<xmp id="k8aq2"><button id="k8aq2"><button id="k8aq2"></button></button>
<xmp id="k8aq2"><form id="k8aq2"><form id="k8aq2"></form></form>
<xmp id="k8aq2"><xmp id="k8aq2"><xmp id="k8aq2"><form id="k8aq2"></form>
<form id="k8aq2"></form><xmp id="k8aq2"><form id="k8aq2"></form><form id="k8aq2"><form id="k8aq2"></form></form><xmp id="k8aq2"><form id="k8aq2"></form>
<ins id="k8aq2"><form id="k8aq2"><form id="k8aq2"></form></form></ins>
<form id="k8aq2"></form><xmp id="k8aq2"> <xmp id="k8aq2"><xmp id="k8aq2">
<form id="k8aq2"></form>
<button id="k8aq2"></button>
<xmp id="k8aq2">
<xmp id="k8aq2"><form id="k8aq2"></form>
<form id="k8aq2"></form>
<form id="k8aq2"><form id="k8aq2"></form></form>
<xmp id="k8aq2"><form id="k8aq2"></form>
<form id="k8aq2"></form><form id="k8aq2"><form id="k8aq2"><button id="k8aq2"></button></form></form>
<form id="k8aq2"></form><xmp id="k8aq2">
<xmp id="k8aq2"><form id="k8aq2"><button id="k8aq2"></button></form><form id="k8aq2"></form><xmp id="k8aq2"><form id="k8aq2"></form>
<xmp id="k8aq2"><form id="k8aq2"><form id="k8aq2"></form></form>

以雙減為主題的論文參考文獻4篇

發布時間:2024-10-10 16:37:51   來源:黨團工作    點擊:   
字號:

以雙減為主題的論文參考文獻4篇以雙減為主題的論文參考文獻 自主學習論文參考文獻 一、自主學習論文期刊參考文獻[1].自主學習及其能力的培養.《外語教學與研究》.被北京大學《中文核心期刊要目總覽下面是小編為大家整理的以雙減為主題的論文參考文獻4篇,供大家參考。

以雙減為主題的論文參考文獻4篇

篇一:以雙減為主題的論文參考文獻

學習論文參考文獻

 一、自主學習論文期刊參考文獻 [1].自主學習及其能力的培養. 《外語教學與研究》.被北京大學《中文核心期刊要目總覽》收錄 PKU.被南京大學《核心期刊目錄》收錄 CSSCI.2003 年 4 期.何蓮珍. [2].論學生的自主學習. 《華東師范大學學報(教育科學版)》.被北京大學《中文核心期刊要目總覽》收錄 PKU.被南京大學《核心期刊目錄》收錄 CSSCI.2001 年 2 期.龐維國. [3].基于 IHDR 自主學習框架的無人機 3 維路徑規劃. 《機器人》.被中信所《中國科技期刊引證報告》收錄 ISTIC.被 EI 收錄 EI.被北京大學《中文核心期刊要目總覽》收錄 PKU.2012 年 5 期.陳洋.張道輝.趙新剛.韓建達. [4].英語學習策略與自主學習. 《外語教學》.被北京大學《中文核心期刊要目總覽》收錄 PKU.被南京大學《核心期刊目錄》收錄 CSSCI.2005 年 1 期.張殿玉. [5].基于內容的自主學習式 MP3 搜索引擎的設計. 《華南理工大學學報(自然科學版)》.被中信所《中國科技期刊引證報告》收錄 ISTIC.被 EI 收錄 EI.被北京大學《中文核心期刊要目總覽》收錄 PKU.2004年 z1 期.吳云鵬.董守斌.宋丙林. [6].民辦高校學生自主學習教學理念應用體系初探. 《黑龍江高教研究》.被北京大學《中文核心期刊要目總覽》收錄 PKU.被南京大學《核心期刊目錄》收錄 CSSCI.2013 年 12 期.陳江波.李洪斌.王鵬. [7].自主學習:相關理論與評價工具. 《河南社會科學》.被北京大學《中文核心期刊要目總覽》收錄 PKU.被南京大學《核心期刊目錄》收錄 CSSCI.2015 年 9 期.趙同領.田勇泉. [8].實習護生自主學習準備度現狀及影響因素分析. 《中國實用護理雜志》.被中信所《中國科技期刊引證報告》收錄 ISTIC.被北京大學《中文核心期刊要目總覽》收錄 PKU.2014 年 28 期.彭會珍.陳靜.張振香. [9].大學生自主學習農業昆蟲學的探索與實踐. 《安徽農業科學》.被中信所《中國科技期刊引證報告》收錄 ISTIC.被北京大學《中文核心期刊要目總覽》收錄 PKU.2014 年 29 期.金大勇.呂龍石.范麗清. [10].自主學習理念究竟是不是源自西方的“舶來品”——關于自主學習文化適宜性的思考.

