随机动态分组模拟算法在体育教学中的应用评价

文摘

排名的结论是一个扩展的概率绝对形式评价结论。首先,介绍了随机模拟评价模型;然后,将传统的评价方法的总体想法随机仿真分析评价模型;在此基础上,基于规则的“进一步保证排名的稳定链的基础上增加的可能性等级链,“解决概率排名的两种方法的结论。以法治为基础的“进一步保证排名的稳定链的基础上提高排名链的可能性,”两种方法给出解决的可能性的结论。本文认为这绝对的结论形式阻碍了近似理论的实际问题的本质,是一个重要的原因的问题“multi-evaluation详细的结论。“为了解决这个问题,一个随机仿真解决方案综合评价的算法基于“蒙特卡罗模拟”提出,相应的排名方法是调查,它的特点是生成评价结论与概率(可靠性)信息,从而有更多的优点比绝对的结论形式可解释性的问题。方法的特点是一代的评价结论与概率(可靠性)信息,从而有更多的优点比绝对的结论形式解释的问题。因为独立的随机模拟方法,将其应用于“自下而上”评价模型为例,构造新颖的自动评价方法。最后,应用随机模拟评价模型如下一个例子并与绝对的评价形式。 The evaluation model is an extension of the traditional evaluation model, which can further broaden the practical application of comprehensive evaluation theory.

1。介绍

传统的体育教学模式是体育老师反复解释并演示,和学生模仿和实践运动技能由体育老师解释,以完成学习目标(1]。这种传统体育(体育)教学模式有许多缺点,不能满足体育教学在当今时代的需要(2]。新课程改革要求学生是课堂的中心和主体,与传统体育教学模式显然不能满足新课程改革的要求。传统的体育教学模式不能满足新课程改革的要求3]。体育教学的信息化可以提高体育教学中存在的问题,使体育课堂围绕学生和教师发挥指导作用。作为体育教育的改革继续深化,这是一个不可避免的趋势为体育课程的发展与信息化取代传统的体育教学模式体育教学(4- - - - - -9]。在此基础上,找出当前的信息化发展体育教育的缺陷和解决这些问题是一个重要的措施促进传统体育课程的改革(10]。

综合评价是科学合理使用微分信息评价信息的前提是已知的,给一个稳定和可靠的程序(评价对象)的排名,是符合客观现实11]。综合评价是科学决策的一个重要组成部分,广泛应用在许多领域,如工程设计、经济管理、和政治和军事,吸引国内外学者的兴趣,并取得了丰硕的研究成果到目前为止(12]。目前,大多数的评价方法往往使一次性绝对判断评估对象根据评估信息,无论评价信息精确值或模糊数的形式(如区间、模糊数、语言信息)(13]。然而,对于评价问题像“团队的力量”比较,通常很难直接得出结论,“团队绝对是比团队B”从一场比赛的结果,因为,由于同等强度或小概率事件,很有可能,在接下来的比赛,球队将会比团队。在接下来的比赛,很可能“B”赢和输14]。如果你仔细想想,在现实中,上述问题也普遍比较等“一般能力”和“发展潜力”,统称为“相对评价问题”在本文15]。在本文中,我们将这些问题称为“相对评价问题。”

相对评价问题,是不可能直接得出的优势或劣势评价运行的解决方案,只有一个,但它是必要的统计分析之间的关系解决方案的优势和劣势的基础上大规模比较然后得出概率排名反映的相对优势解决方案(16]。因此,首先,我们需要随机化传统的评价方法,以便每个评价成为大规模的随机抽样跑,这样我们就可以得到一个更稳定的概率之间的比较优势和劣势的解决方案具有足够数量的模拟。从上面的分析,很明显,传统的评价方法的操作实际上是相对评价的信息处理问题,所以传统评价方法的随机化设置应该反映在评估过程中相关参数的设置17]。正如上面提到的,指示值的相对评价问题通常是不固定的,它提供的可能性值“随机抽样”的指标。另外,可以设置的参数随机也常用指标权重,专家权威评估(集团),信息变化治疗(方法论的性质测量),等等(18]。

