数字经济时代下SPOC深度混合教学模式构建及应用--以市场营销学为例

数字技术和“新商科”的发展对混合式教学提出新的需求与挑战。本文引用深度混合学习理念,融合SPOC(Small Private Online Course)教学模式,构建SPOC深度混合教学模式,并以市场营销课程为例开展实证应用研究。实践表明:SPOC深度混合教学模式通过培养高阶能力的教学目标、与时俱进地重组教学内容、开展线下线上深度混合的教学实施和采用综合性教学评价,构建四阶段教学设计流程。利用多样的信息技术,弥合理论和实践的断裂现象,有效地增加了学生深度参与,提升市场营销课程教学成效。

基于智慧教学平台的深度混合式教学模式构建——以中职《网页制作案例与应用》课程为例

为了改善中职学生在传统教学模式中出现的学习效率低、学习效果不佳等现象,文中提出了一种依托教育信息化手段,贯穿课前、课中、课后全链条的深度混合式教学模式。该模式致力于满足学生的个性化学习诉求,并借力信息化工具实现教学方式的革新,使之更灵动、互动。该模式以智慧教学平台为辅助,能较好地通过在线资源丰富地呈现出课程内容,使学生能更灵活地学习和掌握相关知识与技能,并借助在线协作工具展开团队项目,培养其实际应用能力。

基于OBE理念的深度混合学习教学设计与实践——以市场营销学课程为例

数字技术发展加速了高校线上线下混合式“金课”打造。引用深度混合学习理念,并融合成果导向(OBE)教学模式,构建基于OBE理念的深度混合学习教学设计模型,并以市场营销课程为例开展实证研究,实践表明:学生通过课前、课中和课后的深度混合学习,学习能力明显提升;线上线下资源互补有效促进课程思政元素巧妙融合在情感目标中;形成了“教师和学生双中心”模式,人才教学培养目标得以更好实现。

“学、品、悟、行”四层递进、深度混合式高职图学课程思政研究与实践

针对图学类课程教学中普遍存在“重知识传授、轻价值塑造”和“形体想不出、抽象难理解”两方面问题,从师生课堂角色转换、课程变革、课堂革命等方面开展了创新与实践。一是系统设计了“做中学、学中品、品中悟、悟而行”四层递进式课程思政实施路径,将思政育人元素“隐”于各教学环节,推进课堂变革;二是建立“MOOC+SPOC+翻转课堂”的线上线下“深度”混合式教学模式,为课程思政实施提供了平台,创新了多角度、多主体过程性考核评价方法,推动课堂革命;三是构建了多维度互动的教与学新关系,提升课程思政的实施效果。实践证明,通过“课程思政+信息化教学”课堂革命,有效达成了知识、能力、素质三维目标,实现了主流价值观有效植入,学生遵纪守法意识和工匠精神显著增强,学生学习兴趣充分激发,学习内驱力明显提高。

深度混合学习视域下糖尿病“医患”友好模式创新教学实践研究

有关糖尿病的教学一直是临床内科学教学的重点和难点。如何将理论知识巧妙地融合到临床实践过程中,帮助学生深度掌握医学知识与临床技能是广大临床带教教师思考的问题。在分析深度混合学习概念与内涵的背景下,从前期“学情分析与自主学习”、中期“能力提升与深度研学”、后期“反思与能力拓展”三个阶段入手构建深度混合学习视域下的糖尿病“医患”友好模式教学过程。从提高理论与实践融合效果、充分满足学生学习需求和增加医生、患者、学生之间的联系三个主要方面,阐述深度混合学习视域下糖尿病“医患”友好模式在临床教学中发挥的积极作用。

