检索结果-南通市图书馆

近30年来,Re-Os同位素分析方法在样品溶解、化学分离及质谱测定,以及微区分析等方面取得了重要进展,Re-Os同位素体系已成为同位素地质年代学研究的一个重要手段。本文对近年来金属硫化物Re-Os同位素分析技术的研究发展现状以及存在的问题进行系统评述,包括野外工作和室内金属硫化物矿物精确识别和挑选、样品的分解、分离富集技术到仪器测定、参考标样选择等,并对化学处理过程中如何提高试剂纯度,避免器皿、试剂和环境污染,如何降低实验流程空白等方面给出了建议,可为相关研究者优化Re、Os及其同位素的高精度测试提供参考。

关键词：金属硫化物 Re-Os同位素定年分离富集技术实验流程空白分析技术

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

小群体体育教学模式在高职公共篮球教学中的实验研究 ——以浙江省建设职业技术学院篮球教学为例

小群体体育教学模式在高职公共篮球教学中的实验研究 ——以浙江...

引用

作者：孙胜杭州师范大学

学位级别：硕士

素质教育已经成为中国乃至世界教育改革发展的趋势,受到各级高校教育者的关注。篮球教学在提高学生身体素质和人文素养方面的独特作用,备受高校体育教育者的关注,如今篮球选项课已经成为高职院校重点体育课程之一。然而由于身体素质和... 详细信息

素质教育已经成为中国乃至世界教育改革发展的趋势,受到各级高校教育者的关注。篮球教学在提高学生身体素质和人文素养方面的独特作用,备受高校体育教育者的关注,如今篮球选项课已经成为高职院校重点体育课程之一。然而由于身体素质和主观学习意识的努力程度上的不同,决定了同一个班中的学生在运动技术、体育兴趣和合作能力等方面存在明显差异。体育教学一直以来沿用的传统运动技能教学模式,过多的强调学生练习的统一形式,导致教学方法、教学手段缺乏针对性,不能因材施教置学生于被动地位,极大的挫伤了学生学习的积极性和主动性。另外传统运动技能教学模式过多关注技能学习,忽视了学生心理体验,影响了学生体育兴趣的发展。针对以上问题,小群体体育教学模式显示出了一定的优越性,在教学中小群体育教学模式赋予学生充分的自主权,自主选择学习伙伴、自由支配练习时间、自由选择练习形式、不同学习程度的学生选择不同的教学目标,小群体成员合作学习中共同完成学习目标,教学中注重学生心理体验,实现了学生身体和心理协调发展。本文通过文献资料法、实验法、问卷调查法、专家访谈法、比较研究法、数理统计法,以浙江建设职业技术学院大二年级84名学生为实验对象,对其进行小群体体育教学模式在高职公共篮球教学中应用性实验研究。实验分三个部分,第一步是对照班与实验班学生基本运动素质、运动动机和基本学习经历进行调查。第二步教学实施,实验班运用小群体体育教学模式教学,对照班采用传统运动技能教学模式教学。第兰步对教学后实验数据进行收集、分析并总结小群体体育教学模式的教学效果,与传统运动技能教学模式对比研究。分析讨论两种教学模式的优缺点,试图构建篮球项目的小群体体育教学模式。实验的主要结果如下：1.小群体体育教学模式与传统运动技能教学模式相比,更有利于学生篮球技战术的掌握。2.小群体体育教学模式有效地激发学生学习的兴趣,提高了学生学习的积极性。3.小群体体育教学模式的使用,能有效地促进学生合作能力与竞争意识的提高。4.运用小群体教学有利于建立和谐师生关系5.小群体体育教学模式面向全体学生,突出了学生的主体地位,有利于学生的全面发展。小群体体育教学模式在篮球教学中的运用,适应了当前素质教育的需求程度上提高了高职院校公共篮球教学的质量。

关键词：小群体体育教学模式篮球高职体育实验研究法

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

面向异构IoT设备协作的DNN推断加速研究

引用

计算机研究与发展 2020年第4期57卷 709-722页

作者：孙胜李叙晶刘敏杨博过晓冰中国科学院计算技术研究所北京100190 中国科学院大学北京100049 联想研究院北京100085

深度神经网络(deep neural network,DNN)已经广泛应用于各种智能应用,如图像和视频识别.然而,由于DNN任务计算量大,资源受限的物联网(Internet of things,IoT)设备难以本地单独执行DNN推断任务.现有云协助方法容易受到通信延迟无法预测... 详细信息

深度神经网络(deep neural network,DNN)已经广泛应用于各种智能应用,如图像和视频识别.然而,由于DNN任务计算量大,资源受限的物联网(Internet of things,IoT)设备难以本地单独执行DNN推断任务.现有云协助方法容易受到通信延迟无法预测和远程服务器性能不稳定等因素的影响.一种非常有前景的方法是利用IoT设备协作实现分布式、可扩展DNN任务推断.然而,现有工作仅研究IoT设备同构情况下的静态拆分策略.因此,迫切需要研究如何在能力异构且资源受限的IoT设备间自适应地拆分DNN任务,协作执行任务推断.上述研究问题面临2个重要挑战:1)DNN任务多层推断延迟难以准确预测;2)难以在异构动态的多设备环境中实时智能调整协作推断策略.为此,首先提出细粒度可解释的多层延迟预测模型.进一步,利用进化增强学习(evolutionary reinforcement learning,ERL)自适应确定DNN推断任务的近似最优拆分策略.实验结果表明:该方法能够在异构动态环境中实现显著DNN推断加速.

关键词：深度神经网络推断加速异构设备协作进化增强学习多层预测模型拆分策略

来源：

维普期刊数据库

同方期刊数据库评论