基于随机设置的传统评价方法,需要为大规模开发的一个计算机模拟程序模拟和随机信息提取每次解决的设置根据选择传统的综合评价模型。的概率信息“比”或“比”之间形成的解决方案。本文认为这绝对的结论形式阻碍了亲密的理论实际问题的本质,是一个重要的原因的问题“详细多个评估结论。“为了解决这个问题,一个随机仿真解决方案综合评价的算法基于“蒙特卡罗模拟”提出,相应的排名方法是调查,它的特点是生成评价结论与概率(可靠性)信息,从而有更多的优点比绝对的结论形式可解释性的问题。方法的特点是一代的评价结论与概率(可靠性)信息,从而有更多的优点比绝对的结论形式解释的问题。因为独立的随机模拟方法,将其应用于“自下而上”评价模型为例,构造新颖的自动评价方法。最后,应用随机模拟评价模型如下一个例子并与绝对的评价形式。评价模型的扩展传统的评价模型,可进一步拓宽综合评价理论的实际应用。

2。相关工作

相对评价问题是一种扩展的定义与传统评估被评估的对象在特定情况下(如考试成绩和销售业绩),显然具有重要的理论意义和实际应用价值的解决这类问题。然而,传统的“非此即彼”的结论形式评价模型不能提供可信的结论相对评价问题。基于“蒙特卡罗模拟”,本文给出了一个如何将自主评价问题转化为一个随机评价问题,引入了“排名可能性结论”的概念第一次。“排名可能性结论”打破了“非此即彼”的绝对优势地位的评估对象和是第一个探索“相对评价问题。“通常,相对评价问题,评价对象的性能(值)在各方面(指标)并不总是固定的,但更经常在一定的范围内波动,根据一定的分布,如学生的良好的性能在语言,但并不总是100分;“好”的定义可能在90或85以上,等等。19]。同样,这种变化值可以扩展到指标的权重和评价其他参数设置。此外,由于随机模拟解决方案算法具有高度的独立性,它可以被添加到评价“组件”的方式形成一个新的评价方法。在此基础上,本文随机模拟解决方案集成算法的相对评价问题,提出了一种新的评价模型,即随机模拟评价模型,探讨转换思想和解决方案之间的算法和传统的评价模型20.]。

随机仿真综合评价模型是面向相对评价问题,如图1,但它仍然是一个基于传统的信息处理方法综合评价方法,所以随机仿真综合评价模型可以被看作是一个结构化的方法框架,它由两部分组成:一部分是传统的随机设置评价方法;另一部分是相对评价问题,基于随机模拟算法。另一部分是基于随机模拟算法求解相对评价问题(21]。

3所示。思想转变传统的评价模型

3.1。指标信息收集

指标的收集信息,确定权重系数,和选择的信息聚合模型中的三个主要步骤操作过程传统的综合评价(除了澄清的评价目的、评价指标的确定,解决方案,评估和分析结论),也是传统综合评价的关键转换模式随机模拟评估模式。在本文中,我们将介绍有关参数及其设置的想法的过程中改变传统评价模型随机模拟评价模型按照的想法“扩大从古典多标准评价其分支领域,“和具体转换方法将分别讨论由于空间的限制。相对评价问题,评价指标信息收集的形式通常不是精确值,但更多的形式组成的混合数据精确值,区间数和模糊数。在随机模拟类型评价模型,上述混合数据应该转化为随机数据的形式。

一个可能的想法是,首先确定评价指标的范围,然后将数据转换为相应的范围和确定数据的分布范围,并在相应的随机样本数据根据分布范围。一个简单的例子可以说明这个观点:评估学生的学业成绩,每个主题的范围值(0,100年)之间,和物理教育的学生通常是分布式稳步从75年到85年,80年和85年之间。在这一点上,我们可以判断学生的体育成绩的范围(75、85)之间的密度分布(80、85)大于之间(70、75)。在这一点上,可以认为,学生之间的运动表现(75、85)服从正态分布,期望值是80年和85年之间,所以获得的数据可以根据正态分布随机从75年到85年,基于分布函数的精确计算。应该指出,为了消除不一致的影响评估数据的规模和大小的评估结果,原始的评价应该是无量纲的数据。一般来说,有两种处理的想法:一个是使整个范围的原始评价信息之前无量纲随机抽样;另一种方法是使获得的随机数据无量纲随机取样后一样。

