共查询到20条相似文献,搜索用时 94 毫秒
1.
网络工程人才培养的层次性与基本素质需求研究 总被引:1,自引:0,他引:1
随着计算机网络应用的发展,网络工程专业人才已经成为信息社会的急需人才。论述了网络工程人才培养的层次性需求,并且详细阐述了培养网络工程人才的层次策略,以及网络工程人才基本素质培养问题,对培养合格的网络工程人才具有一定的指导意义。 相似文献
2.
合作学习是新课程倡导的三大学习方式之一。合作学习不仅是"生生合作",更应该是"师生合作"。以我校计算机应用专业开设的Photoshop课程为例,对师生合作学习教学模式进行了探究。 相似文献
3.
随着我国经济社会的不断发展,人们的生活水平明显提高,旅游消费观念也发生了明显的改变,森林作为旅游目的地之一也逐渐受到人们的喜爱.但目前我国森林公园建设不尽完善,体验化景观的规划设计还有较大的提升空间.基于此,从森林公园体验化景观设计的原则出发,对其设计重点与设计方法进行分析与探究. 相似文献
4.
5.
介绍了深圳市大型重点工程项目即深圳市东部供水水源网络工程在兴建工程中的生态与环境保护工作。将生态环境的保护工作分为4个阶段,进行具体环节具体处理。从根本意义上阐述了生态环境保护的重要性和艰巨性,对大型地下工程如何保护环境有一定的参考价值。 相似文献
6.
介绍了深圳市大型重点工程项目即深圳市东部供水水源网络工程在兴建工程中的生态与环境保护工作。将生态环境的保护工作分为 4个阶段 ,进行具体环节具体处理。从根本意义上阐述了生态环境保护的重要性和艰巨性 ,对大型地下工程如何保护环境有一定的参考价值。 相似文献
7.
8.
9.
电子商务实务是一门理论与实践相结合的电子商务专业基础课。根据高职教育教学和该课程的特点,就项目化教学在电子商务实务课程教学中的应用进行了阐述。 相似文献
10.
提出了一种基于知识融合的研究性学习教学模式,结合计算机图形学、C++、数据结构等课程进行联合教学实验,并辅以专题讲座来提高学生的学习兴趣,收到了较好的效果。 相似文献
11.
12.
13.
粗集-神经网络在农业工程项目评估中的应用 总被引:1,自引:0,他引:1
该文提出一种基于粗集-神经网络项目评估新方法,该方法应用粗糙集理论对神经网络的输入数据进行预处理,提取其中的关键成分作为网络的输入,提高了神经网络的收敛速度和逼近精度,并以中国农业水利工程项目为背景进行了实例研究,结果表明,建立的模型不仅较公平、合理,而且提高了神经网络模型的学习效率。 相似文献
14.
15.
介绍转基因、RAPD分子标记、基因芯片、mRNA差异显示以及蛋白质组学等基因工程技术在烟草中的应用,指出这些技术不仅在烟草遗传图谱建立、系统分析、物种及品系的鉴定、转基因烟草鉴定和检测等方面发挥着重要作用,而且在改善烟草品质和建立烟草基因组学方面也有广阔的应用前景,并从抗病性、抗虫性、抗旱性、抗除草剂等方面介绍了基因工程技术在烟草抗逆性中的研究现状,对转基因烟草的安全性问题进行了探讨。 相似文献
16.
本文分析了科技发展对工程图学教育的要求以及图学教育在社会中应扮演的角色,明确了教学改革的主流方向。阐述了传统工程制图与三维工程制图之间的本质区别,明确了信息化时代三维工程制图的定位与内涵,规划出新图学教育的内容体系框架。对教学改革中传统内容与现代内容的衔接、协调、融合等方面的一些问题进行了初步研讨,并提出相应解决方案。 相似文献
17.
基于竞争学习网络的田间籽棉图像分割 总被引:1,自引:0,他引:1
为了正确识别田间籽棉,将籽棉和铃壳、绿叶、根茎、土地等自然背景视为二个类别,基于竞争学习网络进行了图像分割。从多幅典型的籽棉图像中选取10000个像素作为训练样本,并为它们贴上类别标签,在HSI、Lab、Ohta、RGB颜色空间下对训练样本的颜色特征及其组合进行K-均值聚类,选取了误分率普遍较低的RGB颜色空间,其B值的误分率尤其低。在RGB颜色空间下,用训练样本的R、G、B组合或B值一次性地训练了竞争学习网络,将图像的全部像素输入网络进行测试,同时与K-均值聚类比较,形态学滤波去噪后的结果表明,基于B值的竞争学习网络较优,用907幅籽棉图像对其进行仿真的精度达92.94%。该方法结合了有监督的学习算法,避免了传统K-均值聚类的反复迭代和过拟合现象,提高了图像分割的效率和精度。 相似文献
18.
19.
基于卷积神经网络与迁移学习的油茶病害图像识别 总被引:9,自引:12,他引:9
传统的植物病害图像识别准确率严重依赖于耗时费力的人工特征设计。该文利用深度卷积神经网络强大的特征学习和特征表达能力来自动学习油茶病害特征,并借助迁移学习方法将Alex Net模型在Image Net图像数据集上学习得到的知识迁移到油茶病害识别任务。对油茶叶片图像进行阈值分割、旋转对齐、尺度缩放等预处理后,按照病害特征由人工分为藻斑病、软腐病、煤污病、黄化病和健康叶5个类别。每个类别各选取750幅图像组成样本集,从样本集中随机选择80%的样本用作训练集,剩余20%用作测试集。利用随机裁剪、旋转变换和透视变换对训练集进行数据扩充,以模拟图像采集的不同视角和减少网络模型的过拟合。在Tensor Flow深度学习框架下,基于数据扩充前后的样本集,对Alex Net进行全新学习和迁移学习。试验结果表明,迁移学习能够明显提高模型的收敛速度和分类性能;数据扩充有助于增加数据的多样性,避免出现过拟合现象;在迁移学习和数据扩充方式下的分类准确率高达96.53%,对藻斑病、软腐病、煤污病、黄化病、健康叶5类病害的F1得分分别达到94.28%、94.67%、97.31%、98.34%和98.03%。该方法具有较高的识别准确率,对平移、旋转具有较强的鲁棒性,可为植物叶片病害智能诊断提供参考。 相似文献
20.