面向本科教学评估的高校数据SOA服务模型研究

普通高校内现有的不同的信息管理系统间信息孤岛现象严重,在参与教育部主导的教学工作评估工作时,存在上报学校基本状态数据汇总难、数据不一致、难以达到统一要求等问题,文章提出构建基于面向服务的体系结构SOA的高校教学工作评估数据库服务模型,对高校信息化建设具有指导意义。     

组合核相关向量机的软件可靠性预测模型

可靠性作为衡量软件质量的一种重要特性,对软件管理具有重要的意义。针对单一核函数的缺陷,提出一种组合核函数相关向量机的软件可靠性预测模型。首先对当前软件可靠性研究现状进行分析,然后采用组合核函数相关向量机对训练集进行学习和建模,最后通过具体实例对模型的预测性能进行分析。结果表明,本模型获得了理想的软件可靠性预测结果,且其预测性能要优于单一核函数模型,在软件可靠性预测中有重要的应用价值。     

融合热点话题的计算思维课程翻转式课程思政教学方法

分析当前课程思政教学过程中存在的问题,提出融合热点话题的翻转式课程思政教学方法,阐述融合热点话题翻转式思政教学所遵循的准则,从课前分组准备、热点话题翻转、团队协作讨论、创新实践作业以及考核测评5个角度探讨如何构建热点话题翻转式课程思政教学模式,面向计算思维课程介绍一个热点话题翻转式思政教学案例,最后说明教学效果.     

基于注意力机制的CNN-BiGRU短期光伏发电功率预测

精确的光伏发电短期预测在微电网智能能源管理系统中起着至关重要的作用;文章提出一种基于注意力机制的CNN-BiGRU短期光伏发电功率预测模型;其核心思想是通过CNN提取光伏数据的空间特征,把CNN提取的这些空间特征送入到BiGRU神经网络中,利用BiGRU模型捕捉光伏时序数据集的双向信息流,学习光伏特征的动态变化规律,引入Attention机制为CNN-BiGRU的隐藏层输出赋予权重,减少因时序过长造成的信息丢失,并且突出强相关特征的影响,减少弱相关特征的影响。在美国俄勒冈州本德市公开数据集上做了验证,并与BP神经网络、GRU、BiGRU、基于Attention机制的BiLSTM以及基于Attention机制的BiGRU进行对比,实验结果表明所提模型在预测精度上更有优越性。     

光伏出力预测理论与方法综述

大规模光伏发电并网给我国电力系统运行的稳定性带来了巨大挑战,因此,光伏发电出力的精确预测至关重要。论文对光伏出力预测理论与方法进行系统综述。首先,对光伏出力预测进行分类,特别是按预测形式分为点预测和不确定性预测。其次,通过物理方法、统计方法、人工智能方法及组合方法进一步阐述光伏出力预测;其中从机器学习和深度学习两个方面对人工智能方法进行详细介绍。然后,梳理了点预测和不确定性预测的评价指标,归纳了人工智能预测模型的优化技术。最后,根据我国光伏出力预测的发展现状,对未来的研究趋势做出展望。     

追溯物联网系统中防伪技术研究

本文介绍了产品追溯物联网技术的研究现状,分析了信息处理和传输中的信息安全问题,研究产品电子签名以及数据分组加密算法等防伪技术运用到追溯系统中,并对系统的架构进行了设计.     

民办本科高校计算机专业群建设初探

针对民办本科高校办学经费单一实际问题,分析了当前社会人才需要与民办本科高校计算机专业建设情况,提出整合优势、联合发展、交叉共建的计算机学科群建设方案,专业间交叉共用师资条件和实践教学条件等一系列专业群建设意见,实践结果证明专业群建设对学生就业、师资队伍建设和学校专业建设都有实际意义。     

基于Java的设备故障诊断系统的设计与应用*

文章以Java设备故障的诊断为例,对基于JavaWeb技术的检测系统的设计与应用进行了分析,在知识收集方面,专家系统设计方面具有着十分重要的意义。三层构架技术在与Java技术结合后,体现出良好的适应性与融合性,为设备故障诊断打下良好基础。     

独立本科院校Java语言教学的研究

本文根据我院的教学实践和对Java教学的研究,针对目前Java语言教学的问题,提出了阶段性的案例教学法,从课程的设置时间、案例内容的设置、案例的讲解方式以及实践环节等方面详细说明了该方法。     

深度学习应用于时序预测研究综述

时间序列一般是指对某种事物发展变化过程进行观测并按照一定频率采集得出的一组随机变量。时间序列预测的任务就是从众多数据中挖掘出其蕴含的核心规律并且依据已知的因素对未来的数据做出准确的估计。由于大量物联网数据采集设备的接入、多维数据的爆炸增长和对预测精度的要求愈发苛刻,经典的参数模型以及传统机器学习算法难以满足预测任务的高效率和高精度需求。近年来,以卷积神经网络、循环神经网络和Transformer模型为代表的深度学习算法在时间序列预测任务中取得了丰硕的成果。为进一步促进时间序列预测技术的发展,综述了时间序列数据的常见特性、数据集和模型的评价指标,并以时间和算法架构为研究主线,实验对比分析了各预测算法的特点、优势和局限;着重介绍对比了多个基于Transformer模型的时间序列预测方法;最后结合深度学习应用于时间序列预测任务存在的问题与挑战,对未来该方向的研究趋势进行了展望。