建议采用后一种方法,以避免破坏原始数据的内部结构,可能会导致整体无量纲处理的原始评价信息的值的范围。上面的转换思想可以进一步扩展到以下评价问题:①不确定性评价问题,如评价信息的形式区间,三角模糊数,和语言信息;②评价方法性质测试问题,如测量的结构稳定性评价方法,它通常可以观察的程度干扰的过程中突然改变正常的异常值的索引;③多种评价方法的比较分析,如比较多种评价方法。(3)多个评价方法的比较分析,如比较数的灵敏度信息聚合模式,通常不能从只有一组数据得出的结论,但需要得出一个更稳定的比较结论基于大量的随机获得的数据。

3.2。权重因子测定

同样的,当收集到的指标权重信息不完整,如> , ∈(0.3,0.5),有必要进一步协商确定相应的权重系数的范围及其分布状态和随机获取的数据与相应的分布范围内的值。随机的想法转换的重量系数可以进一步扩展到以下几点:(1)定义组专家权威评价。(2)确定重要性水平的各种评价方法的组合评价。(3)测定的时间加权系数的动态评价。随机化的重量系数的另一种方法是,当体重系数是由特定的表达式,给出相关参数的表达式可以设置根据一定的规则来实现测量满足特定的评价目标的影响,如设置权重系数的问题,强调自主评价的优势。

澄清后评价目的和收集评价信息,通常是很难选择的评价方法(主要是聚合模型)的信息,如是否选择WGA或长大一点点信息聚合算法。一个可行的想法是测试评估方法在澄清的前提下的满意度评价目的和评价的目的。测试应该基于综合仿真评价指标的数量,无量纲方法,在权重系数的表达式及相关参数,等等,得到稳定的测量满意度的评价方法的目的。

3.3。随机动态仿真算法

相对评价问题不能直接确定的优势或劣势的解决方案在一个特定的评估,但是有必要分析统计之间的关系解决方案的优势和劣势的基础上,一个大的比较。然后关闭概率排名反映的相对优势的解决方案。“优势矩阵”的概念计算数量的“比”和“比”对比两种解决方案在随机模拟和优势和劣势的数量除以总数量的模拟仿真结束时的概率获得“比”和“比”对比两种解决方案。的可能性“比”和“比”是获得更好和更坏的数量除以总数的模拟仿真,和排名的概率的概率特征之间的解决方案。一般来说,优势矩阵的一般形式的对比n解决方案(用o₁,o₂、……o_n),提供仿真是充分的,

从理论上讲,如果矩阵的所有元素年代不为零,那么n!可以来源于矩阵排序链年代,每个排序链可以出现不同的概率。每个链的概率是不同的,每一个链的稳定性也不同。这里,我们指的是发生概率链的“可能性因素”和整体稳定链的“稳定的因素。“如果年代_ij= 0适用于某一链,很明显,链不持有;即。,the chain cannot occur. Therefore, the minimum年代_ij在一个链的概率系数可以用来表示链。链的概率和稳定系数是用p和t分别,我们有以下。

定义1。对于一个排序的链 ,调用 系数排序链的可能性,p∈(0,1)。

定义2。对于一个排序的链 ,调用 排序链的稳定系数,t∈(0,1)。

4所示。建立综合评价算法

4.1。反向排序方法

以法治为基础的“进一步保证稳定的排序链通过增加其发生的概率,“我们提出了一个算法求解概率的结论,叫做“逆向排序,可称为图2。步骤1。(设置为最小的元素问_ij)的优势矩阵问被选中,并避免可能的系数排序链吗问_ij,o_对未来可以认为,逆转的可能性o_ioj由问_ij增加的可能性系数排序链;当矩阵年代多个矩阵的最小的元素吗年代同样,相应的方案可以反向排序根据前面的假设。步骤2。下一个优势矩阵的最小元素问(设置为问_公里)被选中时,同样的,为了避免排序链的概率的因素问_公里,它可以假定om>好吧。步骤3。逆排序过程类似于逆排序过程在步骤1和步骤2,直到出现一个圆形排序链或全部解决方案排序。当有一个圆形排序链,解决方案对应于最大的元素之间的排序在前3步中选择再次逆转,逆转排序过程的解决方案是选择基于反向排序链的概率系数最高,如果有多个非循环排序链相同的概率系数后逆转,排序链稳定系数最高的盛行。步骤4。如果获得排名链是所有解决方案的整体排名,排名过程完成后,排名链的概率和稳定系数可以根据定义1和定义2;否则,步骤3的基础上,相应的解决方案是按照相反的顺序从最小到最大优势矩阵的元素,直到所有解决方案的整体排名。所有解决方案的整体排名。