 《黑龍江高教研究》.被北京大學《中文核心期刊要目總覽》收錄 PKU.被南京大學《核心期刊目錄》收錄 CSSCI.2016 年 1 期.顧世民.趙玉峰. 二、自主學習論文參考文獻學位論文類 [1].思想政治課教學中培養學生自主學習品質的策略研究.被引次數:1 作者:童欣欣.教育學河北師范大學 2013(學位年度)

 [2].支持自主學習的數字化教學游戲研究.被引次數:42 作者:田愛奎.教育技術學華東師范大學 2007(學位年度)

 [3].思想政治(品德)課自主學習中教師的引導研究.被引次數:1 作者:田云霞.教育學河北師范大學 2013(學位年度)

 [4].基于自主學習的交互式教學模型建構.被引次數:5 作者:楊鰻.課程與教學論西南大學 2013(學位年度)

 [5].農村小學高年級學生自主學習的問題與對策研究.被引次數:7 作者:朱瑞.課程與教學論西南大學 2012(學位年度)

 [6].非英語專業大學生英語網絡自主學習自我效能感研究——以西南大學學生為例. 作者:馬美麗.外國語言學及應用語言學西南大學 2014(學位年度)

 [7].大學生基于網絡教學平臺自主學習的現狀與對策.被引次數:5 作者:羅浩.教育技術學山東師范大學 2014(學位年度)

 [8].關于自主學習的理論和能力培養的策略問題——基于初中歷史自主學習視角的研究.被引次數:9 作者:左昕.課程與教學論·歷史華東師范大學 2010(學位年度)

 [9].高中數學自主學習學案教學設計探索.被引次數:12 作者:郭俊美.學科教學·數學山東師范大學 2010(學位年度)

 [10].自主學習的理論與實施策略研究.被引次數:34 作者:翟睿.課程與教學論東北師范大學 2006(學位年度)

 三、相關自主學習論文外文參考文獻 [1]Singlemachineschedulingwithautonomouslearningandinducedlearning. XiaoqingZhangLinyanSunJiboWang《Computers&amp;IndustrialEngineering》,被 EI 收錄 EI.被 SCI 收錄SCI.20134

 [2]Autonomousreinforcementlearningwithexperiencereplay. Wawrzyński,P.Tanwani,A.K.《NeuralNetworks:TheOfficialJournaloftheInternationalNeuralNetworkSociety》,被 EI 收錄 EI.被 SCI 收錄 SCI.2013 [3]Policylearningforautonomousfeaturetracking. DanieleMagazzeniFredericPyMariaFoxDerekLongKannaRajan《Autonomousrobots》,被 EI 收錄 EI.被 SCI 收錄 SCI.20141 [4]AutonomousHelicopterAerobaticsthroughApprenticeshipLearning. PieterAbbeelAdamCoatesAndrewY.Ng《InternationalJournalofRoboticsResearch》,被 EI 收錄 EI.被 SCI 收錄SCI.201013 [5]Motivatedlearningforthedevelopmentofautonomoussystems. JanuszA.StarzykJamesT.GrahamPawelRaifAhHweeTan《Cognitivesystemsresearch》,被 EI 收錄 EI.被 SCI 收錄 SCI.20121 [6]Autonomouslearningderivedfromexperimentalmodelingofphysicallaws. Grabec,I.《NeuralNetworks:TheOfficialJournaloftheInternationalNeuralNetworkSociety》,被 EI 收錄 EI.被 SCI 收錄 SCI.2013 [7]LearningfromDemonstrationforAutonomousNavigationinComplexUnstructuredTerrain. DavidSilverJ.AndrewBagnellAnthonyStentz《InternationalJournalofRoboticsResearch》,被 EI 收錄 EI.被 SCI 收錄SCI.201012 [8]Autonomouslearninginhumanoidroboticsthroughmentalimagery. DiNuovo,A.G.Marocco,D.DiNuovo,S.Cangelosi,A.《NeuralNetworks:TheOfficialJournaloftheInternationalNeuralNetworkSociety》,被 EI 收錄 EI.被 SCI 收錄 SCI.2013 [9]Towardlearningautonomouspalletsbyusingfuzzyrules,appliedinaConwipsystem. AfshinMehrsaiHamidRezaKarimiBerndScholzReiter《TheInternationalJournalofAdvancedManufacturingTechnology》,被 EI 收錄 EI.被 SCI 收錄 SCI.20135/8 [10]Realworldreinforcementlearningforautonomoushumanoidrobotdocking. NicolasNavarroGuerreroCorneliusWeberPascalSchroeterStefanWermter《RoboticsandAutonomousSystems》,被 EI 收錄 EI.被 SCI 收錄 SCI.201211

