文摘

随着经济和社会不断发展和变化,园林行业也在发展和变化的。景观行业已经成为一个主要的研究集中在如何将园林技术专业的训练方法更符合时代的转变,以及如何使训练方法更符合行业的需求通过使用现代人才培养方法。重要的是要找到一个好的k - means算法匹配园林工程专业的发展。在这个实验中,结合电话访谈和问卷被用来问景观工程的职业。企业的受访者主体或相关技术人员。他们学习能力的园林工程专业所需的社会应该,然后适当的组件。教学系统是用来进行园林工程专业的实验教学,和还有一个园林工程专业对照组进行比较分析。实验结果表明,27.45%的学生在实验组60 - 70学分,而对照组只有10.34%的学生在这个区间学分。两类学生之间的差距很大,主要是因为实验组注重实践的结合;实践和理论可以更好地促进学生专业知识的掌握和应用。 Moreover, 66.67% of the students in this experimental group found jobs in their majors. It can be seen from this that this system of cultivating talents for landscape engineering is very useful.

1。介绍

在当今社会,环境保护和健康等问题已成为全人类普遍关注的热门话题,和居住在和谐自然的环境,促进人类社会的可持续发展已成为全世界人民的共同愿望。重视绿化,尽一切努力加强人文景观,创建宜居城市是客观需要的经济和社会建设和文明建设的必然选择。此外,没有多少研究改革教学和培训的园林工程专业人士,和大多数现有的研究已经从设置一定的角度讨论专业课程或创新。本研究试图为更好的研究提供坚实的理论支持人才培养教学改革策略通过相关文献的整理和分析园林工程专业的教学改革,并通过实际研究数据分析和总结。

为了更有效地培养人才在景观工程,一些研究人员研究了人才培养系统和相关方法,其中张研究探索和实践培养优秀的工程师在陇东大学安全工程,全面加强建设一个全面的课程为学生根据卓越工程师培养计划(1]。华研究工程的质量培养体系结合在高职院校人才。建设的研究与实践的结合工程的保证体系在高职院校全面阐述了school-enterprise合作的影响和实用性的结合工程(2]。周和Si讨论存在的问题在当前思想政治教育的职业课程,探索思想政治教育的作用路径的职业课程的司法职业教育的人才培养(3]。李研究了“3比3系统”和“人才培养模式”,并将结果应用到化学实验教学的改革4),但他们没有找到一个好的算法应用到人才培养系统。

因此,为了找到一个优化算法,许多学者研究了k - means算法和优化算法,其中杨等人提出了一个混合的基于距离的初始化方法的k - means算法基于数量的邻近点和点之间的距离和邻近点重新定义点的密度(5]。小雨等人提出了一种改进的并行Hadoop-based k - means算法,结合分布式计算模型,并给出一个改进算法的并行实现方法和策略(6]。Fa布雷加等人研究了增强的k - means算法的初始',然后比较了k - means和增强的k - means算法(7]。京和王改进传统的k - means聚类算法到MMSK-means聚类算法(8]。就等人研究了模糊k - means算法形成数字图像特征碎片用分形模型,提出了一种方法检测nonfeatured块图像基于自相似分形特征分析(9]。然而,仍然有一些缺点在他们研究的方法。

分析社会对园林工程专业人员的能力的需求通过问卷调查,然后构造一个基于调查课程体系,然后通过实验和对照组进行实验。本文的创新在于,它从大量的调查和数据查询园林工程专业的社会需求,然后给出了相关课程设置和学分,然后通过受控的实验分析方法的优点,以及本文比较了这些学生的总学分,毕业也调查和总结他们的方向。

2。k - means算法和相关技术

2.1。数据挖掘

数据挖掘的结果,也就是说,发现知识的价值必须和用户感兴趣的人10]。知识发现的数据必须接受,理解,或可用的知识发现也可以。因此,数据挖掘的应用在许多领域,如图1。