逆排序法从最小的优势因素,发现两者之间的逆顺序的解决方案,因此,无论是否有剩余的解决方案之间的循环链,相应的排序链之间的可能性总是大于剩余的解决方案c。因此,终止概率的概率的概率因子梯度等于最大值之间的优势矩阵元素的解决方案不是逆转显示当第一个循环链。结论被证实。

4.2。反向排序方法来解决

如果有一个循环链,解决方案的概率系数等于最大值之间的优势矩阵元素的解决方案没有当第一个循环链发生逆转,如图3。

让第一个循环链组成米计划,问_2′1′=一个,问_{′(米−1)′}=b,问_米1′′=c,一个<b<c。(1)如果一个=b=c= 0.5,那么任何排序链的发生概率是一样的,是0.5。在这种情况下,概率系数的结论的可能性等于0.5的元素的最大值之间的优势矩阵对应于uninverted排序第一循环链发生时的解决方案。(2)如果一个,b,c≠0.5,我们有一个,b,c< 0.5,因为逆排序法从最小的优势元素之间的逆顺序找到两个解决方案。

如果我们打破链从①,o1′>o2′>…om′,因为一个<b<c,所以1 -一个> 1 -b> 1的概率因子排序链c。

如果我们从②打破链,我们有o_2′…o_米′o1′,自年代_2′1′=一个至少,的概率因子排序链是一个。

如果从③循环链坏了,o_米′o1′…o_(米−1)′,因为年代_{米′(米−1)′}=b是最小的,所以排序链的概率的因素是什么b。

从改善的角度排序链的可能性,我们应该选择从①打破循环链,和可能性系数排序链米解决方案是c。自逆排序法从最小的优势元素之间的逆顺序找到两个解决方案,相应的排序链的可能性之间总是大于剩余的解决方案c,无论是否有剩余的解决方案之间的循环链。因此,概率的结论可能排名系数等于最大值之间的优势矩阵元素的解决方案不是当第一个循环链出现逆转。结论证明。

当解决方案的数量很大,确定解决方案的排名是很乏味的一个接一个地使用上面的过程,这需要高耐力的评估者。在此基础上,我们采用“随机模拟的想法找到最可能的和稳定的排名中链n!排名链来自排名优势矩阵”来解决概率的结论如下。步骤1。设置模拟总和的总数(初始值为0;一般来说,越高数量的场景n,求和的值应该越高),计数变量r(初始值为0),统计变量p₀= 0,t₀= 0,X₀= [0]_1×n,= [0]_1×n。步骤2。随机序列生成函数randperm (n)是用于生成一系列随机的长度,表示X。步骤3。如果X≠X₀,让r=r+ 1和使用中的元素X下标的解决方案并确定解决方案之间的“比”秩序基于元素的位置X。步骤4。让X₀=X。计算概率和稳定系数的排序链在步骤3中,表示p和t,分别。第5步。如果p>p₀或p=p₀和t>t₀,然后p₀=p,t₀=t,=X。转到第2步;否则,进入步骤6。步骤6。如果r=n!,然后保存的值p₀,t₀,和结束程序;否则转到第2步。

“好”元素的解决方案中下标和元素的位置所需的概率是排名的结论。基于上述模拟步骤,编写程序来解决概率排序结论示例1的优势矩阵,获得排名链o2 >o1 >o3 >o4,这个等级链的概率系数是0.4和稳定系数为0.0645,这是符合“逆排名方法的结论。“稳定系数为0.0645,这是一致的结论“逆排序方法。“这是通过生成几个每个人独立学习和预测的分类器。这些预测最终结合成一个单一的预测,所以他们比单个分类进行预测。作为一种新型、灵活的集成学习算法,它大幅削减许多具体问题和广泛用于部门从金融、财政、和医疗,金融风险的评估和预测的运动为上市公司评级。

