基于宽度学习的结构沉降预测

结构监测是确保工程结构建设在施工和运营阶段安全的关键因素,因此采用合理有效的预测模型对结构沉降监测数据进行科学准确的预测成为了当前结构沉降预测研究的重点。针对传统预测方法与深度学习方法用于结构沉降预测存在的预测精度不够高、模型结构复杂、训练耗时等问题,提出了一种基于宽度学习的结构沉降时间序列预测模型。通过实测地铁地下隧道沉降监测数据对宽度学习、人工神经网络、支持向量回归和深度置信网络-支持向量回归预测模型的预测结果进行对比分析。实验结果表明:宽度学习系统(broad learning system,BLS)应用于结构沉降预测具有良好的效果,其训练速度更快,预测精度更高。验证了所提出的宽度学习算法应用于结构沉降预测的可实施性和有效性。     

浅谈高职计算机基础教学现状

该文简单分析高职学校计算机基础教学中的目前状况,简要说明计算机等级考试对高职计算机基础教学的促进作用。为了激发学生对计算机基础课程学习的主动性和积极性,采用多种教学手段,尤其是任务驱动教学法,改进计算机基础教学,平衡计算机基础教学和计算机等级考试两者的关系。     

基于正交参数优化的LSTM结构变形预测模型

随着社会经济的蓬勃发展,地铁、隧道、桥梁等大型建筑的需求也越来越大.通过对结构变形数据的分析与预测,可以判断结构未来的发展趋势,对安全隐患提前预警和采取应急措施,预防灾害的发生.由于变形监测数据通常具有不稳定性和非线性的特点,使得监测数据预测成为结构监测研究中的一个难题.针对结构变形预测模型存在的问题,本文提出了一种基于正交参数优化的长短时记忆网络（LSTM）结构变形预测模型.该模型通过LSTM网络结构获得时间序列的长期记忆,充分挖掘变形数据的内部时间特征;并通过正交试验对LSTM模型的参数进行优化;最后通过实测数据对模型进行验证,实验结果表明,模型预测值与实际监测值吻合较好.通过与WNN、DBN-SVR和GRU模型相比,平均RMSE、MAE和MAPE分别降低了56.01%、52.94%和52.78%,本文提出的基于正交参数优化的LSTM结构变形预测模型是一种有效的结构沉降方法,为结构安全施工以及运营的安全提供可靠信息,对确保结构安全具有重要意义.     

界面管理任务复杂度对数字化核电厂操纵员作业绩效的影响研究

核电厂主控室数字化后,操纵员需要完成大量的界面管理任务来实现对整个系统状态的监控。通过在核电厂模拟仿真平台上开展实验,研究界面管理任务复杂度对操纵员作业绩效的影响。界面管理任务的复杂度由完成主要监控任务所需执行的界面管理任务的次数来表征,作业绩效的评价指标由完成每一个监控任务所需要的平均执行时间和监控任务的失误率构成,探究在无时间压力水平下和低时间压力水平下界面管理任务复杂度对操纵员作业绩效的影响。研究结果表明:在无时间压力和低时间压力水平下,完成不同复杂度的界面管理任务的平均执行时间具有显著差异,完成不同复杂度的界面管理任务的失误率虽有所不同,但并无显著性差异。     

高职计算机应用教学中的素质教育

高职教育以素质教育为目标，素质教育包括：培养学生的社会公德教育、德育教育、审美观念、创造力和自学能力，计算机应用课程不仅要教会学生使用计算机，还可以在平时课程和练习中加入美文和美图，培养学生的德育、审美观念。在计算机应用课堂教学和课下练习中也可以给学生更多空间培养他们的创造力和自学能力。     

浅谈高职计算机基础教学现状

该文简单分析高职学校计算机基础教学中的目前状况,简要说明计算机等级考试对高职计算机基础教学的促进作用。为了激发学生对计算机基础课程学习的主动性和积极性,采用多种教学手段,尤其是任务驱动教学法,改进计算机基础教学,平衡计算机基础教学和计算机等级考试两者的关系。