 四、自主學習論文專著參考文獻 [1]初中學生課堂自主學習時間的調查分析基于延慶縣初中學校的思考. 胡廣華,2013 北京市區縣教育科研人員第六屆(2013)學術年會 [2]中藥學專業無機化學自主學習能力培養方法研究. 楊愛紅.齊學潔.張師愚,2013 中國化學會 2013 年中西部地區無機化學化工學術研討會 [3]中學生學業情緒、自主學習與學業成績的關系研究. 李威麗.桑青松.潘瑋琳,2012 第二屆中部心理學高峰論壇 [4]人體解剖學“自主學習”教學體系的構建. 張露青.肖明.張永杰.唐敏峰.左一智.朱敏.李雷.丁炯,2012 中國解剖學會第15 屆教學改革研討會 [5]以網絡旁修促進自主學習的改革與實踐. 侯治富.安治國.孫榮武,2012 第十五屆全國高等醫學院校診斷學教學改革研討會 [6]基于自主學習的“李四光計劃”創新人才培養模式探索. 龐嵐.賴旭龍.殷坤龍.王瑩,2014 中國地質學會地質教育研究分會 2014 年學術年會 [7]在化學教學中培養學生自主學習的能力. 陳躍生.陳毅輝,2011 福建省科協第十一屆學術年會化學分會場 [8]言文并進自主學習,注重積累發展能力新課程背景下一次高中文言文教學的嘗試與思考. 單淑玲,2011 北京市高中新課程“文言文教學實效性研討會” [9]網絡多媒體教學環境下中西亞留學生漢語自主學習能力培養研究. 王瑋.包文靜,2012 首屆中西亞區域研究及漢語教育國際學術研討會 [10]自主學習:理解與實現. 王曉利,2011 北京市區縣教育科研人員第四屆(2011)學術年會

篇二:以雙減為主題的論文參考文獻

生化需氧量(Biochemical Oxygen Demand, BOD)反映了污水的污染程度,是保證污水系統正常運行,衡量水質是否合格的核心參數。傳統測量方法檢測時間久無法保證工程實時調控的需要,相比于常規方法,智能化預測在水質參數檢測方面實用性更強。但是,目前污水參數預測的方法大部分基于單一神經網絡,隨著待處理問題復雜度的增加,往往效果欠佳,為污水參數的有效檢測帶來了挑戰。因此本文以無法直接得到的關鍵污水參數出水 BOD 為研究對象,借鑒“分而治之”思想,提出了基于模塊化神經網絡的預測方法,對出水實時 BOD 準確測量。具體研究工作如下:

 模塊化神經網絡任務分區設計。將樣數據本分區處理是 “分而治之”的前提,樣本空間的合理劃分依賴于性能好的聚類算法。針對傳統密度峰值聚類對數據的局部結構識別不靈敏,當面對密度分布不均的數據無法準確聚類的問題,提出基于改進 K 近鄰密度峰值聚類算法,通過對局部密度的定義進行替換,并加入信息熵優化距離公式,改善了因數據的局部結構不敏感所帶來的誤差。實驗表明本文提出的算法較經典密度峰值聚類精確率提高了 8.5%,體現出了算法有效性。