4.3。随机森林算法动态

随机森林是集成学习的一个子类,它解决了单个预测问题通过建立多个模型的结合。其基本单元是一个决策树,一个算法,集成了多个决策树通过集成学习的想法,依赖的投票选择决策树来决定最终的分类结果。它通过生成多个分类器,每个独立学习和作出预测。这些预测最终合并成一个单一的预测,因此比任何单一的分类预测。作为一个新兴的和高度灵活的集成学习算法,它已经显示出强大的性能在许多具体问题,已广泛应用于各个行业,从金融业到卫生保健,对上市公司的财务风险评估和预测体育评价概率。随机森林算法的实现过程分为以下三个主要步骤。(1)随机森林和许多决策树构建在一个随机的方式,在个人决策树生成随机,没有具体的两种不同的决策树之间的联系。假设每棵树的训练集大小N,引导示例方法用于随机和释放画N训练样本的总训练集作为训练集树,每棵树的训练集是不同的,包含重复的训练样本。(2)在每棵树的生长过程中,功能是随机选择分裂的内部决策树的节点。常用的决策树分割算法C4.5算法,包括算法ID3算法,购物车。假设每个样本的特征维数是m .根据指数最低的原则,一个常数米< < M指定的一个子集米功能是随机选择的米特性,并从这些选择最佳的一个米功能每次树分裂。这些选择的特性被称为随机特征变量。(3)要处理的样本输入到随机森林,每个决策树在森林里分别进行分类判断来决定应该属于哪一类输入样本,然后聚合所有的判断结果N决策树,在每个记录根据选票N分类结果,最后的分类结果与最多的记录作为算法的最终输出。

根据随机森林算法的思想和实现过程,等级预警模型在本文设计需要大量的以前的学生年级教务系统中的数据作为训练集,采用引导样本方法,提取训练样本作为训练集,形成N无关的决策树,然后选择相关课程成绩为随机特征变量;每个决策树是一个预测学生的成绩根据自己的训练集,最后整合每一个决策树的预测结果形成判断的最终方向学生的未来的成绩。每个决策树是一个预测学生的性能根据自己的训练集,最后整合每一个决策树的预测结果形成判断的最终方向学生的未来的表现。模型如图4。

5。应用基于随机动态模型的评价分数

假设学生预测是张三,自动化在一所大学的2017名学生,课程是预测“体育教育”在接下来的学年。根据预测课程成绩,有三个警告风险级别:预测成绩低于60很高风险,预测成绩60到75之间的中等风险,并预测成绩75以上是低风险。本文在大学4540年级的65名学生作为训练集,和随机森林预警模型提出了用于学生的成绩,最后生成预警风险水平张三的主要课程“系统集成技术”。

随机结构总有四个决策树是由使用引导示例方法提取样本的四类逐步作为训练集,然后确定每个决策树的数量的随机特性,这取决于实际情况。然后选择注意当前报告作为每一个决策的随机特性变量结构。决策树1使用“篮球”作为随机特性变量,决策树2使用“足球”作为随机特性变量,决策树3使用“羽毛球”作为随机特性变量,决策树4使用“运行”一个随机。决策树4使用“运行”作为随机变量的特性。计算后,每个决策树的风险分布目标课程的“系统集成技术”所示根据上面的初始训练集。培训课程和培训结果上面的四个决策树代表一个特定的随机选择,它用作性能的核心预警模型和结果作为样本输入四个主要课程为当前学年学生张三。如图5,一个学生的可能性的表现合格的课程“体育教育”下一个学年是低,高和低风险的4.9%,分别。24.0%。中等风险的概率大于66.2%。

在本文中,我们提出一个大学生年级预警模型基于随机森林算法在大数据处理的滞后和限制现有大学生年级警告,如图6。通过深入分析现有成绩的学生相同的高校专业,挖掘潜在的模式级数据,形成不同的训练数据集从大量的年级,然后形成多个决策树预测学生的成绩分别,最后结合决策树的预测结果到达风险水平的学生的成绩。预警模型已被证明是有效地改善现有的预警机制,使生成的早期预警,提供技术支持的早期干预学生的学业成绩和改善质量差和有效性的学生学习。体育类本身是基于体育锻炼,和学生必须完成一个类在不断运动,但是老师经常反复解释的技术动作,使学生更好地理解他们,而失败的原始目的体育类。在体育教学过程中,教学内容的展示信息技术教学手段的使用,首先,通过信息技术手段来解释教学内容更详细,以便学生更直观、准确的掌握动作技能的重要点。其次,通过重复动作示范帮助学生心里更准确地建立行动的概念,保存时间的体育教师解释和示范,提高教学效率,而且在一定程度上,确保实践教学密度,实现精密讲座更多的练习。