深度混合型邻域搜索模型求解CVRP问题

邻域搜索算法的关键是邻域结构的选择,但每次迭代搜索的时间较长,缺少在解空间内自主搜索的能力.利用深度强化学习(DRL)模型对邻域搜索算法进行改进,设计了一个新的深度混合型邻域搜索(DHNS)模型来求解带容量的车辆路径问题(CVRP).首先,利用贪婪算法为DRL模型提供初始解;其次,采用指针网络以及Transformer混合编码,利用不同网络的优势,深层次地提取节点特征信息;最后,将修复算子的修复过程转至DHNS模型,自动完成邻域搜索修复解的过程,扩大解空间的自主搜索能力.同时,针对混合编码中复杂传输机制以及解码输出误导性信息的问题,进一步在编码和解码过程中添加AOA(Attention on Attention)机制.AOA负责筛选有价值的信息,过滤不相关或误导性信息,有效刻画了注意力结果和查询之间的相关性,并对节点间的关系进行建模.实验结果表明,DHNS模型在100规模CVRP的优化效果上,优于现有DRL模型和部分传统算法.采用CVRPlib数据集中的算例对该算法的效能进行验证,结果表明,采用DHNS模型能够极大地提升路径问题的优化效能.

深度混合动力汽车NVH问题进展分析

随着技术的进步,混合动力汽车已成为21世纪全球汽车工业的重要发展趋势。混合动力汽车拥有全新的零部件、动力系统、传动系统以及运行模式,它们可以有效地减少传统内燃机的噪音,但是由于它们的结构和相关系统发生了改变,导致整车在振动噪声方面出现了一系列新的挑战。为了更好地解决混合动力汽车的NVH问题,我们对其进行了详细的研究,包括车内振动和噪声的成因、传播途径以及控制方法。我们还对未来的解决方案进行了展望。

大学英语深度混合学习模式建构研究

大学英语深度混合学习是学习者在现实空间与网络空间相结合的学习情境中,以英语学习活动为载体,以交互、协作、共享为基本行为方式达成共同高阶学习目标的过程。为了更好地实现深度混合学习,建构由分析挖掘、设计规划、应用实施、评价反馈组成的“四阶式”大学英语深度混合学习模式。通过一学期对“四阶式”大学英语深度混合学习模式的教学实践验证可得知,学生深度学习能力显著提升,满意度较高。在现代高等教育改革发展中,探讨推动大学英语学习者学习效果的路径,有助于为更加系统地探究深度混合学习、改善高等学校教学质量提供思路。

信息技术驱动的深度混合式教学模式

针对合理运用信息技术破解计算机课程教学难点的问题,从信息技术教育特征出发,结合大学计算机基础教学目标和课程特点,分析课程教学中面临的困难和问题,提出一种信息技术驱动的深度混合教学模式,从教学理念、教学内容、教学方法、平台资源、教学技术等多个维度,介绍课前导学、课堂教学和课后拓展有机融合的教学实践过程,最后说明实践效果。

深度混合动力系统发动机起动控制研究

本文旨在对深度混合动力系统的发动机起动控制进行研究。首先,推导了新型拉维娜功率分流机构的动力学方程,应用杠杆法分析不同挡位下起动控制的方法。接着在设定了工程目标、考虑了诸影响因素的基础上设计了功能模块框架和接口,使用Matlab/Simulink软件搭建了发动机起动控制模型,并进行了联合仿真。最后,将起动控制模型集成到混合动力系统模型中,生成代码后下载到控制器中,在搭载了新型拉维娜功率分流机构的深度混合动力车上进行了NEDC循环的验证。

MOOC/SPOC深度混合学习下大学英语教学的反思与展望

将“互联网+”应用进大学英语课堂已经是当代最普遍的一种教学方式。MOOC/SPOC深度混合学习的应用为英语教师提供了教学便利,同时激起了学生的学习兴趣和求知欲望。大学英语课程中包括有基本应用英语与职业英语。在网络信息化时代,为教育领域提供了新的变革方向,实现由信息技术与教育新模式相互渗透。混合式教学成为大学英语教学中的主要发展趋势,可以大幅度提高学生的学习兴趣,对大学生未来发展有着积极作用。本文主要以MOOC/SPOC深度混合式在大学英语教学中的应用与实践,对混合式教学的特点和应用进行了分析,进而提高大学英语教学效率。