 模塊化神經網絡子網絡層自組織設計。針對傳統 RBF 網絡動態性不高,隱含層神經元結構確定困難的問題,本文通過結合神經元的自身特性對 RBF 子網絡進行改進,實現神經元的自組織動態調整,在保證準確性的基礎上,又得到了精簡的結構。為了提高網絡精度,同時通過改進遺傳算法對關鍵參數進行確定。結果表明,改進后的預測精度較原有算法 RMSE 指標提升近 63%。

 基于模塊化神經網絡的出水 BOD 預測研究。在污水處理過程中,針對主要參數 BOD 無法實時、準確測量的問題,提出基于模塊化神經網絡的預測策略方案。模仿人腦的“集思廣益”的思想彌補單一神經網絡處理復雜問題能力不足的缺陷。同時為了保證輸入數據的有效性,增加模型實時校正方案,添加反饋處理回路,對新的數據集能夠閉環處理。實驗結果表明,與改進的單一神經網絡方法相比具有較高的預測精度和精簡結構。

 污水處理智能可視化平臺設計。針對污水廠信息化不足的實際工業需要,設計出水 BOD 智能可視化平臺設計,實現了出水 BOD 的實時精確預測與污水處理系統數據的信息化監測與管控。

 水是人類賴以生存的基本條件,世界上大部分(約 78%)的工作來源于水,目前沒有可替代品。如今,中國經濟蓬勃發展的同時也帶來生態污染和環境破壞等問題,尤其水資源已成為世界關注的關鍵問題。在《2020 中國生態環境狀況公報》[1] 中指出,我國淡水資源短缺且污染嚴重,我國是全球水資源最貧乏的 13個國家之一,人均占有量僅為世界水平的四分之一,我國有 400 多個城市供水不足,缺水總量達 60 億,我國 63.3%的湖泊富營養化,三分之一水資源不可飲用。并且我國 24%的人口飲用受污染的水,60%的地下水質差,90%的城市水域污染

  2 嚴重,城市及主要經濟帶水生態惡化問題十分突出,已成為制約經濟社會可持續發展的瓶頸問題。當前,我國污水處理過程中存在的主要問題是能耗大,運行成本高,排放超標現象嚴重,南北地域水資源分布及不平衡 [2] 。國家統計局顯示:2020 年我國污水排放量高達 965 億噸,污水治理建設達到 2345 億元,可以看出,針對我國污水排放嚴重,雖然投資額巨大但治理效果還不能滿足我國水資源的需要。因此,針對我國水資源短缺和污染嚴重的問題,首要任務是對污染采取有效治理方式和監管措施 [2] 。

 《污水排放標準》是我國目前的污水排放的準則 [3] ,其中污水所含有污染物的濃度的確立也需要考慮目前我國的污水處理能力,原生環境能力和處理后污水的資源化處理利用。2019 年 1 月,我國開始實施《農村生活垃圾處理設施水污染物排放標準》。對農業生活污水的相關管理工作做出了明確的規定,限定了廢水中污染物濃度的最高閾值。對不同規模和等級的排放水體環境設定不同的濃度限值,規模分為四個不同等級:高于 500m³/d、50-500m³/d、5-50m³/d 和低于 5m³/d;排放水體的類別分為:Ⅱ類、Ⅲ類功能水體和其他水體兩類。

 生化需氧量(Biochemical Oxygen Demand,BOD) [4] 體現了污水的污染情況,其原理是細菌等微生物把污水進行生物降解的有機物含量,數值越高說明污染程度越嚴重。為了使檢查數據具有可靠性,通常提供在一定周期內,在特定溫度下測量水樣中微生物的基本數據,并確認水中氧氣溶解的消耗量,多數情況下處理5 天時間,稱為 5 日有生化需氧量,記為 BOD 5 。我國在《城鄉污水處理廠污染物排放規范》中,規范了出水 BOD 的國家標準:國家一級 A 國家標準 10mg/l 、國家一級 B 國家標準 20mg/l ,二類國家標準 30mg/l ,三類國家標準規定 60mg/l 。目前, BOD 被廣泛用于水體質量的監測和污水治理的管控。因而,實時準確的對出水 BOD 進行測量是確保污水處理系統常規運作和檢驗污水質量是否合格的一個關鍵條件。然而,由于污水處理方法的相對復雜性、生物有機物的存在以及高度的非線性,利用傳統的實驗技術來實時檢測出水 BOD 很困難的。所以,為了對出水 BOD 進行更合理有效的預測 [5] ,一些學者提出預測方法,這需要通過建模來嘗試找出輸入數據和待測數據之間某種內在關系。有很多種方法會運用到預測建模當中,比如邏輯回歸、神經網絡、線性回歸、最小二乘等。那么如何建立一個良好的模型來檢測污水處理中的關鍵水質參數對污水治理有重要意義和研究價值。

