SPOC混合式教学模式支持下的创新能力培养研究——以建筑及规划设计类课程为例

文章从SPOC混合式教学的设计与实践着手,基于金陵科技学院2018-2019学年秋季学期"建筑设计"课的教学,针对"创新能力培养"的SPOC混合式教学模式进行探索和研究,通过混合式教学过程可见学生可以在每个不同的阶段成长,深度挖掘学生的长处并展示出来。学生们对SPOC平台有较高的认可度,认为这种模式能有效地帮助他们,提高学习效率。     

波形驱动下多参数约束高分辨率反演方法——以四川盆地渝西地区龙马溪组页岩气为例

基于叠后地震波形指示反演在薄储层预测方面的优势，以及叠前弹性参数较叠后弹性参数信息更丰富、对储层的敏感性更高的特点，根据岩石物理资料，应用地震驱动+储层构型约束的高精度叠前随机反演方法，探寻定量表征优质薄页岩的技术，以期为深层页岩气地质甜点预测提供技术支撑。首先，基于道集波形相似性、AVO特征和空间距离的三变量优选方法提取结构相似的井数据作为空间估值样本，然后建立待判别道集初始模型；其次，以统计的弹性阻抗作为先验信息，应用“基于叠前道集特征指示的马尔科夫链-蒙特卡洛随机模拟算法”进行叠前地震波形指示反演，最终得到高精度的叠前弹性参数反演成果。实际应用表明，应用所提方法有效预测了龙一段一亚段1-2小层优质页岩厚度，基于特征参数的井震高频模拟精确模拟了龙一段一亚段1-2小层地质甜点参数，为页岩气勘探提供了技术支撑。     

基于K-Means算法的SSD-Mobilenet模型优化研究

SSD-Mobilenet目标检测模型是将SSD和Mobilenet进行结合衍生出的一种轻量化模型,同时具备了两模型各自的优势,即多尺度检测和模型轻量化。在原模型中特征提取层使用了人为设置的先验框,这样的设置存在一定的主观性,并不适用于对特定场景下单一类别目标的识别与定位。为解决这一问题,本文提出了使用K-Means算法对目标真实框的宽高比进行聚类分析,提升模型在特定场景下对单一类别目标的检测能力,规避了人为设置的主观先验性。使用Pascal VOC 2007数据集对该模型进行训练和评估,实验结果显示,模型的mAP值比Fast RCNN提高了4.5%,比Faster RCNN提高了1.5%,比SSD-300提高了3. 4%,比YOLOv2提高了2. 4%。     

航海类大学生职业安全素质培养路径研究

职业安全素质是船员岗位能力的重要组成内容。航海类大学生是国际船员的后备力量，因此加强航海类大学 生安全素质培养以满足新时代船舶安全航行非常必要。在论述培养航海类大学生职业安全素质的重要意义和主要内涵的 基础上，从教授安全知识、提升业务能力、强化技能评估等方面提出了培养其安全素质的路径。     

基于K-means聚类算法优化方法的研究

针对传统K-means聚类中存在的一系列问题,文中提出了一种基于K-means聚类的改进算法。该算法首先利用K-means++聚类从数据中选择K个距离尽可能远的对象作为初始聚类中心,然后利用K-mediods聚类选择数据样本的中位数作为聚类中心的对象,最后与两步聚类结合。通过对几个常用UCI标准数据集进行仿真实验,结果表明该算法比传统算法更优。