指向深度学习的物理课堂提问策略探析——以“磁体与磁场”的教学为例

指向深度学习的课堂提问的目的不仅在于收获知识本身,更在于引导学生主动建构个性化认知结构,提升思维品质,培养关键能力.文章以“磁体与磁场”的教学为例,通过系统化的问题结构,引导学生建构知识网络;通过丰富的问题形式,关注个体差异,拓展思维层阶;通过层递性的问题设计,引导学生挖掘思维的深度;通过有效把握和把控问答的时机,激发...     

物理师范生科学思维习惯的现状调查

在物理学科核心素养的科学思维背景下,师范生作为未来教育事业的主力军,对其思维习惯的现状调查具有重要意义,通过调查掌握了学生对物理思维习惯的认知程度、物理学习过程中的学习习惯、解决物理问题时存在的思维习惯这几个方面的情况,提出了培养学生物理科学思维习惯的针对性策略.     

基于自适应核学习相关向量机的乳腺X线图像微钙化点簇处理方法研究

采用自适应核学习相关向量机方法, 结合形态学滤波和Kallergi分簇标准, 研究了乳腺X线图像中微钙化点簇的处理. 首先将微钙化点检测看作一个监督学习问题, 然后应用自适应核学习相关向量机作为分类器判断图像中每一个位置是否为微钙化点并采用形态学处理滤除干扰噪声, 最后对获得的微钙化点采用Kallergi标准进行分簇. 为提高运算速度, 在微钙化点检测时将整个图像分解为多个子图像并行运算, 实现了一种基于自适应核学习相关向量机的微钙化点簇快速处理方法. 实验结果和分析表明, 自适应核学习相关向量机方法算法性能优于相关向量机方法, 特别是实现的快速方法能进一步降低微钙化点簇的处理时间. 关键词： 乳腺X线图像 微钙化点簇 相关向量机 自适应核学习     

非线性系统的高阶迭代学习控制算法

本文对一般非线性系统,提出了三种高阶迭代学习控制算法:(Ⅰ)u_(h 1)=sum from j=1 to r(P_ju_(k-j 1) Г_je_(h-j 1));(Ⅱ)u_(k 1)=sum from j=1 to r(P_ju_(k-j 1) F_je_(k-j 1));(Ⅲ)u_(k 1)=sum from j=1 to r{P_ju_(k-j 1) (Г_j F_jd/(dt))e_(k-j 1)},其中u_(k 1)=u_(k 1)(t)表示系统第k 1次运行时的输入;e_k=y_k-y_d;y_d是系统所期望的输出;y_k是系统第k次运行时的输出;P_j,Г_j,F_j(j=1,…,r)是常数阵;进而给出了比较弱的收敛性条件。     

浅谈珠算教学中大面积培养珠算计算人才

珠算计算技术是财会专业学生必须熟练掌握的一种专业技能．经济越发展，经济计算越重要。在当前的改革开放中，准确迅速的经济计算尤为重要．我们应该看到，在广大的财经工作者中．不会珠算不熟练珠算操作．靠计算器运算加减法、效率较低的现象还相当普遍，以致影响各种数据、信息的准确性、     

循环的“142857”与多位数乘积的规律

循环的“142857”与7的倍数的乘积有一定的规律．我在学习中还发现“循环的“142857”与其它多位数的乘积也有一定的规律。     

半数法在乘法中的应用

大家知道，乘法在珠算中是比较灵活，运算方法是最为丰富多采的一种方法，我所说的半效法就是把每次乘积的一半在珠算中进行加、减运算的一种方法；它能达到减少拨珠次数的目的，并能在思维方向不改变的情况下一气呵成；使运算快速、简捷，因为数字的半数方法很容易掌握，无须专门训练，同时还能增加运算的趣味性、克服枯燥、乏味感。     

连同数与一位数乘积的规律

我们通常把“22、3333、99999……”这样的一组数叫做连同数，那么，连同数与2-9各数相乘时，其积是否有规律可循呢?经过验证，回答是肯定的。现在，我把此规律整理出来，献给广大读者，不当之处，请批评指正。     

双头增强与非均匀校正的水下图像增强算法

受水下环境浑浊度高、光照不足和均匀性差等因素影响,水下成像所获取的图像存在对比度低、细节模糊和颜色失真等缺陷,为此提出一种双头增强和非均匀校正的水下图像增强算法。利用构建的双头增强网络从浅层信息中提取多尺度特征,同时融合不同通道的上下文信息,有利于水下图像低对比度的增强;此外构建了非均匀校正网络,对图像不同通道和不同位置进行非线性加权融合,有利于颜色一致性和亮度的恢复。与10种算法相比,本文算法在UIEB测试集上峰值信噪比、结构相似性比其他方法的最优值分别提高了4.02 dB和0.120,CIEDE2000指标下降了1.51,在LUSI测试集上述指标分别提高了2.13 dB、0.025及下降了0.48。实验结果表明：所提算法针对不均匀的水下图像增强效果显著,更加符合人眼特性。     

基于孪生网络模型的岩石光谱自动分类方法

岩石光谱是岩石物理化学性质、成分和结构的综合体现,如今已经被广泛应用于岩石分类研究中。岩石光谱数据具有高维的特征数量,在样本数量有限的情况下训练时,往往会产生维数灾难现象。由于岩石光谱的数据收集困难,这在产生极大的人力成本的同时也导致收集到的岩石光谱数据往往十分有限。因此如何能够在样本数量较少时,对岩石光谱数据取得较为准确的分类效果成为了如今热门的研究课题。利用辽宁兴城地区的典型岩石光谱数据,基于Python编程语言在训练样本较少的情况下构建了孪生网络分类模型,并以Triplet Loss作为损失函数,实现了3-way-1-shot分类模型,在测试集上取得了97.8%的分类准确率。同时使用了决策树、随机森林、支持向量机和K-近邻四种传统机器学习方法在相同训练样本下建立分类模型与之对比,通过绘制学习曲线,验证了这四种传统机器学习方法在小样本的情况下不具备良好的分类功能。由于将原始光谱数据转化为图片数据之后并不会影响孪生网络模型的分类效果,因此可以将岩石光谱分类问题转化为图像分类的问题,进而使用图像分类的方法和手段。实验结果表明,孪生网络模型在岩石光谱样本数量较少的情况下仍然能够取得优秀的...