线上线下混合式教学模式下学生学习适应性调研和问题分析——以化工原理A2课程为例

信息技术的发展带动了高校的教学信息化改革,结合线上自主学习和线下翻转课堂的混合式教学模式已经成为教学的一种新选择。针对中国矿业大学(北京)本科生化工原理课程线上线下混合式教学模式下学生学习适应性的问卷调查发现,2/3的学生缺乏参与新教学模式的积极性,但是学习适应性较好;混合式教学模式相对于传统教学模式更有利于提升教学效率和教学效果,也更有利于激发学生的学习积极性,培养学生的自主学习能力。     

2219铝合金T87状态板材生产过程中的热处理工艺研究

为了生产达到国外先进性能指标的2219铝合金T87状态板材,试验研究了该板材生产过程中的铸锭均匀化工艺,板材的固溶淬火工艺,形变时效热处理中的冷变形、时效工艺。通过对板材力学性能检测对比与金相组织观察,优化热处理工艺参数,最后确定最佳工艺制度,生产的2219铝合金T87状态板材达到所要求的性能指标。     

我国城市规划转型之生态城市建设研究

面对气候变化和发展理念的转变,世界各国都在进行城市发展和规划方式的探索,我国城市规划的转型也迫在眉睫.从我国应对气候变化的大国担当以及我国传统天人合一的发展理念阐明我国城市规划为什么需要转型,进而引出生态城镇建设,分析我国生态城镇建设的现状、特点与优势,并通过相关生态城镇建设的研究,指出城市规划向生态城镇建设转型的六大制约因素:传统规划体制落后、规划指导经济发展但不是可持续发展、市场调节机制薄弱、生态意识薄弱公众参与度不高、创新能力缺失以及忽视小城镇和城乡协调发展,并从规划体制、生态意识及因地制宜分区管控3个方面提出应对策略.     

碳纳米管改性水泥石力学性能研究

随着非常规油气的勘探开发，超深井、复杂井、页岩气井等对固井质量的要求越来越高，现有水泥基材料性能已经不能满足要求，需要探索新型材料在水泥基材料中的应用以及对水泥石的性能改造。从碳纳米管自身的特点出发，制备稳定性较好的碳纳米管分散液，通过水泥石抗压强度、抗折强度测试、单轴三轴力学性能实验以及微观结构测试对碳纳米管的加量范围、分散效果进行了讨论，分析碳纳米管对水泥石力学性能的影响规律。实验结果表明，0.05%~0.1%碳纳米管加量能够提高水泥石的抗压、抗折性能，并且随着龄期的增长其增强效果更加明显；碳纳米管能够降低水泥石的弹性模量，同时增大塑性形变，使水泥石韧性增加；碳纳米管对微观结构的增强增韧机理表现为拨出、桥联、纳米诱导效应和网状填充效应，经过分散的碳纳米管与基体的相容性较好。      

电力企业营销问题和营销思路解析

由于我国的电力系统发展迅速,电力营销具有十分重要作用。科学合理的电力营销不仅提高了企业的效益,而且有利于在企业在日益激烈的电力竞争中赢得主动。因此当前形势下,加强电力营销尤为重要。本文对电力营销存在的问题进行分析,采取了有效的营销方案,并提出相应的建议来提高营销水平。     

基于多层前馈神经网络的案例推理系统

采用基于该神经网络技术的案例推理系统，使用交叉覆盖算法，可兰亨登地缩减案例的检索时间、减少案例适应性修改、提高推磊效率。实验表明该系统易于设计构建，极大地提升了CBR在实际中的应用能力。     

经验模态分解方法及其实现

经验模态分解方法可以有效提取非线性非稳定信号的瞬时特征。提出了经验模态分解方法中“筛”过程存在的端点问题、循环终止条件等重要问题的解决方案;并以经验模态分解方法为核心实现了非线性非稳定信号处理系统,在给出该系统如何处理外来信号流程图的同时,对系统界面的功能、生成方法和运算模块的功能、结构进行了详细地阐述。     

Linux进程间的通信机制在RoboCup中的应用

Linux是多任务的操作系统,进程之间相互可靠的通信是系统安全和稳定的重要保障.在RoboCup仿真组中,每个Agent是由多线程来实现的.同样地,Agent的线程之间可靠地进行通信是至关重要的.文中分析了Linux进程之间的一部分通信机制,包括套接字、信号、互斥量,并把它们应用于RoboCup中,给出了RoboCup系统流程.每个Agent用多线程来实现比用多进程来实现大大降低了系统的开销.     

无堤防河道管理范围划界技术及分析

无堤防河段范围确权是确权划界工作中的重点和难点,文章针对无堤防河道结合划界工作程序提出了划界技术流程,以贵州省某河道划界案例,通过开展划界控制测量、河道带状地形图测绘、断面测绘等划界测量工作基础上,进行河道洪水分析计算,确定防洪标准和设计洪水过程线,确定河道管理范围线,为山区河流划界确权提供一种计算参考。     

联合嵌入式多标签分类算法

现有的一些多标签分类算法,因多标签数据含有高维的特征或标签信息而变得不可行.为了解决这一问题,提出基于去噪自编码器和矩阵分解的联合嵌入多标签分类算法Deep AE-MF.该算法包括两部分:特征嵌入部分使用去噪自编码器对特征空间学习得到非线性表示,标签嵌入部分则是利用矩阵分解直接学习到标签空间对应的潜在表示与解码矩阵.Deep AE-MF将特征嵌入和标签嵌入的两个阶段进行联合,共同学习一个潜在空间用于模型预测,进而得到一个有效的多标签分类模型.为了进一步提升模型性能,在Deep AE-MF方法中对标签间的负相关信息加以利用.通过在不同数据集上进行实验证明了提出Deep AE-MF方法的有效性和鲁棒性.