 處理污水通常伴隨著不平衡性、時變性、滯后性的一些特點,因此無疑給檢測污水中的一些相關指標的工作帶來了挑戰 [6] , BOD 做為污水處理過程中重要的評價指標,能夠反應水被污染的程度以及是否達到污水排放標準。所以實時準確地預測出水 BOD ,不僅能夠及時診斷出污水排放的情況以及管理目標,而且能夠對污染系統中的組成部分進行預先控制,可以做到有效管理,這對于污水處

  3 理系統具有很大的價值。目前,水質參數的測量方式大致可分成三類 [7] :人工采樣化驗法,在線儀表檢測法,以及預測技術。但是,人工檢測方法比較繁瑣,從取樣到檢測需要較長的時間,一般需要 5 天的時間來檢測出水 BOD ,嚴重的時滯可能會使水質再次污染,從而影響數據的精確度。與人工檢測方法比較,快速檢測儀器雖然可以提高檢測速度和精確率,會解決因人工檢測帶來的誤差,但其購置和維護價格非常昂貴。在應用預測技術中,人工神經網絡的在城市污水參數預測中取得了明顯的突破。并且其良好的預測效果在不同領域的有效應用得到了充分驗證。綜上,基于人工神經網絡方法研究對污水處理治理過程中的參數的檢測有深遠影響。

 在預測應用領域中,大多數的建模方式還是采用是單一神經網絡 [8] 。但是,在實際應用過程,系統過程的待測任務往往比較復雜,單一神經網絡效果通常不令人滿意。這也說明選擇一個綜合性能強的神經網絡對提高模型預的效率和準確性有關鍵作用。如果選擇的神經網絡數據處理能力薄弱,模型的準確性就無法保證;如果網絡結構復雜,就會增加模型的質量,對訓練效率產生影響。模塊化神經網絡借鑒了人腦“分而治之”的處理問題的思想原理,可以很好的擬合現實生活中的復雜難題。本文主要研究模塊化神經網絡,對 BOD 進行有效預測,對污水的處理以及環境的保護提供了模型方案,彌補了傳統測量方法存在滯后性的特點,提升污水處理工作人員的工作效率,節省時間與資金的成本。

 BOD 是測定水質污染程度的主要參數,能顯示所測水域污染物的濃度,反應污水的污染程度,BOD 的值越大,表明水質的污染程度越深。該指標與其他指標相比,可以更加真實的反應水質的污染程度 [9] 。因此對出水 BOD 的快速測量方法研究成為了研究熱點。當前主要包括傳統測量與模型預測兩種方法。

 傳統的常規檢測方法也被稱做直接方法,是指通過不同的策略方法測量污水中的溶解氧(Dissolved Oxygen, DO )來確定 BOD 值,其中傳統測量方法又稱為直接測量法。其中壓差法、燃料電池法、以及 COD 等方法是目前一些常規的 通過稀釋接種法 [10] 檢測的BOD值又叫5天生化需氧量,簡稱5BOD ,以 mg/L為單位。是在實際應用中最常見的一種測量方式。自 1987 年開始,我國將此方法確定為的 BOD 標準法。首先將水樣放在充滿氧氣的密閉溶解瓶中,1DO 和分別是放入前后的氧氣的濃度。并計算二者的差值,由此計算出 BOD 的最終值, 水中微生物把有機物全部分解通常需要二十天以上的時間,在這個過程中PH 值、余氯量等對測量過程等諸多因素起到了關鍵的作用。所以為了保證檢測的準確性,在測定前要用鹽酸溶液或氫氧化鈉溶液調節 pH 值至 6~8,應采樣后放置 1~2h 或加入適量亞硫酸鈉溶液去除少量余氯。其檢測裝置示意圖如圖 1.1所示,這種方法的獨特優點是測量方法準確度高,原理簡單清晰,但是在實際應