为了简单起见,10个学生的值范围内的分数被认为是均匀分布。随机数发生器用于生成随机数据范围的主题分数(注:随机数据作为整数更好地适应现实),然后计算总分10的学生,和他们优越的次数或不如对方的概率统计和计算优势或劣势获得10个学生的优势矩阵如下:

链的概率获得的“逆排序法”和随机模拟方法o5 >o8 >o7 >o6 >o4 >o9 >o1 >o2 >o3 >o10,这个等级链的概率系数是0.5406,和稳定性系数为0。0529年,如图7。

如果每个候选人直接聚合的结果根据传统评价模型(选择区间的中点作为评估数据),每个候选人的总结果(表示为y_我)y₁= 540,y₂= 537.5,y₃= 526,y₄= 574.5,y₅= 599.5,y₆= 575.5,y₇= 593,y₈= 596,y₉= 540.5,y₁₀= 521.5。5,y₇= 593,y₈= 596,y₉= 540.5,y₁₀= 521.5,导致候选人的排名o5 >o8 >o7 >o6 >o4 >o9 >o1 o2 > >o3 >o10,每个候选人的位置在这个排名是一样的可能性中的每个候选人排名的位置,但是每个候选人的绝对优势在这个排名是比较。看的价值y₉和y₁,我们可以看到的总得分o9只高出0.5分o1,所以没有保证o₉将超越o1在期末考试。这个排名的结论是更现实的和可接受的。

6。结论

随机模拟评价模型是传统的评价模型的扩展,提供一个结构框架和评估者偏好的各种形式的信息,以便评估过程不再受限于单一的或有限形式的数据和信息结构,可进一步提高综合评价方法的实际应用。概率特征的概率的结论排名更解释性和可接受的相对评价问题。具体来说,随机仿真评价方法主要有以下三个特点:(1)仿真评价问题完全解决,避免这种情况,结论是没有完全解决一个评价;(2)在仿真过程中,解决方案之间的优势和劣势的概率统计方法的优势矩阵,这奠定了基础的结论可能排名。在仿真过程中,优势矩阵是用来计算的概率优势的解决方案,从而为解决方案奠定基础的概率排名的结论,这是一个扩展的绝对排名的结论和解决方案中避免“非此即彼”的结论。通过设置相关参数,传统的评价方法集成到解决方案过程的随机模拟,特别是提供一种方便的方法的比较多个类似的评价方法。(3)传统的评价方法集成到解决方案随机模拟的过程,通过设置相关参数,特别是对比较多个类似的评价方法。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者声明没有经济利益冲突或人际关系可能出现影响工作报告。