基于深度混合卷积的多传感器信息快速融合

为了解决传统方法对多传感器信息进行融合时存在的实时性与精准性不佳的问题,提出基于深度混合卷积的多传感器信息快速融合方法。采用误差反向传播算法去掉全连接层,设计一种深度混合卷积神经网络优化模型。利用离散小波变换处理多传感器信息的连续信号,重建离散小波逆变换信号。通过误差反向传播算法训练神经网络,调整网络层隶属函数参数与网络权重,经参数学习律离线训练深度混合卷积神经网络模型,实现多传感器信息快速融合。仿真阶段,由信息滤波效果、位移与速度估算值结果验证得出,所提方法降噪质量与融合精度较高,信息融合速度较快,能够满足实际的应用需求,具有良好的可行性。

深度混合动力汽车NVH问题研究进展

伴随着我国科技的不断发展,混动汽车已经成为了这个世纪工业改造发展的重要领域,其具备了新的部件和动力系统,产生了新的运行模式,但也要看到即便在掩蔽噪声方面比传统内燃机有了更进一步的改进,整车结构与系统变化下振动噪声方面依旧存在不少问题。本文结合笔者多年的工作实践经验,探讨深度混合动力汽车NVH问题及解决技术的应用。

深度混合动力汽车空调系统优化改良

由于深度混合动力汽车的发动机运行比例低于60%,使汽车无法通过发动机获得足够的余热用于采暖,不能沿用传统燃油汽车的空调系统来制冷制热。大部分深度混合动力汽车通过加装PTC热敏电阻来协调解决这个问题。本文则设计一套热泵空调系统,并改装到装有PTC热敏电阻空调的深度混合动力汽车普锐斯上。然后通过实车测试获取深度混合动力汽车运行能耗、采暖系统能耗、电动机发热情况和电池发热情况;在不同外界环境温度下的采暖能耗,与原车的PTC采暖能耗进行经济性对比,由此来评测深度混合动力汽车应用热泵采暖空调后对汽车的经济性的影响。

信息技术支持下大学英语读写课程深度混合式教学研究

大学英语读写课程深度混合式教学近年来受到关注,主要探讨线上线下混合式教学以及通过翻转课堂进行混合式教学。目前信息技术为混合式教学过程提供了广阔的平台,如外教社的WE LEARN就是大学英语读写课程的很好的慕课平台,学生可以在慕课平台进行自主学习,教师及时发现学生的问题进行反馈,并且教师可以在超星学习通平台布置学习任务,发布讨论、作业,定期进行检测,随时掌握学生的学习情况,线下教师组织小组讨论,进行线上和线下的交互式学习,形成一个良性的、动态的线上线下深度混合式学习生态系统。什么是深度混合式教学?本文试图从理论基础、核心概念、关键问题几方面进行分析,并通过超星学习通的教学实践进行实证研究,以期为大学英语读写课程深度混合式教学提供借鉴。

全球海洋混合层深度和障碍层厚度计算及其时空变化特征分析

基于2002—2019年的Argo温盐数据计算得到海洋混合层深度(MLD)和障碍层厚度(BLT),利用阈值法在计算过程中设置不同的温度阈值ΔT_(1)=0.2℃和ΔT_(2)=0.5℃,并分别利用温度、密度以及由温度和密度计算得到全球海洋的MLD和BLT值,基于此描述不同温度阈值下得到的全球海洋混合层和障碍层分布特征。结果表明:不论阈值是ΔT_(1)还是ΔT_(2),基于温度和密度的计算结果较基于温度参数或密度参数的结果更为可靠。利用温度参数或密度参数计算得到的MLD值,不论是MLDT还是MLDD都能够在一定程度上体现全球海洋MLD的分布特征,两者在赤道附近和低纬度海域结果的一致性较好,在高纬度海域差异较大。基于阈值ΔT_(2)=0.5℃的结果比基于阈值ΔT_(1)=0.2℃的结果与现有MLD数据的相关性更高,但是均方根误差也更大,可能是由于不同海域适合的阈值选择不同,需进一步计算分析。全球海洋BLT较南北半球高纬度海域BLT值更大,BLT值随着纬度的降低而减小,空间分布特征在不同海域均存在明显差异,总体来说BLT随着纬度的降低而减小。

