文摘

为了提高高校日语教学的影响,本研究使用数据通道的偏移误差的方差的云传输平台代表强度之间的偏移误差云的数据通道传输平台。此外,本研究使用完美重建滤波算法来弥补宽带信号的频率相关失配误差,获得价值理想的采样点的采样序列估计,然后纠正延迟偏差。此外,本研究构建了整体结构的日本高校精读教学系统基于网络的云平台,提出了一种解决校正滤波器的方法,并进行仿真验证。最后,本研究构建高校日语精读教学系统基于网络的云计算平台。通过实验研究,证实日本精读的教学模式在高校基于云计算的智能平台具有一定的可行性。

1。介绍

在传统的日本高校精读教学,词汇和语法等基础知识的教学已经成为中心。虽然目标也是培养学生的综合能力在听、说、读、写,课程的内容重视语法教学,忽略了学生的实际可加工性和特定行业的专业质量要求。因此,如何使学生掌握日语知识,同时有日本能够使用有效的沟通在工作环境中完成任务是一个需要迫切解决的问题。能本行动导向教学模式符合这个要求。因此,特别需要引入一个行动导向教学模式在教学的日本高校精读。此外,如何行动导向教学模式引入到日本精读课的教学是值得我们深入讨论的。

高校日语专业教学大纲明确指出日本精读课程的目的是培养学生具有良好的基础在日本听,说,阅读,写作,翻译等,使用日本和强大的综合能力。内容如泛读、听力、写作和翻译等,使学生真正掌握相关知识,并能够集成和灵活使用它们,从而达到真正掌握日本的目的。这是完全符合新掌握的一般要求。教学的目的不仅仅是为了考试,但考试是测试教学的有效手段。毕竟,使用日语,掌握测试的综合能力和它的性能是一个重要的指标,学生找工作和出国留学。因此,特别需要探索日本精读课程的教学模式基于日本新改革的重点语言水平测试,尤其是对提高学生阅读和听力。

为了提高日本高校精读的教学效果,本研究结合了网络云平台来改善日本高校精读的教学,并构建一个智能日语精读教学体系提供一个平台的后续改善日本精读教学的质量。

2。相关工作

通过筛选和作者的来源的文献进行了回顾,发现云计算应用到学校管理和学习艾滋病已经使用在许多大学作为一个重要的研究项目。“美国州立大学推出了云computing-assisted邮件,以确保学生的安全电子邮件和其他云computing-assisted学习的研究和开发也在进行,例如,合作学习中心在美国明尼苏达州立大学“1]。关于云计算的存储研究的教学资源,文献[2)提出了云存储的发展网络教学资源可以根据需要提取和支持建立云计算在高校教学管理系统。关于云计算的应用研究学院和大学的教学体系,文献[3)提出,由于低成本和强大的服务,云计算将取代现有的教学软件服务体系,有必要加强云计算在高校的教学系统。

云课堂平台的设计基于个人包应该基于整体需求和功能需求(4]。云课堂平台的系统结构包括教育云IaaS层、云课堂PaaS层,云课堂SaaS层和用户访问终端,和大学云教室需要构建基于网络教室,电子书袋,和iPad云教室(5教室),和云平台设计应该丰富和促进多样化的学习方法,例如,教学模式的颠覆,学习过程的转换,混合式学习方法的使用(5]。

“云”课堂教学模式包括老师模块:学习指南,课堂练习,和作业;学生模块:组织建设和讨论阶段,学习指南的修改和应用计划,学生示范和研究阶段6),和云课堂交互式可视化层结构。设计主要分为四层,即数据源层、数据存储层、数据分析层,和数据可视化层(7]。教师和学生可以通过登录到云实现互动教学课堂(8]。云课堂教学很容易创建。教学情况很容易激发学生的学习兴趣,它很容易使用各种各样的教学方法。云课堂教学是高度互动,这是方便和师生信息管理。基于Baihui云计算平台、云基于协作学习的课堂教学设计(9]。

近年来,越来越多的研究已开展云计算课程。这些研究主要包括以下几个方面:云计算课程内涵、实施、评估、和云课程教学。其中,有许多研究云计算课程的内涵和特点,和大多数学者已达成共识云课程作为一种新课程(10];很少有研究云计算课程的实施和评价,但现有研究云计算课程实施困境和策略分析,和多样化的动态评价形式非常鼓舞人心,在未来为学者提供了重要的参考。研究云计算课程教学主要包括个性化学习,强调了学生的主体性和差异。云计算课程,扩大教学信息共享,促进教育公平,等等。11]。这些研究是无价的,云课程的理论研究做出了一定贡献的问题。研究的缺陷是:第一,自云课程是一种新的课程形式,其结构、功能、和发展是非常重要的,更多的学者在这些方面需要进行深入的研究(12]。其次,云计算课程的教学研究相对分散,缺乏整体研究云计算课程的教学机制(13]。