其中,有很多经典的算法在数据挖掘中,扮演非常重要的角色在数据挖掘领域的发展。数据挖掘是一种先进的决策支持过程,包括机器学习模式识别、可视化技术、人工智能技术、统计理论和数据仓库技术应用这些算法和常见的经典算法如图2。

本文中使用的方法是一种算法的聚类方法。与数据挖掘分类算法训练模型,能够准确地分类未知样品与标签信息,根据样本数据训练样本的聚类算法的信息是未知的。聚类分析的主要目的是将未标记的数据对象在一个数据集划分为相应的分类,称为类集群(11,12]。其过程如图3。

特征提取在图3是指需要选择适当的特征值和较高的权重分配给需要的信息。和重要特征,给低级别,你也可以建议他们通过设定一定的阈值增加敏感性异常值(13]。然而,聚类算法过程的具体方法,目前,有许多类型的聚类算法。对于不同的输入类型,不同的聚类的目的,不同的应用程序环境,必须选择合适的聚类算法。事实上,许多聚类算法是相似的。广义上说,聚类算法的开发过程可分为两类:传统的聚类算法和新开发的聚类算法(14]。

一个好的聚类分析聚类划分方法应该启用除集群。根据不同的方法类集群算法执行时形成的聚类任务,聚类算法可以被分为四个不同的类别,如表所示1。

表的划分算法聚类算法1是第一步,也是最广泛使用的聚类算法。有效划分算法聚类算法应该让新的执行聚类算法的每次迭代后的结果更接近真实的数据集比之前的聚类结果。而基于分区的聚类算法首先确定一个初始聚类结果,然后重新分区数据集的数据对象属性指定的相似性度量(15]。

层次聚类算法分为凝聚层次聚类算法和分裂层次聚类算法,根据数据集划分策略。粘性分层聚类算法使用一个自底向上的聚合策略,每个数据对象的数据集被认为是一个初始集群,和最相似集群逐渐合并算法的执行期间获得最终的聚类结果,而分裂的层次聚类算法采用自顶向下的分裂算法的策略直到条件满足(16]。这是显示在图4。

Density-based聚类算法对整个数据集作为数据空间和形成的集群中的每个元素类数据集作为密集区域隔开稀疏的区域。Density-based聚类算法优先选择高密度数据对象为核心对象;毕竟数据对象分为一定的集群或标记为异常值,该算法停止迭代。这centre-based密度方法允许点被分类为核心,边界和噪声点(17]。这是显示在图5。

点在图5是一个核心观点;如果数据点的数量在一个给定的点的附近超过预定的阅读价值那点核心点;点B是一个边界点;C是一个噪声点和点。

直接与其他聚类算法,在数据集的数据对象,基于网格的聚类算法首先分区数据空间数据集所在。将数据空间划分为有限数量的空间单元,然后执行信息统计的数据对象在每一个空间单元。

有两种主要类型的相似性措施常用的聚类分析,即距离措施和相似的措施。距离测量使用数据对象之间的距离作为相似性的衡量数据对象(18]。两个数据对象 包含属性,如果数据对象连续属性数据,数据对象之间的距离和是 和两者之间的距离测量数据对象通常具有以下形式:

欧洲的距离。

曼哈顿距离。

切比雪夫距离。

如果所有的数据对象的属性是离散数据,数据对象之间的距离和是 。离散数据之间的距离通常表示为汉明距离:

相似性措施治疗数据对象作为一组向量在欧氏空间中,数据对象之间的相似程度,是评价向量之间的相似度的方向。两个数据对象 包含属性,两者之间的距离测量数据对象通常是以下形式:

余弦相似度:当使用余弦相似性评估数据对象的相似性,数据对象之间的相似度向量夹角的余弦值来衡量他们代表:

皮尔森相关系数是通过余弦相似性正常化。

数据对象相似度测量范围从−1比1。两个数据对象,相似性度量是越接近1,数据对象之间的相似度就越高。

2.2。k - means算法

k - means算法简单、高效,现在广泛使用。K - means算法提前要求用户输入参数K,算法将随机选择K点作为初始质心,然后把其他样本点到最近的集群根据计算公式,然后计算集群中所有对象的平均值作为新的质心(19]。重复迭代,直到目标函数收敛。在每次迭代过程中,算法将计算采样点是否分配给最近的聚类中心。如果分配是错误的,它需要调整相应的聚类中心,否则,不需要调整。其过程如图6。

的过程中发现集群中心五个数据点可以看到在图6。k - means算法的操作可以通过这个简单的过程:(1)随机取两个初始数据点的图,图中灰色的点。(2)计算剩余的点和他们的距离。图中,可以看到5分属于两个不同的类别。(3)重新计算均值点,慢慢找到的中心“集群的家庭,”然后计算目标函数收敛。(4)重复步骤2和3,直到种子点不再移动。

在k - means算法的执行中,它需要的输入数据集和数据点的数量,增殖系数粘度值,提前;如果没有指定初始中心,然后随机选择初始测试中心。如果所选择的点在同一类别或孤立的,不同的聚类结果将发生20.]。

k - means算法所得如下:首先,在N数据对象,K对象是随机选择初始聚类中心,和其余的数据分配给最近的集群中心根据他们的相似性;接下来,每个集群计算的平均值作为集群的新中心,重复这个过程,直到标准度量函数收敛。

在欧几里得空间 ,数据集D包含n数据对象: ,和每个数据对象包含米属性: 。聚类算法把数据集D成类相互独立的集群: 每个阶级家庭的重心 和全球数据集的重心D是 。数据对象类中包含的数量集群是 。数据对象之间的欧氏距离 和 是由

警察指标被定义为:

警察度量类集群的星团内紧缩措施的平均距离类簇中的数据对象类集群重心,和类的分离intercluster集群的最大距离的最小数据对象集群中的数据对象在其他类集群。警察指数最小值指数,即聚类算法的分裂效果最好,当指数达到最小值(21]。

CSP指标被定义为:

其中

CSP平均指标价值的定义是:

其中包括:的权值之和最小生成树的数据对象我th类集群,阶级之间的分离我th类集群是最小距离的最小值的数据对象类集群数据对象在其他类集群,和组内的紧张我th类集群的平均体重是最小生成树的数据对象类的集群。CSP指数最大价值指数,即聚类算法的分割效果最好,当平均CSP索引值达到最大值。

DBI指标被定义为:

其中包括: ,中包含的数据对象之间的平均欧氏距离类集群和集群重心 ,类之间的欧几里得距离集群集群和集群类的重心 。DBI度量评估集群效应的最大价值之和的比例平均数据对象之间的欧几里得距离内任意两个类集群和集群之间的欧几里得距离重心相应类的集群。DBI指数最小值指数,即聚类算法的分裂效果最好时,指数达到最小值。

DI指标被定义为:

在他们中间 ,数据对象之间的欧几里得距离的最小值在两个不同的类簇,和 ,数据对象之间的欧几里得距离的最大值在同一类集群。DI指数最大价值指数,即聚类算法的分裂效果最好当指数达到最大值。

的我指标的定义是:

在他们中间 , 人为设置任意实数不小于1。我指标包括三个因素,与和平衡相互竞争。的我指数是一个最大值指数,即聚类算法的分割效果最好当指数达到最大值。

外部有效性度量评估聚类的质量和性能的聚类算法通过比较聚类算法划分结果与真实的数据集的数据对象的分类信息(22]。真正的分区数据集D在欧几里得空间 , 。对一组数据对象和出现在数据集D,对数据对象属于同一个类集群 ;对一个类的数据对象的数量聚集在C和集群不是一个类是 ;数据对象的数量与一个类集群不是C和一个类集群是 ;和数据对象的数量不属于同一个类集群 。米是对数据对象的数量可能发生的D。然后,我们有:

纯度指标: 在哪里是集群中的所有数据对象类的数量吗我,在集群类是数据对象的数量吗我属于同一个类j在真正的部门数据集的米是参与整个集群成员的数量。

兰德指数:

Jaccard系数:

3所示。园林工程专业人才培养体系

3.1。园林工程专业人才的培养

园艺可以参考一方面纪律,也就是说,园艺,另一方面具体的花园。当指的纪律,它叫做园艺,指的是科学和艺术的文化嵌入和可持续的人类栖息地(23]。指一个特定的花园,这是一个绿色的统一中创建一个特定的区域,使用材料,如景观,植物和动物,根据功能需求和艺术布局。表2显示了中国园林行业的市场空间从2016年到2021年。

人才培养的目标是要培养的人才必须满足的标准,也就是说,知识和能力,将培养学生。具体来说,培训目标是指出学校希望实现的目标,通过培养人才和实现这一目标所需要的知识和能力(24]。作为实施培训计划的一部分,在教育系统中,培训目标的实现有重要的指导意义的其他方面的培训计划。

“人才”这一术语通常指人一般和专业知识人才,能够创造性地工作,并能对社会做出真正的贡献。这些共同特征的基础上,才能在不同的领域都有自己的评价标准和特点。换句话说,人们能够使用他们的基本知识和科学技术知识将一个客观存在的实体转换为特定的产品和一些实用价值和对社会做出实际贡献25]。

与森林工程的一个分支学科为主要对象,“景观工程”的概念可以被定义为产品的研究和开发,实践和工程技术对人类社会利用知识有用的森林和改造他们。近年来,随着可再生森林资源的增值,园林工程的对象不仅限于自然对象,如森林,木材、土壤和岩石,也包括人工建筑,如道路、房屋、桥梁和大坝在森林地区。森林产品,如木材、药材、和食品,以及构建防砂项目,水土保持项目,和在森林地区民用建筑项目;给予真实的反馈的供应资源,满足社会的需要;积极、合理开发利用森林资源;以及可持续建设和保护它们。

电话访谈和问卷相结合的选择这个实验之前问景观工程的职业。调查的目标是企业的主要负责人或相关技术人员,和30问卷分发给30个企业在研究的过程中,其中30例痊愈。通过分析恢复数据,可以知道所需的人才公司的整体能力,结果如图所示7。

图7(一)显示了设计师在景观企业所需的能力,而图7 (b)显示了市场营销和业务人员的能力要求园林企业。从图可以看出7(一),设计师在园林绿化企业的基本要求包括掌握和精通绘图软件,熟悉园林植物的习惯,这就要求学校建立适合这两种能力的基础课程。对于应届毕业生,学校需要专业教师带领学生经常在绿化建设项目来弥补他们缺乏经验。

图7 (b)显示有两个营销人员的基本能力:报价的能力和沟通的能力,所以这些专业课程衍生品不应被忽视。与此同时,企业需要市场业务人员了解各种景观企业资质水平的分布,这是企业需求的业务人员了解行业的具体情况,而不是简单地应用书中的理论知识,还需要掌握该行业的总体形势。当然,景观行业的基本知识也是必不可少的,所以学校的景观专业人员的培训应该集成和基于学生的特点,开展相关的专业选修课程,让学生学习更专业的选择。

3.2。孵化的设计系统

在课程结构的方法是什么?分科课程根据垂直相关知识的发展。实践课程是为了验证理论知识的正确性,因此经常教以理论为主的方式。很明显,学校不旨在生产各学科理论家,而是先进的工业工人可以执行实际的任务。因此,学校课程结构应该以这样一种方式,它能够执行一个特定的实际操作工作。学校课程应面向展开工作的工作内容和串联在一起,进步的任务,关系的课程标题尽可能不同的木材科目。课程改革和课程建设的资源基础课程体系的建设提供了保障。因此这个培训的系统设计将按照上面的设置和课程如表所示3。