  4 用過程中操作相對復雜,不易重復操作,需要嚴格的管理方法對其進行操作,并且該方法耗時較久,為實際工程的實時調控帶來了挑戰。

 壓差法 [11] 的基本原理是在 5 天的密閉培養瓶檢測過程中,有機物的分解會導致水中釋放的二氧化碳被吸收,通過計算培養瓶里的壓力變化量得到微生物消耗氧氣的數量,由此得到 BOD 。經典 BOD 快速測定儀的原理就是利用壓差法實現的。傳統檢測方法的主要缺陷是測量時間較長,5 天到 10 天不等,事實上,在檢測結果出來之前,超過標準值的污水早已被排出。所以,傳統檢測方法并不適用環境監測和實時管控的及時干預。

 為了克服上述檢測方法的缺點,研發出了基于生物傳感器 [12] 等方法來實現 BOD 參數即時測定。生物傳感器法也叫微生物電極法,其基本原理是將活的微生物作為敏感材料,將需要測量的物質含量和人體的各酶系統以及新陳代謝系統所形成的化學信息相結合。而 BOD 值的計算方法通過微生物和有機物的相互作用過程中消使得溶解氧的含量降低,從而使得通過細菌膜的溶解氧相應地降低,通過溶解氧電極可以測量溶解氧含量的變化量。目前,對微生物電池的設計已成為快速檢測 BOD 的熱門方法。

 BOD 微生物傳感器結構示意圖 1.2 所示。

 Qian Zhengrong 等人 [13] 的研究中表明,通過添加金屬化學螯合劑 EDTA 或DDTC 等可以使多種重金屬電離生成金屬液晶聚合物,進而降低了多種重金屬電離對檢測設備的危害。由于 BOD 微生物傳感器的反應時間比較短,如果樣本中存在大量難以生物降解的有機物將嚴重影響測量,因此建議要把難以快速生物降解的有機物進行分析,然后再加以微生物降解。使用 AWW 為標準溶液,以自來水為空白溶劑進行標定,有效減少了因磷酸緩沖液所引起的二次污染,可進行對太湖水樣 BOD 的快速測定。標準溶液的選擇通常與測定方法以及污染物的種類直接相關,因此選擇合適的標準溶液將有助于提升傳感器測量的精度。Merlin等人 [14] 將定位有各種細菌的 BOD 傳感器構成陣列,使用所選細菌對某些化學物質的分解性,使用 PLS(partial least squares)的回歸方式進行數據分析,從而完成了對具有各種難以分解有機物 OECD 污染物的 BOD 檢測。微生物傳感器法速度更快,操作方法也更簡單,既減少了細菌膜培養時間,也提高了產品的測試準確度, 微生物傳感器法雖然精度高、速度快,但缺點是相應的儀器昂貴貴,在設備購買和后期維護會耗費很大的成本,為實際應用帶來很大經濟壓力。

 近些年來,過長的生化反應和環境的變化限制了對 BOD 快速方法研究。然而,用傳感器設備和在線產品質量分析儀等測量方法通常需要高昂的成本,并且在人工后期維護上頻繁且昂貴。為了解決以上缺點,國內外學者針對污水處理工藝的特性和水質參數的研究,產生了預測方法,通過利用所易檢測的過程標量實現對難以測量的變量的估計。目前,常用的建模方式有回歸分析法,狀態估計法,機理分析法和人工神經網絡等方法,其中,通過實踐證明人工神經網絡在預測方

  5 面已經運用到了多個領域并且取得了不錯的效果 [15-16] 。趙穎慧教授設計出了微孔曝氣氧化槽工藝,這將使污水處理系統效能得以顯著提高,從而達到了節能降耗[17] 。以 BSM 為基準,由俞方罡 [18] 對硝態氮的濃度進行預測,經過仿真實驗后證明,支持向量機在面對數據處理不完全的問題上有著較好的優越性,并且隨著數據量的增加支持向量機對 ELM 的預測效果很非常好。然而,當下人們對處理污水機理的認知還不是很全面 [19] ,這些通過機理分析方法實現模型的方式通常無法提高建模精確度。由于污水處理過程機制非常復雜,并且存在著不確定性、非線性、低動態范圍等特征,因此單純依據機理的污水處理流程運行,指標模型并無法提高精確度和安全性。

