疫情下电磁场理论课程的网络教学

本文主要总结了新冠疫情期间作者的电磁场理论课程在线教学经验。对比分析了录播和直播的优缺点后,选择录播教学方式。基于超星网络教学平台,展示了录播网络教学的具体措施,包括网上答疑和学习效果检查以及在线批改作业等。给出了网络教学可以为线下教学继续使用的方法和手段,为疫情结束后的正常教学提供了新的网络教学补充措施。     

OBE-CDIO理念下“集成电路版图分析与设计”课程教学改革与探索

针对目前集成电路版图分析与设计课程存在教学方法老化、教学模式形式化等问题,本文以OBE-CDIO教育理念为指导,对”集成电路版图分析与设计”课程的课程教学模式、课程设计、项目式教学方式和课程考核方式等方面的改革进行有益的探索与实践。将工程教学认证中对学生的专业毕业要求作为制定教学目标的依据,将BB网络平台、ISO9001等现代化教学资源和质量标准融入课堂教学,采用OBE-CDIO能力教学理念指导课程设计,实现教学环节与考核环节的科学化与多元化,通过引入课程思政激发学生学习热情,树立社会主义核心价值观,全面地培养学生的综合版图分析与设计能力和素养。     

基于学科竞赛的中医药类院校程序设计课程教学模式的探索

高素质人才培养是我国可持续发展战略、科教兴国战略以及人才强国战略等多项发展战略的一项基础性工程。本文针对中医药类院校程序设计类课程实践教学模式单一等教学实际，以“学科竞赛”为平台，“赛教结合”为理念，以《C语言程序设计》为例，从现存问题、赛教结合模式的引入、建立实施及其评价机制4个方面展开阐述，旨在提高学生学习积极性和能力。     

以 提高实践能力为目标的数据结构课程教学改革探索

This paper analyzes the problems existing in the teaching of data structure course, and puts forward the reform from the as- pects of strengthening basic programming, visualized explanation of abstract theory, combination of C++, Java programming, ratio- nal use of online platform, and stratification of exercises, aiming at improving students' practical ability, learning interest and self- confidence.     

多先验融合的图像显著性目标检测算法

为了更加准确地检测出图像中的显著性目标，提出了多先验融合的显著性目标检测算法。针对传统中心先验对偏离图像中心的显著性目标会出现检测失效的情况，提出在多颜色空间下求显著性目标的最小凸包交集来确定目标的大致位置，以凸包区域中心计算中心先验。同时通过融合策略将凸包区域中心先验、颜色对比先验和背景先验融合并集成到特征矩阵中。最后通过低秩矩阵恢复模型生成结果显著图。在公开数据集MSRA1000和ESSCD上的仿真实验结果表明，MPLRR能够得到清晰高亮的显著性目标视觉效果图，同时F，AUC，MAE等评价指标也比现有的许多方法有明显提升。     

“任务驱动”教学法在可编程控制器课程教学中的实践与分析

以可编程控制器课程为例,介绍"任务驱动"教学法在教学过程中的具体应用,并探讨了实施过程中存在的问题与解决方法。     

空压机润滑油系统可靠性试验研究

对空压机润滑系统进行分析,提出了一种润滑油压力调节机构,保证了空压机在高油温时油压正常,为空压机运动件提供充分润滑,从而提高空压机运行的可靠性。实验证明了该机构是可靠的,为空压机润滑系统设计提供了参考依据。     

A Student's t-based density peaks clustering with superpixel segmentation (tDPCSS) method for image color clustering

Image color clustering is a basic technique in image processing and computer vision, which is often applied in image segmentation, color transfer, contrast enhancement, object detection, skin color capture, and so forth. Various clustering algorithms have been employed for image color clustering in recent years. However, most of the algorithms require a large amount of memory or a predetermined number of clusters. In addition, some of the existing algorithms are sensitive to the parameter configurations. In order to tackle the above problems, we propose an image color clustering method named Student's t-based density peaks clustering with superpixel segmentation (tDPCSS), which can automatically obtain clustering results, without requiring a large amount of memory, and is not dependent on the parameters of the algorithm or the number of clusters. In tDPCSS, superpixels are obtained based on automatic and constrained simple non-iterative clustering, to automatically decrease the image data volume. A Student's t kernel function and a cluster center selection method are adopted to eliminate the dependence of the density peak clustering on parameters and the number of clusters, respectively. The experiments undertaken in this study confirmed that the proposed approach outperforms k-means, fuzzy c-means, mean-shift clustering, and density peak clustering with superpixel segmentation in the accuracy of the cluster centers and the validity of the clustering results.