一、选答题。下列各小题有四个备选答案,请选出其中一个最适合的答案,并将其序号填入试题的括号中。 1、从课程研制过程的角度来看,课程实施也就是(） a、教学 b、学习 C、教学设计 d、学习设计 (正确答案:a)

在学习本课程之前请同学们首先要弄清以下几个问题: 一、为什么要学习《国际投资学》?(四点论据) 1、2001年12月11日我国加入WTO的需要; 2、国际商务师职称考试的课程;(国际营销员资格考试的需要); 3、谋求专业对口职业的需要(口试与开展业务的需要。深圳某外贸公司招聘职员的例子,要六级外语证书,但不是外语学院); 4、该课程为教学计划中的考试课程。 二、学习要求: 1、到课堂听课,有事请假,对号入座,随机提问。占总成绩的10% 2、认真做笔记,占总成绩的10% 3、认真做作业,占总成绩的10%。 4、期末考试(平时给出重点,考前不划范围。否则,为一级教学事故。敬请谅解)

一、课程性质 结构力学综合训练是土木工程专业的一门课程设计课,属专业选修课性质。学 生在学习理论力学、材料力学和结构力学的基础上,通过本课程的学习,对所学的 力学基本原理、基本概念和基本技能加以综合提高,建立起结构整体受力分析的概 念,进一步掌握杆件结构的计算理论和计算方法,提高综合应用力学知识进行计算 分析的实际能力,学会使用结构分析程序进行结构计算,为学习有关专业课程以及 进行结构设计和科学研究打下良好力学基础。是一个综合提高的训练实践环节。以 此培养学生具有结构分析与结构计算方面的能力,培养结构定性分析的能力

一、课程性质与任务 结构力学是土木工程专业的一门主要技术基础课,属必修课性质。在学习理论 力学和材料力学的基础上,通过本课程的学习,使学生进一步掌握杆件结构的计算 理论和计算方法,了解各类结构的受力性质。为学习有关专业课程以及进行结构设 计和科学研究打好力学基础,培养学生具有结构分析与结构计算方面的能力。课程 的教学目的为:

融合手工特征和深度特征，提出了一种集成超限学习机心跳分类方法。手工提取的特征明确地表征了心电信号的特定特性，如相邻心跳时间间隔反映了心跳信号的时域特性，小波系数反映了心跳信号的时频特性。同时设计了一维卷积神经网络对心跳信号特征进行自动提取。基于超限学习机（Extreme leaning machine，ELM），将上述特征融合进行心跳分类。由于ELM初始参数的随机给定可能导致其性能不稳定，进一步提出了一种基于袋装（Bagging）策略的多个ELM集成方法，使分类结果更加稳定且模型泛化能力更强。利用麻省理工心律失常公开数据集对所提方法进行了验证，分类准确率达到了99.02%，实验结果也表明基于融合特征的分类准确率高于基于单独特征的分类准确率

一、课程性质和任务 结构力学提高课是在学习理论力学、材料力学、结构力学等门力学课程 后,为土木工程专业学生开设的一门力学提高课程,属于专业选修课性质。通 过本课程的学习,可使学生进一步掌握杆件结构的计算理论和计算方法,深入 了解各类结构的受力特性。为学习的有关专业课程以及进行结构设计和科学研 究打好力学基础,培养学生具有较强的结构分析与结构计算方面的能力

针对传统基于BP神经网络建立的连铸坯质量预测模型训练速度慢、适应能力弱、预测精度低等问题,本文提出一种基于极限学习机的连铸坯质量预测方法,对方大特钢60Si2Mn连铸坯中心疏松和中心偏析缺陷进行预测,并与BP和遗传算法优化BP神经网络预测模型的预测结果进行分析对比.结果表明:BP及GA-BP神经网络预测模型对连铸坯中心疏松和中心偏析缺陷的预测准确率分别为50%、57.5%、70%和72.5%;而基于极限学习机的连铸坯预测模型预测准确率更高,对连铸坯中心疏松和中心偏析缺陷的预测准确率分别为85%和82.5%,且该模型具有极快的运算时间,仅需0.1 s.该模型可对连铸坯质量进行迅速准确地分析,为连铸坯质量预测的在线应用提供了一种新的方法

１、通过《管理学》这门课的学习，使学生能够了解管理理论的基本框架及其沿革，并通过管理智能这条主线，掌握基本管理职能的内涵和内容２、通过基本管理职能的学习，初步了解管理学科基本分支的相关内容，如战略管理、人力资源管理、生产管理、营销管理、成本管理、财务管理等内容，从而为以后专业课的学习奠定基础。３、使学生能够利用管理学知识对国内外著名企业的相关案例进行简单分析

为了更加快捷、高效地判定边坡稳定与否，基于机器学习，融合主成分分析法（PCA）、参数调整、影响因素权重分析等，建立了一种边坡安全稳定性评价体系。研究发现，运用PCA可以在保留80%数据原信息的前提下将输入变量维度从六维降至三维，但此时模型效果有所下降；随机森林及梯度提升(XGBoost) 两种学习算法均可搭建有效的边坡安全稳定性评估模型，通过对其预测效果的对比分析，确定XGBoost为最佳评价模型。与此同时，采取卡方检验、F检验以及互信息法3种相关性检验手段，并通过计算评价因子的重要程度且加以可视化展示，明确了容重、坡高、内摩擦角以及内聚力4个内在因素的重要性，最终将评估结果与实际结合提出了边坡安全防护措施

多聚焦图像融合是计算机视觉领域中的一个重要分支，旨在使用图像处理技术将同一场景下的聚焦不同目标的多张图像中各自的清晰区域进行融合，最终获得全清晰图像。随着以深度学习为代表的机器学习理论的突破，卷积神经网络被广泛应用于多聚焦图像融合领域，但大多数方法仅关注网络结构的改进，而使用简单的两两串行融合方式，降低了多图融合的效率，并且在融合过程中存在的失焦扩散效应也严重影响了融合结果的质量。针对上述问题，在显微成像分析的应用场景下，提出了一种最大特征图空间频率融合策略，通过在基于无监督学习的卷积神经网络中增加后处理模块，规避了两两串行融合中冗余的特征提取过程，实验证明该策略显著提高了多张图像的多聚焦图像融合效率。并且提出了一种矫正策略，在保证融合效率的情况下可有效缓解失焦扩散效应对融合图像质量的影响