 通過上述考慮,學者們通過神經網絡開始預測污水的一些相關參數 [20-22] 。Xie [23] 基于 RBF 并使用參數線性集員的辨識方法修整網絡,驗證了 RBF 的可行性。Han 等 [24] 用一種改進的粒子群算法對 RBF 神經網絡結構和 網絡參數進行同步優化,構建了基于自組織 RBF 神經網絡的出水 TP 軟測量模型, 粒子群算法的引入 卻增加了時間復雜度, 實際應用中會降低建模效率。Raduly [25] 等通過前饋神經網絡預測 BOD 值,實驗精度還有待提升。任忠銘等 [26] 設計了一種遞歸 RBF 用于建立檢 測算法,通過一種基于引力搜索算法(GSA)將與出水 BOD 有相關性的輸入變量作為子集 用來作為網絡的輸入,對出水 BOD 進行建模。王樹東等 [27]使用改進的遺傳算法 RBF 進行優化,提升了預測精度,但降低了建模效率,付出了一定的時間成本。從上述案例研究可看出,基于神經網絡的預測技術具有自身的優越性,并具...

篇三:以雙減為主題的論文參考文獻

文獻1] 竇莉.淺探中職學校的職業道德與法律運用案例教學[J].中等職業教育.2012,(10).[2] 單藝. 中職法律專業課的思想教育功能[J].遼寧教育行政學院學報.2007,(8).[3] 張巍.中職法律課程“三步二議”課堂教學模式改革的探究與實踐[J].現代閱讀.2012,(2).[4]楊善銘.學生視野下的中職法律基礎教學效果現狀、成因及改進的對策——以河源市職業技術學校為例[J]. 中等職業教育.2012(11).[5] 楊善銘.中職法律基礎“專題式教學模式”的構建[J]. 濟南職業學院學報.2013,(2).[6] 溫風、景華芳. 淺談多媒體教學手段在中職法律教學中的運用[J].山西師大學報.2011,(9).[7] 黃玉敏.中職法律課堂多媒體教學的有效運用探析[J]. 前沿.2010,(2).[8] 魏德海.中職法律課堂教學改革探討[J]. 科技文匯.2012,(10).[9] 毛高仙.案例教學法和多媒體技術帝整合策略[J]. 廣西教育學院學報.2009,(2).[10] 吳蘭團.中職法律課教學中案例教學法的有效應用[J]. 法制與社會.2013,(8).[11] 鐘啟泉.“有效教學”研究的價值[J] .教育研究. 2007,(6).[12] 姜紅艷.中職學校法律基礎知識課程教學初探[J]. 遼寧教育行政學院學報.2010,(4).[13] 彭斌. 對中等職業學校法律基礎課程的調查分析[J]. 職業教育:下旬刊.2009,(3).[14] 潘笑宇.淺論中職法律基礎課程教學中存在的問題及其解決對策[J]. 新課程. 2011,(11).[15] 孔德容.關于中職《法律基礎知識》教學的看法[J]. 考試周刊.2010,(26).[16] 王旭平.淺議法律基礎知識課三板塊式的課堂教學[J]. 延安教育學院學報.2006,(4).[17] 姚峰.中職學?!斗苫A》課教學的思考[J]. 成才之路. 2012,(25).[18] 管夢影.法律基礎知識教學淺談[J]. 中等職業教育.2009,(6).[19] 王國萍.中職學校法律基礎知識課堂教學有效性探究[J]. 文學教育. 2013,

?。?).[20] 葉楠.基于主題法律意識的培養與中職法律基礎教學探究[J]. 西江月 .2012,(35).[21] 賈長風.法律素質培養視角下的法學教學方法[J]. 都市家教.2014,(6).[22] 劉素玲.方法多樣化模式靈活化——提高中職學生法律基礎課質量淺談[J].科教文匯.2011,(20).[23] 楊善銘.公民教育視野下中職法律基礎教學改革與創新[J].濟南職業學院學報. 2012,(2).[24] 潘方方.關于提高《法律基礎知識》課程教學實效性的思考[J].考試周刊.2013,(81).[25]康戈.關于中職學生法律教學實效性探究[J].大觀周刊.2012,(12).[26]劉曉榮. 淺談提高中職法律課堂教學的實效性[J].課程教育研究.2014,(3).[27]姚峰.淺談如何讓中職學生正確理解與運用法律基礎知識[J].教育界. 2012,(28).[28]趙奮濤.讓中職法律課教學在實事的折射下變得絢爛[J].新一代.2010,(11).[29]李素龍. 以“情感參與”促進“認知參與”[J]. 新課程研究.2013,(3).[30]毛繼玲.中職“法律基礎”教學的實效性初探[J].教師.2013,(17).[31] 壽曉燕.中職校法制教育困境、成因及對策初探[D].上海:復旦大學,2008.[32] 竇殿毅.中等職業學校法律基礎知識課案例教學研究[D].石家莊:河北師范大學,2005.[33] 教育部.法律基礎知識教學大綱(試行)[M].北京:人民教育出版社 2001[34]徐學福.探究學習教學策略[M].北京:北京師范大學出版社 2010[35]皮連生.教育心理學[M].上海:上海教育出版社 2011

