应用ISTM教学法 培养物理学科核心素养——以人教版九年级“两种电荷”的教学为例

ISTM课堂教学旨在提供适当的语言环境,让学生全身心投入学习,并创造性地运用规则参与课堂教学,促进学生的深度学习.基于ISTM教学法,以人教版“两种电荷”的教学为例,将电荷、电荷间相互作用以及摩擦起电等教学内容进行知识融合,构建了由“学习情况预估、知识环境准备、关联知识激活、新授知识获取、知识深度加工、学习效果评价”6个步骤组成的深度学习教学模式,期望达到培养学生物理学科核心素养的目标.

国际旅行医学会(ISTM)医师和护士在旅行医学操作过程中基本概念

Ⅰ.流行病学人基本概念(如发病率,死亡率,事故,流行) B.疾病的地区特异性及全球分布和潜在的健康危害Ⅱ.免疫学/预防接种 A.基本概念和原理(如活性和灭活疫苗,衡量免疫反应的方法) B.疫苗的管理,存放。

组合式深度学习的电离层TEC短期预报模型

针对磁暴期间电离层总电子含量TEC异常扰动导致预报精度大幅降低的问题,提出基于强化学习的Q学习算法,对遗传算法优化BP神经网络模型和长短时记忆网络模型进行优化组合,进而建立了一种组合式深度学习的电离层TEC预报模型。分别利用组合模型、两个单一模型对CODE提供的中国地区TEC数据进行3 d预报。结果表明,在不同磁暴等级(强、中、弱、无)下,组合模型预报的平均相对精度分别为95.9%、95.7%、92.6%和95.3%,较两个单一模型平均提高了约6%;其中预报残差小于1 TECu的占比分别达到60%、59%、76%和98%,相比两个单一模型平均提升了约27%。

基于LSTM深度学习的河湖生态流量预警预报模型研究

为探究河湖生态流量预报预警机制,进一步改善河湖生态环境,以浙江省椒江流域为研究对象,提出了考虑预警信息的结合熵值法和LSTM的生态流量预报新方法。结果表明:Q90法得出的柏枝岙和沙段断面的生态流量核算值分别为2.89m^(3)/s和1.92m^(3)/s,计算结果低于多年平均流量的10%,较为合理可靠;所建模型验证期的纳什效率分别为0.91和0.88,偏差为2.55%和-3.22%,本模型的低水流量模拟效果要优于传统的新安江模型;柏枝岙和沙段断面无预警信息的预报合格率为98.72%和95.38%,有预警信息的预报合格率高达100%和96.61%,满足预报甲级精度,说明该方法较好地完成河湖生态流量预警信息预报任务。

基于LSTM的短期风速预测研究

由于风速具有较强的随机性,受各种因素影响较多,因此风速预测的准确度不高。针对上述现象,提出了一种基于LSTM(Long Short-Term Memory)深度神经网络的短期风速预测方法,以某风机历史数据作为输入,对网络进行训练,建立短期风速预测模型,实现提前一步短期风速预测。算例结果表明,使用LSTM深度神经网络预测风速与实际风速基本一致,预测效果较为理想。将所提方法与其它预测方法预测结果进行对比,预测平均绝对误差最小,表明所提方法具有更高的预测精度,验证了上述预测方法在短期风速预测中的可行性和有效性。

卷积神经网络在滚动轴承故障诊断中的应用

如今,滚动轴承在机械领域应用广泛,而滚动轴承是容易发生故障的零件。在滚动轴承故障诊断中,传统经验分析法受人工经验的影响局限性较大。鉴于此,文章设计了以长短时记忆(Long Short-Term Memory,LSTM)和卷积神经网络(Convolutional Neural Network,CNN)为基础的轴承故障诊断模型,通过故障数据对两种模型进行训练,在TensorFlow框架下,对LSTM和CNN两种不同方法进行了仿真对比。实验发现,基于CNN的轴承故障诊断模型在各方面性能都更为优异,准确率比基于LSTM的轴承故障诊断模型高出8%。实验结果表明,应用CNN模型能够提高滚动轴承故障诊断准确率,具有较高的应用价值。