摘要：阐述一种基于物联网和大数据分析的远程监测和故障诊断系统的设计,介绍系统硬件架构和软件流程的设计、对数据进行分析。该系统能够实时监控10kV控制柜的运行状态,提前预测和诊断故障。

摘要：无论从教学目的论、教学本体论的意义上,还是从教学过程论的角度来看,教学真实都强调师生双方凝聚共识,激励共同的教学行动.把握和分析教学真实存在的时代境脉应该重视教学倾听,以基于知识结构,关注学生认知;应该拥抱教学冲突,以关注学生的思维冲突;应该节制教学技术,以关注教学素材的合理利用.基于此,以高中数学教学为例,分析追求教学真实的实践构想:关注学生的认知起点,设计课堂教学;关注研究方法,揭示学生的思维过程;合理选择教学素材,设置有效教学情境.

摘要：试卷档案管理是高校教学工作的重要组成部分,管理过程涉及试卷模版制定、教师出题、考试安排、试卷审核、试卷存档等多个环节。依靠人工管理的方式,易出现试卷资料管理不规范、丢失、统计查找困难等问题。为此提出一套试卷管理流程,开发了基于B/S模式的高校试卷档案管理系统,以解决试卷档案管理规范化、流程化、系统化等问题。

摘要：随着体育课程改革的不断深化落实,“幸福体育课程模式”顺势而生,它符合新时代学校体育发展的需求。基于一体化专题研究,解析“乐、动、会”的内涵,明晰及其指向的幸福感,探索聚焦“乐、动、会”打造幸福体育课堂的方向与路径,通过有效组织让学生真正感悟到幸福,提高体育教育质量,为学生身心健康与幸福人生奠基。

摘要：基于ＤＢＳｅｒｖｅｒ／ＷｅｂＳｅｒｖｅｒ／Ｂｒｏｗｓｅｒ模式，针对众人时装专卖店，讨论了营销管理网络系统的设计内容，介绍了服务器系统软件、网络结构、开发环境。

摘要：特殊化原则是将问题转化为特殊情形,通过对特殊进行分析去寻求一般,以获得关于所研究对象的性质或关系,从而找到解决问题的方向、途径或方法的思维方式.特殊化原则的使用过程蕴含化归思想、“以退求进”等策略,具体表现有:概念特殊化、解决问题特殊化或命题特殊化等.特殊化原则的思维具有多元性与多向性、程度性与抽象性、条件性及解释性等特性.特殊化原则是数学学习中的重要思维方式,结合特殊化原则的理论思考,从“几何”“函数”“数与式”及“锐角三角函数”4个知识主线思考教学落实.

摘要：概率与统计知识的编排注重知识系统性、结构化,这既凸显高中课程中概率与统计内容的教学价值,也是对概率与统计育人价值提出更高的要求。文章结合舍费尔德解题思想四要素(知识资源、探索策略、控制系统、自我信念)的启示,思考概率中递推数列问题的教学策略:基于概率学习进阶,设计真实问题情境;以“情境—问题”为载体,重塑解题策略模式;规范学生思维路径,建构递推数列模型;基于过程性评价,建立学习信念,指向学生概率思维的培养。舍费尔德解题思想凸显了概率认知发展的层级性,也为学生概率思维的培养提供策略支撑。基于此,文章分析了“概率中的递推数列”一节公开展示课的教学过程,以期优化概率教学,形塑学生交叉思维解决问题的能力,培养学生的学科素养和创新意识。

摘要：目的比较容积旋转调强(VMAT)与固定野调强放疗(IMRT)技术用于乳腺癌术后放疗中的剂量学差异。方法选取收治的乳腺癌患者254例为研究对象,均在相同的剂量学限制条件下设计VMAT及IMRT放疗程序,依据剂量体积直方图评估其计划靶区(PTV)剂量、适形度指数(CI)、均匀性指数(HI)、危及器官受量。结果两种放疗技术下,PTV Dmean、PTV V95%、PTV V110%对比差异无统计学意义(P>0.05),VMAT计划的每分次治疗时间、靶区HI均小于IMRT,而VMAT的靶区CI、机器跳数多于IMRT(P<0.05);VMAT的健侧乳腺Dmax与Dmean、患侧肺V20、V30均低于IMRT,VMAT的冠脉左前降支Dmean、心脏V30、Dmean及脊髓Dmax、Dmean也低于IMRT,VMAT的健侧肺V5、V10大于IMRT(P<0.05)。结论在乳腺癌术后放疗中,选择VMAT放疗技术较IMRT放疗技术可获得更好的靶区均匀性、适形性及较低的危及器官受量,同时缩短治疗时间,可作为首选治疗方案。

摘要：云计算环境下,应用负载规模巨大,云服务提供商为多个客户提供共享的计算、网络和存储资源以最大化资源利用率,降低总体能耗,从而减少数据中心的运营成本,同时需要为用户提供良好的性能保障。针对该问题,提出一种基于动态限速的云应用负载调度方法。面向长时间运行的云应用,根据负载历史记录生成r-b曲线以描述存储和网络利用率,基于动态规划为每类负载自动生成限速参数。在保障处理负载的性能满足SLO的约束下,通过对自动化设置存储和网络限速参数,调度并整合负载以最小化处理负载的服务器数量,从而提高资源利用率并减少能耗。最后,设计并实现了原型系统,实验结果表明,提出的方法能够保障云应用性能,减少运行服务器数量,并具有较好的可扩展性。

摘要：在云计算环境下,并发训练多机器学习模型会造成严重的共享集群资源竞争,影响执行效率。针对该问题,论文提出一种面向分布式机器学习的云计算资源调度方法。根据历史监测数据建立迭代次数与模型质量提升间的模型,在线预测资源分配对模型质量提升的影响,制定资源优化调度策略,并且设计了资源调度框架。实验结果表明,所提出的方法能够快速适应任务和负载的动态变化,实现多个模型训练作业的整体性能最大化。