基于混合深度学习的压气机喘振快速诊断及自抗扰控制方法

[目的]为了提升压气机设备安全、稳定运行的水平,提出一种基于混合深度学习参数辨识的喘振状态快速诊断方法,以及一种用于实现压气机退喘的自抗扰控制策略。[方法]首先,采用长短期记忆神经网络(LSTM)处理压气机参数辨识输入输出数据的时序关系,并融入高斯过程回归(GPR)的区间概率估计能力,提出一种基于LSTM和GPR结合(LSTM-GPR)的混合深度学习参数辨识算法,进而实现对压气机喘振状态的快速诊断;然后,基于自抗扰控制方法对压气机的节流阀参数进行控制,通过控制量对压气机节流阀参数的补偿,实现对压气机喘振状态的准确控制。[结果]结果表明,混合深度学习参数辨识算法可以实现对压气机临界Greitzer参数的准确辨识,能快速、准确地判断出压气机是否处于喘振状态,并且基于自抗扰控制的控制策略,可以使压气机有效退出喘振状态,相比传统的PID控制和非线性反馈控制等控制方法,所提方法快速、有效,可保证压气机的工作范围。[结论]提出的参数辨识和自抗扰控制方法能够用于压气机的喘振诊断和主动控制,可提升压气机的安全性与稳定性。

基于混合深度学习的盾构掘进姿态和位置的动态预测

为了减少盾构掘进对周围地层及管片姿态的影响,盾构姿态需要尽可能与设计轴线吻合,以减少盾构实时位置与设计值间的偏差。开发了一种基于混合深度学习模型的预测方法,提出了一种盾构隧道中实时姿态和位置的动态预测框架,对盾构姿态和位置的4个关键参数进行预测。该框架包含Kriging插值、小波变换(wavelet transform, WT)噪声滤波器、带通道注意力机制的卷积神经网络(convolutional neural networks with channel attention, CNN-CA)以及用于确定盾构机未来姿态和位置的长-短期记忆网络(long short-term memory, LSTM)。基于上海市域铁路工程中盾构收集的数据集对该模型的性能进行验证,并研究了CNN-CA网络对模型的影响。研究表明,该模型在盾构的姿态预测方面效果较好,CNN-CA网络能够有效提取预测值所需的特征,对计算精度贡献较大。

基于变分模态分解和深度多核极限学习机的轴承故障分类

针对轴承故障分类任务中核极限学习机(kernel extreme learning machine,KELM)超参数选择困难、模型运算速度慢的问题,提出一种基于深度混合核极限学习机(deep hybrid kernel extreme learning machine,DHKELM)的轴承故障分类方法,利用天鹰优化算法(aquila optimization algorithm,AO)实现该模型超参数的优化选择。首先,以峰度指数作为鲸鱼优化算法(whale optimization algorithm,WOA)的适应度函数,对变分模态分解(variational mode decomposition,VMD)的相关参数寻优,利用最优参数组合进行VMD分解,得到k个模态分量并求其希尔伯特-黄变换(Hilbert-Huang Transform,HHT)边际谱作为特征数据,将其作为天鹰优化DHKELM分类器的输入,对不同状态的轴承故障进行识别。实验结果表明,KELM,DHKELM,天鹰优化DHKELM三种分类模型故障识别准确率分别为94%,96.67%,98.34%,运算时间分别为0.0631,0.0360,0.0175 s,证明AO-DHKELM识别准确率和运算速度均具有明显优势。

基于混合深度学习的藏医古籍命名实体识别研究

[目的/意义]针对藏医古籍知识组织与开发不足的问题,利用混合深度学习方法构建面向藏医古籍的命名实体识别模型,为藏医古籍知识的深度开发与利用提供方法支持。[方法/过程]根据藏医古籍知识特点,构建ALBERT-BiLSTM-CRF模型。以《四部医典》为数据集,在人工标注与文本预处理的基础上,进行命名实体识别实验,并将实验结果与其他3种常见模型进行对比分析。[结果/结论]ALBERT-BiLSTM-CRF模型对藏医古籍实体识别效果最好,F1-score达到96.28%,与其他方法相比提升约7个百分点。