篇四:以雙減為主題的論文參考文獻

與口罩論文 [1]陳奕橋,田宏.不同臉型對普通醫用口罩密閉性影響的測試與分析[J].遼寧絲綢,2021(02):25-26. [2]嚴千昊,王琬晴,方鉦皓,趙小玲,卞雯玉.小口罩,大學問[J].兒童故事畫報,2021(14):40. [3].戴口罩,眼鏡總起霧咋辦[J].江蘇衛生保健,2020(03):55. [4]方雪嬌,江學為.基于人體工學的貼合型防護口罩結構研究[J].北京服裝學院學報(自然科學版),2019,39(03):29-34+41.DOI:10.16454/j.cnki.issn.1001-0564.2019.03.005. [5]丁文彬,賈曉東. 空氣顆粒物防護口罩功能綜合評測[C]//.2018 環境與健康學術會議--精準環境健康:跨學科合作的挑戰論文匯編.,2018:404-405.

 [6]丁文彬,賈曉東.常見自吸過濾式口罩的防護效果綜合評估[J].環境與職業醫學,2018,35(05):428-433+446.DOI:10.13213/j.cnki.jeom.2018.17746. [7]文華.正確戴口罩,有效防霧霾[J].益壽寶典,2018(05):57. [8]林楠,宋曉薇.為每一次健康呼吸保駕護航[J].設計,2018(02):38-43. [9]甄維,劉宓,張靖,蔡琨,張曙霞,韓衛芳,周為民,武桂珍.適用于生物安全三級實驗室的口罩的適合性影響因素[J].中華實驗和臨床病毒學雜志,2017,31(02):172-175. [10]王鈺涵,尼加提·亞熱買買提,張婧.基于臉型特征數據的防霾口罩造型設計研究[J].中國市場,2017(07):141+147.DOI:10.13939/j.cnki.zgsc.2017.07.141.

vvvv88亚洲精品日韩精品_色诱久久久久综合网_丝袜人妻一区二区_国产成人在线无码免费视频
<xmp id="k8aq2"><button id="k8aq2"><button id="k8aq2"></button></button>
<xmp id="k8aq2"><form id="k8aq2"><form id="k8aq2"></form></form>
<xmp id="k8aq2"><xmp id="k8aq2"><xmp id="k8aq2"><form id="k8aq2"></form>
<form id="k8aq2"></form><xmp id="k8aq2"><form id="k8aq2"></form><form id="k8aq2"><form id="k8aq2"></form></form><xmp id="k8aq2"><form id="k8aq2"></form>
<ins id="k8aq2"><form id="k8aq2"><form id="k8aq2"></form></form></ins>
<form id="k8aq2"></form><xmp id="k8aq2"> <xmp id="k8aq2"><xmp id="k8aq2">
<form id="k8aq2"></form>
<button id="k8aq2"></button>
<xmp id="k8aq2">
<xmp id="k8aq2"><form id="k8aq2"></form>
<form id="k8aq2"></form>
<form id="k8aq2"><form id="k8aq2"></form></form>
<xmp id="k8aq2"><form id="k8aq2"></form>
<form id="k8aq2"></form><form id="k8aq2"><form id="k8aq2"><button id="k8aq2"></button></form></form>
<form id="k8aq2"></form><xmp id="k8aq2">
<xmp id="k8aq2"><form id="k8aq2"><button id="k8aq2"></button></form><form id="k8aq2"></form><xmp id="k8aq2"><form id="k8aq2"></form>
<xmp id="k8aq2"><form id="k8aq2"><form id="k8aq2"></form></form>