高光谱技术结合CARS算法的库尔勒香梨可溶性固形物定量测定

由于高光谱数据量大、维数高,光谱噪声明显、散射严重等特征导致光谱建模时关键变量提取较为困难,同时,高光谱图像的获取会受非单色光、杂散光、温度等多种因素的影响,从而使高光谱数据与待测性质之间有一定非线性关系。为此,提出采用正自适应加权算法(CARS)对可见-近红外高光谱高维数据进行关键变量筛选,并与全光谱和经典变量提取方法SPA,MC-UVE,GA和GA-SPA方法进行比较。以200个库尔勒香梨为研究对象,采用SPXY方法将样本划分为校正集和预测集,校正集和预测集分别包含150个和50个样本。基于不同方法筛选的变量,分别建立线性PLS模型及非线性LS-SVM模型,r2,RMSEP和RPD用于模型性能的评估。综合比较发现,GA,GA-SPA和CARS变量筛选方法能够有效地筛选出原始高光谱数据中具有强信息且对外界影响因素不敏感的变量,适用于高光谱数据关键变量的提取,其中CARS变量筛选效果最佳,基于CARS获取的关键变量构建的非线性LS-SVM库尔勒香梨SSC含量预测模型获得了最优的预测结果,r2_pre,RMSEP和RPD分别为0.851 2,0.291 3和2.592 4。研究表明,CARS方法是一种有效的高光谱关键变量筛选方法,利用高光谱数据,非线性LS-SVM模型比线性PLS模型更适合于香梨品质的定量预测。     

工程教育专业认证背景下地方应用型高校多元混合式一流课程建设——以“材料力学”为例

从工程教育专业认证的视角来看,课程教学已经不再以“内容为本”,教学内容、资源、手段和组织形式等需要围绕实现课程教学目标和达成学生预期学习成果而展开。将金课的“两性一度”、工程教育专业认证的“三大理念”和BOPPPS（bridge-in, objective, pre-assessment, participatory learning, post-assessment, summary）教学模型的“六个模块”相结合,探索了一种“导入有创新、目标较高阶、前测有挑战、以学生为中心的交互、以产出为导向的后测和持续改进的总结”的教学模式。以“材料力学”课程为例,探索在一流课程建设过程中,教师应该“如何教、教什么”才能让学生“乐于学、学的到”,逐步形成了以“课程目标—资源建设—组织实施—综合评价—持续改进”的集知识传授、能力培养和价值塑造为一体的课程教学闭环。