基于改进极根学习机的回转窑煅烧带温度预测方法

针对传统算法预测回转窑煅烧带温度存在精度低、速度慢的问题,提出了基于改进极限学习机(ELM)的回转窑煅烧带温度预测方法。对ELM输入权值矩阵定义了变换系数,采用黄金分割法在给定区间内搜寻变换系数的最佳值,改进了ELM网络参数的确定方式,弥补了随机确定输入权值并且不作调整的缺陷,在保证ELM训练速度的前提下提高预测精度、减小模型随机性。实验结果表明,改进的ELM预测精度高、训练速度快、模型性能优,可满足工况恶劣的回转窑的生产需要。     

基于MetropolisQ学习的蜂窝网络在线信道分配

针对现有的蜂窝网络的在线动态分配模型具有的信道需求量大、呼叫动态变化时阻塞率高和收敛速度慢的缺点,设计了一种基于MetropoisQ学习的蜂窝网络的在线信道分配方法。首先,在考虑同信道限制、邻居信道限制和同小区限制的基础上,设计了在线信道分配的数学模型,然后在Q-Learning算法基础上的设计了一种基于资格迹的Q(λ)算法实现信道的在线分配,为了进一步提高收敛速度,采用Metropois规则对算法中动作的选择方式进行改进,实现探索和利用的平衡。为了验证文中方法,采用Matlab工具上进行实验,仿真实验结果表明文中方法能实现蜂窝通信网络的在线信道分配,且与其它方法比较,具有较少的信道需求量、较低的阻塞率和收敛速度,较其它方法具有较大优越性。     

结合PBL课例的无机化学线下对分课堂教学设计与实践*

以原电池一节教学设计为例,探索了将PBL课例融入对分课堂教学模式。教学实践表明,新教学模式激发了学生的学习兴趣,提高了学生学习的积极性和主动性,提升了课程教学效果,达到了课程教学目标。对PBL课例与对分课堂有机融合的全新课堂教学模式的建设与发展进行了展望。     

基于深度学习理论的有机合成课程教学改革

有机合成既是有机化学学习中的一个独立构成部分,也是安排于有机化学课程之中的重要学习主题。在目前的有机合成课程教学中,教师的自觉性引导不足,学生容易陷入浅层学习状态,导致教学效果不佳。结合有机化学学科特点,从有机合成课程教学现状出发,围绕深度学习教学设计的四要素——深度学习目标、挑战性学习主题、深度学习活动、持续性评价,以典型的教学片段为例阐述深度学习理论在教学实践中的应用,为相关教学工作提供参考。     

指向学习体验的物质及其转化复习的教学实践——以“钠及其化合物”为例

学习体验是学生对学习内容、过程、方法、意义的自我感受和评估,对学生学习志趣、学习素养提升有积极正向作用。以钠及其化合物复习为例,将各类别物质间转化关系的构建、物质制备原理和条件的优选作为学习体验对象,依据学习体验的内在发展历程设计学习任务及活动,引导学生亲身体验学科认知方式、学科思维方法、学科应用价值,评价体验结果,激励学生自主学习发生。     

基于深度学习的“实验方案设计”主题式复习教学——以“阿司匹林的制备和提纯”为例

针对实验方案设计题的得分率分析和教学现状,基于课程标准、教材、真题和文献研究,构建“阿司匹林的制备和提纯”深度学习主题模型。通过设计制备和提纯阿司匹林的实验方案,构建实验方案设计的思维模型,并以制备七水合硫酸锌为例内化思维模型,在解决真实、复杂的问题过程中实现核心知识结构化,生成指向深度学习的主题式复习教学流程。     

基于社会性科学议题的化学微项目学习*——以“物质的性质与转化”单元复习为例

在化学课堂中开展社会性科学议题的教学能够发展学生的社会参与意识,结合微项目学习模式,从课堂教学角度出发,构建选定项目、启动项目、实施项目、交流成果等4个教学流程,确立实施教学的核心问题,设计了鲁科版高一化学“物质的性质与转化单元复习课”,进行了基于社会性科学议题的化学微项目学习的实践教学,结合实践的基本情况提出4点反思。     

基于奥苏贝尔学习理论对人教版和鲁科版高中化学教材“化学键”的比较及建议

以奥苏贝尔学习理论为基础,比较人教版与鲁科版化学教材“化学键”内容,对教材的引言、正文编排顺序、正文内容组织、正文栏目、插图、习题等进行分析,并从奥苏贝尔学习理论角度阐述教材编写及教学建议。     

多组件学习器实现有机分子沸点的精准预测

沸点(BP)是有机分子液体的基本物理化学量, 也是化学工业生产中的重要参数. 有机分子的沸点由分子结构决定, 呈现复杂的结构-沸点关系, 函数法(Function Method)、基团贡献法(Group Contribution Method)等传统方法无法应对复杂多样有机分子结构的预测, 应用范围狭窄, 预测精度低. 本研究中, 我们利用基于人工神经网络(ANN)和支持向量机(SVM)的多组件学习器实现有机分子沸点的精准预测. 我们构建了基于可解释性描述符的ANN、基于相关性描述符的ANN及基于复合分子指纹的SVM三个异质模型, 并通过包含4550个各种类别的有机分子沸点的数据集进行训练得到了三个异质性学习器, 最后集成三个学习器对有机分子沸点进行预测. 相比于传统方法和此前的定量结构性质关系(QSPR)模型, 多组件模型结合了三种模型的优点, 展现出很好的预测精度和泛化能力以及低的过拟合, 实现了对多种类型有机分子的沸点的有效预测.