序模式注意力机制的长短期记忆网络(temporal pattern attention long short-term memory,TPA-LSTM)进行改进,嵌入融合物理信息的神经网络,利用近40年台风期间的数据进行训练和测试。结果表明,在引入较少参数的情况下,物理信息神经网络能减少TPA-LSTM网络的训练迭代次数以及提高预测精度,所提模型相比序列到序列(sequence to sequence,Seq2Seq)模型和TPA-LSTM网络具有更高的预测精度。展开更多
文摘目的探究成果导向教育(Outcome Based Education,OBE)理论下TPA阶梯教学对神经科医师培训效果及教学满意度的影响。方法随机选取2020年5月—2023年5月潍坊医学院附属医院接受规范化培训的52名神经科医师为研究对象,于2020年5月—2021年12月培训中采用传统教学法的26名医师为A组、于2022年1月—2023年5月培训中采用OBE理论下TPA阶梯教学的26名医师为B组,对比两组培训效果。结果教学后,B组理论考核成绩、实践能力考核成绩均高于A组,差异有统计学意义(P均<0.05);B组教学满意度(100.00%)高于A组(76.92%),差异有统计学意义(χ^(2)=4.710,P<0.05)。结论OBE理论下TPA阶梯教学的应用效果更理想,有助于提高神经科医师理论及实践能力考核成绩、教学满意度。
文摘风速变化的间歇性和波动性给风功率的精准预测带来极大挑战,充分挖掘风电功率与风速等关键因素的内在规律是提高风电功率预测精度的有效途径。提出一种结合时间模式注意力(time pattern attention,TPA)机制的多层堆叠双向长短期记忆网络的超短期风电功率预测方法。首先,利用基于密度的含噪声空间聚类方法(den⁃sity based spatial clustering with noise,DBSCAN)和线性回归算法进行风功率数据集的异常值检测,利用k最邻近(k⁃nearest neighbor,KNN)插值法重构异常点数据;其次,综合考虑风电功率与各气象特征的内在关联性,在MBLSTM网络中引入TPA机制合理分配时间步长权重,捕捉风电功率时间序列潜在逻辑规律;最后,利用实验仿真数据进行分析验证本文方法的有效性,该方法能够充分挖掘风功率与风速影响因素的关系,从而提高其预测精度。
文摘台风条件下海上风电场风速变化大、无明显周期性,这对海上风电场的风速预测造成了极大的困难。针对此问题,提出台风条件下海上风电场风速多步预测方法。首先,针对台风预报信息与风电场风速数据时间尺度不统一的问题,提出用嵌入层网络对台风预报信息进行动态插值。其次,基于Holland气压场模型和Batts梯度风模型构建融合物理信息的神经网络,将Holland模型和Batts模型中的经验参数替换成网络可学习的参数,并针对网络训练过程中可能出现的数值问题引入适当的近似方法。最后,对含时序模式注意力机制的长短期记忆网络(temporal pattern attention long short-term memory,TPA-LSTM)进行改进,嵌入融合物理信息的神经网络,利用近40年台风期间的数据进行训练和测试。结果表明,在引入较少参数的情况下,物理信息神经网络能减少TPA-LSTM网络的训练迭代次数以及提高预测精度,所提模型相比序列到序列(sequence to sequence,Seq2Seq)模型和TPA-LSTM网络具有更高的预测精度。