确认

这篇文章是一个通用的人文社会科学研究项目教育部:大学生生命安全教育的发展基于虚拟现实技术的仿真系统(没有:13 yjazh032)。

引用

1. m . Balazs f . Rassoul-Agha, t . Seppalainen”大偏差和流浪的指数随机漫步在动态测试环境中,“上的概率卷,47号4、2186 - 2229年,2019页。视图:出版商的网站|谷歌学术搜索
2. m .摩纳哥和m·马丁“千禧学生:新一代学习者,”体育训练教育杂志,卷2,不。2,42-46,2007页。视图:出版商的网站|谷歌学术搜索
3. d . f .“库兹涅佐夫”,“数值模拟随机扰动下的多维动态系统的1.5和2.0订单强收敛,“自动化和远程控制,卷79,不。7,1240 - 1254年,2018页。视图:出版商的网站|谷歌学术搜索
4. c . Mathey c .合d·克莱尔·l·Baillet和m . Fogli”实验和数值分析变化的反应不完美的苗条自由随机动态荷载下刚性块,”工程结构卷,172年,第906 - 891页,2018年。视图:出版商的网站|谷歌学术搜索
5. 问:赵,w .郑,赵x, y曹,f·张,M.-K。法律,”一个108 F2 /位完全可重构RRAM PUF真正随机的动态抖动噪声熵的基础上,“IEEE电路和系统I:普通文件,卷67,不。11日,第3879 - 3866页,2020年。视图:出版商的网站|谷歌学术搜索
6. t . Hamamoto驾、美国Sugiura和泽田师傅,“保留时间分布的动态随机存取记忆体(DRAM),“IEEE电子设备,45卷,不。6,1300 - 1309年,1998页。视图:出版商的网站|谷歌学术搜索
7. a·鲁伊斯o . Rudovic x Binefa, m . Pantic”多实例动态顺序随机领域弱监督面部行为分析,“IEEE图像处理,27卷,不。8,3969 - 3982年,2018页。视图:出版商的网站|谷歌学术搜索
8. i m·泰勒和n . Ntoumanis”在体育教师激励策略和学生自主,“教育心理学杂志,卷99,不。4、747 - 760年,2007页。视图:出版商的网站|谷歌学术搜索
9. w·李,c . j .赵w·c·李,c . s .黄r p h . Chang和美国k金,“MoO2作为动态随机存取存储器的耐热氧化电极电容器、”《材料化学C》第六卷,没有。48岁,13250 - 13256年,2018页。视图:出版商的网站|谷歌学术搜索
10. ,克里斯丁n . Aelterman m。梵斯丁凯斯特l . Van den Berghe, j .德•梅耶尔和l . Haerens”培养需要支持教学风格:干预影响体育教师信念和教学行为,”体育及运动心理学杂志》上,36卷,不。6,595 - 609年,2014页。视图:出版商的网站|谷歌学术搜索
11. l·m·巴内特d . Stodden k·e·科恩et al .,“基本运动技能:一个重要的焦点,”体育教育教学杂志》上,35卷,不。3、219 - 225年,2016页。视图:出版商的网站|谷歌学术搜索
12. l . j . Lieberman j·a·海格勒l .一列圆柱和p·康罗伊,“怎么有视觉障碍的学生可以通过物理组件扩展核心课程的学习教育,“杂志的视力损害和失明,卷108,不。3、239 - 248年,2014页。视图:出版商的网站|谷歌学术搜索
13. 美国k金和m . Popovici”未来的动态随机存取存储器内存”,夫人公告,43卷,不。5,334 - 339年,2018页。视图:出版商的网站|谷歌学术搜索
14. 即Dzhalladova和m . Růžičkova”与随机动态系统结构建模网络安全与风险管理,“Opuscula Mathematica,39卷,不。1,23-37,2019页。视图:出版商的网站|谷歌学术搜索
15. k . Aggerholm o . Standal d·m·巴克和h·拉尔森,”在体育练习:大纲的教学模式,“体育教育和体育教育学,23卷,不。2、197 - 208年,2018页。视图:出版商的网站|谷歌学术搜索
16. l . Haerens n . Aelterman,克里斯丁·m·。梵斯丁凯斯特b . Soenens和s . Van Petegem“autonomy-supportive感知和控制教学与体育教育学生的激励经验通过独特的途径?区分动机,光明和黑暗的一面”体育及运动心理学,16卷,不。3,26-36,2015页。视图:出版商的网站|谷歌学术搜索
17. n美国潮湿,a·拉莫斯·米兰达,E。Pecoraro, s·j·利马里贝罗和e . Jimenez-Villar“动态随机激光在硅气凝胶掺杂罗丹明6 g,”RSC的进步,8卷,不。52岁,29678 - 29685年,2018页。视图:出版商的网站|谷歌学术搜索
18. a . Shamshiripour n . Golshani r . Shabanpour, a . Mohammadian”为期一周的模式选择行为:logit模型动态随机影响,”交通研究记录:《交通研究委员会,卷2673,不。10日,736 - 744年,2019页。视图:出版商的网站|谷歌学术搜索
19. ,克里斯丁l . v . d。Berghe, m。梵斯丁凯斯特g .耙吸式挖泥船et al .,“自主研究体育教育:主要发现为未来的研究和建议,“体育教育和体育教育学,19卷,不。1,第121 - 97页,2014。视图:出版商的网站|谷歌学术搜索
20. A . Chatzipanteli n . Digelidis c Karatzoglidis, r·迪恩”tactical-game方法和元认知增强小学生的行为,”体育教育和体育教育学,21卷,不。2、169 - 184年,2016页。视图:出版商的网站|谷歌学术搜索
21. Renshaw, j . y . Chow k .戴维斯和j·哈蒙德,“constraints-led角度理解技能习得和游戏:集成运动学习的基础理论和体育实践?”体育教育和体育教育学,15卷,不。2、117 - 137年,2010页。视图:出版商的网站|谷歌学术搜索

版权

海涛郝版权©2021。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。