教学课程设计需要适当的人员培训计划、课程标准,school-enterprise合作,教材编写,实践教学环境。教学方法的适应必须突出其灵活性。不幸的是,在当前的教育背景下,国家将两端的入学率和就业市场,但却牢牢控制着学校的教学和学习操作。因此,任何所谓的灵活性是有限的教学改革。最有效的教育教学方法是“实践。“然而,公立学校私立学校能做什么不能做,所以唯一的方法就是安排尽可能多的实际内容在规定的学术项目,完成与所有专业课程在培训室或现场。

3.3。实验和分析

结合所有的调查数据导致教学发展计划的发展,如图8。

图8展示了学院的教学的一般要求在发展中人才培训项目管理办公室根据上级部门的相关政策。大学的就业部门提供研究生满意度和企业满意度调查的结果。就业部门结合自己的调查结果提供的信息匹配的就业率,工作能力符合的程度,新企业的人才需求。专业发展委员会不仅是一个重要的信息来源,还有一个重要的信息处理。教育的主体是学生,教学对学生的教育意识形态应始终遵循的能力,所以学生的状态信息来源是至关重要的发展人才培训项目。招生部门提供所有学生的信息。此外,学生的主观愿望对专业化的课程是一个重要因素是不容忽视的。

课程是应用于园林工程类51个人,而另一个对照组园林工程类使用相同的课程,但在这个类有58个人。园林工程课程的差异这两个类之间并不显著,但实验组更侧重于实际的动手技能,而对照组对理论的课程设置更多。的学分总数是相同的课程,在两个类都包括这三个核心课程。基于成绩和学分,结果如图9。

从图9(一个),我们可以看到,这两个类之间有最大比例的学生学分50和60,并且都有类似比例的学生马克范围,而实验组学生60至70个学分的27.45%,而对照组只有10.34%的学分的学生在这个范围内,我们可以看到,这两个类之间的差距仍很大,主要是因为实验组专注于实践,实践和理论的结合可以更好的促进学生的专业知识的掌握和应用。从图9 (b),我们可以看到,实验组的学生找到了工作在他们的主要仍较高,占66.67%,而对照组一半的学生在非专业学生找到了工作。可以看出,这个课程培养专业人才在景观工程是非常有用的。

3.4。建议

继续坚持的教育理念促进专业和学科的质量教育改革,积极探索新形式的培训才能在新形势下结合教学、科研和生产,积极探索,不断提高培养人才的新模式,并探索新模式的分类和培训人才景观工程。继续加强专业研究工作,进一步修改和完善本科人才培养计划,设计学生的知识结构符合社会的要求,经济和技术的发展。根据学生的需求决定了课程体系的知识结构,修改培训计划,重点培养学生的创新精神和创业能力。加强教材建设,增加教学内容和方法的改革。

进一步加强基础设施建设人才培养的保障体系。增加投资在实验室和实习基地建设,整合实验室资源,研究实验室开放管理的形式,和探索校外实习基地的管理,强调解决常见问题,如条件不足校内实习基地和实验材料需要解决的能力。我们应该开始系统研究和使用指导和鼓励教师积极参与教学活动。

4所示。结论

在本文中,一些中国企业对人才的综合能力要求在景观工程是通过问卷调查和分析,然后根据调查课程体系构建,这样学生可以更加符合社会的技术专业人才需求。然后通过实验组和对照组,这两门课程的总学分是相同的,但实验组是优化后的课程,主要关注学生的实际操作能力。实验组是一个优化过程,主要关注学生的实践技能,并能使学生更加符合园林工程职业的能力。然而,本文的实验部分仍有一些缺点;实验值两类、实验控制会有一些错误,可以进一步优化实验部分,但这个实验的实验数据仍然很令人信服。这个实验的实验数据仍然非常令人信服。随着社会的发展,园林工程培训人才的系统将进一步加强。

数据可用性

本文不涉及数据的研究。没有数据被用来支持本研究。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究得到了河南高等教育教学改革研究和实践项目,园林专业人才培养模式研究与实践在高职院校根据“后课程竞赛证书”集成,2021 sjglx650。