排序方式: 共有66条查询结果,搜索用时 15 毫秒
1.
基于CDIO理念的计算机网络课程教学设计 总被引:2,自引:1,他引:1
介绍如何将CDIO工程教育理念融合到实际课堂教学,以计算机网络课程教学为例,从教学目标的确定、教学内容的组织、实践项目的规划和过程评价的设计等方面介绍教学模式的改革情况,这种改革使整个教学过程充分体现"做中学"的教学模式,提升课程教学质量,学生的工程系统能力、团队精神、创新思维和评估能力等方面得到很好的培养和锻炼。 相似文献
2.
3.
目前高等学校计算机专业部分课程教学中存在理论与实践脱节的问题,教学仍然采用传统的“一刀切”的统一教学模式,以教师、课本和课堂为中心的教学模式,无法适应社会对不同类型人才的需求。设计一种差异化教学体系,并将该体系应用于《软件开发项目》课程教学中。实践表明,应用差异化教学理论可以有效地促进各个层次的学生对学习内容的兴趣,提高学生的综合应用能力、创新能力以及协作精神。 相似文献
4.
5.
6.
传统的填鸭式教学形式单一,教学效率低下,随着"互联网+"下智慧教学环境的到来,基于个性化学习的线上线下教学应运而生,本文对这种教学形态设计了一种混合教学模式,对其中的个性化学习系统做了分析和设计,以操作系统课程教学为例,对学生信息获取到知识重构及最终达成知识内化的途径进行了分析探讨,教学实践表明:这是一种高效的教学模式。 相似文献
7.
本文研究了在总比特率设定的情况下,改良并给出表现更优的量化器,以及如何实现基于网络的随机标量参数分布式量化估计,重点讨论传感器比特数最优分配.与常规给定各传感器的量化比特率不同的是,本文将结合估计器算法使用和不同量化器的构建,来研究固定总比特率下的分配.文中的观测模型噪声服从高斯分布,并且以此模型为对象通过均匀量化探讨基于一般类型与线性估计器的最理想比特分配方式.前者均方误差上限与后者对应下限在高精度处理方案下结果几乎相同,都表现出网络中观测噪声误差反比于量化级数这一特性.此外还借用交替序列比特分配算法以确保求解出的数值解恒非负.最后从MATLAB仿真结果可以看到,本文给出的最优比特分配估计器较传统方案的表现更优. 相似文献
8.
高动态范围(High dynamic range, HDR)图像成像技术的出现, 为解决由于采集设备动态范围不足而导致现有数字图像动态范围有限的问题提供了一条切实可行的思路.合成高动态范围图像的过程中因相机抖动或运动物体所造成的模糊和伪影问题, 可通过块匹配对多曝光图像序列进行去伪影融合加以解决.但对于具有复杂运动变化的真实场景, 现有的去伪影融合方法准确度和效率仍存在不足.为此, 本文结合相机响应函数和一致性敏感哈希提出了一种高动态图像去伪影融合方法.仿真结果表明, 该方法有效降低了计算复杂度, 具有较好的鲁棒性, 在有效去除伪影的同时提升了高动态范围图像质量. 相似文献
9.
由于存在单点失效、规模受限等问题,传统中心化的解决方案很难满足物联网的安全需求。针对这种情况,提出一个面向IoT的基于智能合约的访问控制方案。通过引用IoT智能网关作为IoT设备的中心管理节点和公有区块链的全能节点,采用中心化与去中心化相结合、私有区块链和公有区块相结合、本地局部存储和外部公共存储相结合的方法加以实现。该方案实现IoT设备和IoT智能网关的相互认证,并实现用户对IoT设备中资源及存储在数据库中的数据的授权访问,具有去中心化、分布式优点,满足了规模性和安全性要求。 相似文献
10.
目的 利用低秩矩阵恢复方法可从稀疏噪声污染的数据矩阵中提取出对齐且线性相关低秩图像的优点,提出一种新的基于低秩矩阵恢复理论的多曝光高动态范围(HDR)图像融合的方法,以提高HDR图像融合技术的抗噪声与去伪影的性能。方法 以部分奇异值(PSSV)作为优化目标函数,可构建通用的多曝光低动态范围(LDR)图像序列的HDR图像融合低秩数学模型。然后利用精确增广拉格朗日乘子法,求解输入的多曝光LDR图像序列的低秩矩阵,并借助交替方向乘子法对求解算法进行优化,对不同的奇异值设置自适应的惩罚因子,使得最优解尽量集中在最大奇异值的空间,从而得到对齐无噪声的场景完整光照信息,即HDR图像。结果 本文求解方法具有较好的收敛性,抗噪性能优于鲁棒主成分分析(RPCA)与PSSV方法,且能适用于多曝光LDR图像数据集较少的场合。通过对经典的Memorial Church与Arch多曝光LDR图像序列的HDR图像融合仿真结果表明,本文方法对噪声与伪影的抑制效果较为明显,图像细节丰富,基于感知一致性(PU)映射的峰值信噪比(PSNR)与结构相似度(SSIM)指标均优于对比方法:对于无噪声的Memorial Church图像序列,RPCA方法的PSNR、SSIM值分别为28.117 dB与0.935,而PSSV方法的分别为30.557 dB与0.959,本文方法的分别为32.550 dB与0.968。当为该图像序列添加均匀噪声后,RPCA方法的PSNR、SSIM值为28.115 dB与0.935,而PSSV方法的分别为30.579 dB与0.959,本文方法的为32.562 dB与0.967。结论 本文方法将多曝光HDR图像融合问题与低秩最优化理论结合,不仅可以在较少的数据量情况下以较低重构误差获取到HDR图像,还能有效去除动态场景伪影与噪声的干扰,提高融合图像的质量,具有更好的鲁棒性,适用于需要记录场景真实光线变化的场合。 相似文献