云计算在教学的应用才刚刚开始。学者普遍关注的研究在这个领域。他们在大学学习云计算管理、教学资源存储,作为学校教学方法(14]。文献[15]探索并分析云计算作为一个方法来达到简化计算,和研究涉及很多方面:云课堂学习目标、方法、态度、和意义;云课堂教学服务平台的开发和设计;云课堂教学目标、设计、资源管理、方法选择、实施过程中,教学评价;研究云基于特定的学科课堂教学;优点和缺点的云课堂教学和课堂教学,等等。16]。总的来说,研究云课堂教学相对全面和成熟。然而,很少有研究离线云课堂教学和课堂教学之间的关系,和唯一的研究只停留在比较的优点和缺点,而缺乏理论研究显然是不足以匹配实际的重要性(17]。

3所示。云计算的高速数据传输

在理想环境下,输入的总和和输出TI-ADC满足: ,和是TI-ADC的采样周期。然而,在实际情况中,前端等因素调节电路、环境温度、ADC芯片之间的差异和不匹配的设计将使路径不完全一致的。这将导致不匹配等问题的数据通道的云传播平台,这将导致输出数据中的错误。

当云的数据通道的偏移误差传播平台,HFB分解滤波器的模型如图1。

是抵消的数据通道失配误差米th云传播平台。从图中,我们可以得到如下:

此外,根据HFB模型的输出TI-ADC可以获得如下:

可以看出,除了输出的信号分量的频谱TI-ADC,仍然存在米不匹配的谐波组件 。此外,虚假的组件与采样信号的频率。只有相关补偿误差的大小和数量的数据通道TI-ADC云传播平台。

当所有的偏见不匹配路径是相同的,也就是说,当 ,方程(2)可以简化为以下:

这是符合一个ADC的输出不匹配时的偏见。因此,我们可以知道,当执行抵消TI-ADC系统误差校正,没有必要纠正所有的抵消错误数据的每个云平台传播渠道为0。只需要确保每个云传输平台的偏移误差数据通道是一致的。

我们假设输入正弦信号 和角频率 ;然后,信号的功率如下:

我们使用云传输平台的方差数据通道偏移误差描述的力量抵消云传输平台之间的数据通道错误,然后,不匹配的力量谐波,如下所示:

如果ADC输入全面FSR的量化比特数R量化噪声功率的ADC可以从文献获得如下:

因此,可用SNDR TI-ADC系统如下:

下面的仿真验证,仿真参数设置如下:(1)数据通道的数目N TI-ADC云传输平台是4。(2)TI-ADC的采样频率 。(3)的量化比特数是12。(4)输入正弦信号的频率 。(5)抵消错误每个云数据通道的传输平台 ,并没有其他错误。

从图可以看出20.1,除了输入信号组件0.9组件和它的形象 ,也有虚假的组件造成的偏移量不匹配(0)0.25 ,0.5 ,和0.75 。可以看出的位置不匹配的谐波与输入信号无关,但只有在数据通道的数量在云传播平台。由于虚假的组件不匹配的影响,系统SFDR只有16.24 dB, SNDR 16.34 dB,第三是2.42。

为一个ADC,自己的增益误差不匹配,也就是说,前端处理电路或内部放大器,和其他模拟设备放大和减弱造成的误差不同程度的模拟信号放大。TI-ADC系统中的增益失配误差不一致造成的增益系数的数据通道的每个云传播平台。HFB模型用于分析增益失配误差。

当有增益误差,模型的分解滤波器如图3。

代表的增益误差值米th云传输平台数据通道,相当于原始信号乘以一个系数之前采样,然后执行后续操作。因此,我们可以得到18以下:

然后,替换成 ,我们可以接受:

上面的方程,分析可以看出,除了原始信号的频谱成分,也包含输出的光谱信号米−1不匹配的谐波分量。他们是位于 ,由于图像组件的存在,不匹配的谐波分量范围位于 。

进一步的分析显示,当数据的获得渠道的云传输平台是相同的,也就是说,当 ,上述方程可以简化为如下:

这表明即使有错误在每个云传输平台的数据通道,只要错误的价值观是一致的,可以自由光谱不匹配的谐波分量。它可以纠正只通过改变信号分量的振幅。

为了方便计算系统上的增益失配的影响,我们假设输入信号 ,角频率是 ,和它的傅里叶变换(19)如下:

用公式(10),我们可以接受:

总信号功率的范围如下:

增益失配谐波功率如下:

增益失配误差的方差 。因此,当有一个增益失配误差,系统的SNDR

下面的仿真验证,仿真参数设置如下:(1)数据通道的数目N的TI-ADC云传输平台是4。(2)TI-ADC的采样频率 。(3)的量化比特数是12。(4)输入正弦信号的频率 ;(5)数据通道的增益失配误差的每个云传输平台 ,并没有其他错误。

从图可以看出4,除了输入信号组件及其图像组件 ,也有虚假的成分引起的增益不匹配 , ,和 。它的频率与输入信号的频率有关。由于增益误差的存在,系统SFDR 25.24 dB, SNDR 22.9893 dB,第三是3.5265。

延迟不匹配之间的偏差是由于实际采样时间和理想的采样时间。有许多因素导致延迟偏差,主要分为两类:确定性延迟偏差和随机延迟偏差。确定性延迟偏差意味着由于不匹配的前端处理电路、ADC芯片之间的区别,和不同长度的时钟跟踪,数据通道的参数的云传输平台TI-ADC系统并不是完全一致的。这导致一个固定的时间区别实际采样时间和理想的采样时间。随机延迟造成的偏差是指随机时滞差分采样时钟抖动和不同孔径延迟不同的云数据通道的传输平台。时钟抖动和孔径延迟存在于任何系统,我们可以把他们看作是高斯白噪声。因此,我们只考虑确定性延迟失配误差,随机延迟偏差并不是这项研究的重点。

HFB模型的延迟失配误差如图5。

在图中,数据的延迟误差通道的第m云传播平台。从图中,我们可以接受:

从方程 ,当系统中有一个延迟失配,TI-ADC的输出如下:

为了找到延迟失配误差的影响的SNDR系统,我们还假设输入信号 和角频率 。数据通道延迟失配误差云传输平台满足高斯分布的均值为0,方差 。

根据帕定理,谐波的总功率不匹配和信号之间的延迟如下:

的扩张的泰勒级数(0)如下:

一般来说,将远远小于一个采样周期。我们把前三个阶段的泰勒级数作为他们的价值;然后,可用的信号功率(20.)如下:

因此,不匹配的权力和SNDR谐波可以获得如下:

下面的仿真验证,仿真参数如下:(1)数据通道的数量NTI-ADC云传输平台的是4。(2)TI-ADC的采样频率 。(3)的量化比特数是12。(4)输入正弦信号的频率 。(5)每个云数据通道的延迟失配误差的传播平台 ,并没有其他错误。

如图6由于延迟误差,系统SFDR 19.38 dB, SNDR 18.2946 dB,第三是2.7466。从谱图可以看出,除了输入信号组件0.10.9组件和它的形象 ,有虚假的成分 , ,和 由于延迟光谱不匹配。杂散分量的频率与输入信号有关,和虚假的位置组件产生的增益不匹配是相同的。

频率相关的不匹配是一个增益失配和延迟失配与频率相关特性,也就是说,每个频率点对应于不同的增益和延迟失配参数。frequency-related失配误差是由ADC结构引起的。我们介绍了ADC芯片的工作原理,及其功能来自于取样保持的。取样保持的装置的结构图如图7(一)。

试样夹由一个开关,一个开关缓冲区,一个输入信号缓冲,一个输出信号缓冲和一个闪光灯开关。的等效电路如图取样保持的设备7 (b)。

其中,R代表闪光灯开关电路的电阻,C代表相当于取样保持的电容。取样保持的设备可以被视为一个过滤器,以及其时间常数 。因此,这一阶低通滤波器的表达式如下:

其中, 是切断频率的低通滤波器,然后呢米是云的数据通道标签传播平台。由于过程的局限性,不同adc的开关电路电阻和等效电容不能完全相同。因此,云传输平台数据通道响应函数每个云传输平台的数据通道也是不同的,这是frequency-related失配误差的来源。

从上面的分析,可以看出frequency-related失配误差可以建模如下:每个信号经过不同的低通滤波器和低通滤波器时间常数误差的每个云传输平台的数据通道 。可以相当于频率相关失配误差的综合误差幅度失配误差和相位失配误差。HFB模型如图8如下:

因此,输入和输出表达式的云数据通道传输平台米如下:

其中,代表输入信号的频率,代表幅度失配误差之间的关系函数和信号的频率,和代表相位失配误差之间的关系函数和信号的频率。

这里的幅度失配误差与前面讨论的增益失配误差不同。所不同的是,振幅失配误差与输入信号的频率有关。相位失配误差也不同于前面讨论的延迟失配误差。它们之间的区别是相位失配误差非线性与输入信号的频率有关,而延迟失配误差是线性与输入信号的频率有关。

从这个公式 ,当有frequency-related失配误差,TI-ADC系统的输出如下:

分析上述方程,当一个单频信号输入到系统,频率特性不匹配光谱米−1不匹配不匹配的谐波的谐波组件和镜像组件,这是一样的光谱增益失配和延迟失配。为宽带信号,由于频率相关失配误差是不可能制定不匹配的影响在整个乐队。因此,我们分析一个频率点在通频带和获得频率相关不匹配对系统性能的影响在这个频率点。

根据帕定理,信号的总功率不匹配的函数如下:

使用方程(21),信号的能力如下:

为了不失一般性,我们假设的平均值是0,和的平均值是1。然后,在频率 ,SNDR如下:

上述公式的分析表明,对于一个单频点,频率相关系统上的不匹配的影响的总和等于振幅的优势在这个频率失配和相位失配点。其谱图类似于增益失配和延迟失配,这里将不会重复。

之间的延迟失配误差的数据通道云传输平台最终不一致造成的云的采样间隔时间的数据通道传输平台。因此,我们可以估计的价值理想采样点的采样序列和正确使用它延迟偏差。时域插值调用此方法,这是最基本的延迟误差补偿算法。

插值是一种非常有效的数值处理方法和样条插值是最常用的方法之一。三次样条插值方法提出了解决二阶平滑问题。函数拟合,该方法包含一个分段立方曲线在采样点,连续的二阶导数。当系统满足过采样率条件下,三次样条插值法可用于容易地补偿系统延迟失配。

三次样条超函数的定义如下:该函数 ,这是一个三次多项式在每个分区间隔 ,鉴于n节点 区间的函数是一个三次样条函数在节点 。如果某一个节点,其给定函数值 ,有以下几点:

然后,被称为价值三次样条函数。从上面的定义可以看出,如果我们想获得 ,我们需要确定4参数在每一个细胞,因为有n小区间的域定义,4n参数必须确定。根据属性有一个连续的二阶导数在一个,b),我们可以得到如下:

也就是说,应满足上述连续性条件。当求解参数,3 (n−1)约束可以获得基于这种情况,和在一起 ,有4个n−2约束。因此,2需要更多的约束求解的参数。

通常情况下,边界条件可以添加到极限,给出了边界条件对两个边界点一个和b,一般来说,有以下三种类型。

一阶导数的值的两端是已知的,也就是说,

二阶导数在两端的值是已知的,也就是说,

有一个特殊情况 ,这被称为自然边界条件。

如果是一个周期函数随着周期,它应该满足以下:

从方程(29日)和边界条件,下面的构造函数如下:

其中,和的基函数值是三阶埃尔米特多项式值, 。在这一期间 , 可以表示如下:

其中, 执行两个积分操作 ,根据条件 ,三次样条函数的表达式可以获得,如下所示:

从方程(36),我们可以得到以下:

此外,据 ,上面的公式可以组合获得以下:

其中, , ,然后考虑边界条件,我们可以得到如下:

其中, 。总之,矩阵,如下所示:

根据这个矩阵,可以获得,然后,三次样条的值函数可以获得。

仿真过程如下。

的数据通道TI-ADC两个云传播平台为例,系统的采样周期和采样率 。信号采样是正弦,和不匹配的信号被插值补偿,结果如图9。

从测试结果可以看出,当信号频率相对较低相对于采样频率,样条插值算法可以弥补信号不匹配。当输入信号的频率增加时,系统不能满足其过采样要求,补偿效果大大降低。因此,当满足采样过密时,插值法可以用于不匹配补偿。

完美的重建滤波器组是基于HFB模型,添加一个每个子路径校正滤波器,这样结合修正后的信号与原始信号一致,和它的结构图如图10。以下重建条件的完美重建滤波器。

为通道米,输出信号延迟失配误差和频率相关失配误差如下:

的公式,是函数的数据通道增益不匹配米云传播平台,延迟不匹配函数(在吗单位、归一化值),和不匹配的输出信号经过校正滤光片如下:

的公式,的校正滤波函数是云传播平台数据通道米。

因此,可以获得合并后的输出如下:

我们设置如下:

合并后的输出如下:

从上面的公式可以看出,如果你想要的输出系统错误,输出应该只包含输入信号的频谱成分,然后,米(k)应符合下列条件:

其中,c是一个常数,d是一个明确的时间延迟,这是完美的重建的条件。因此,通过求解修正滤波器根据完美重建条件,可以实现误差补偿。

从完美重建条件和方程(44),可以获得以下矩阵表达式如下:

其中,有以下几点:

H是一个矩阵组成的云传输平台数据通道不匹配函数 ,和R是一个矩阵校正滤波器组成的吗每个云传输平台的数据通道。由此,校正滤波器的频率特性函数,也就是说,

总之,使用的过程完美重建滤波算法来弥补宽带信号的频率相关失配误差如下:(1)本研究选择N频率点 在通频带范围和使用不匹配误差估计算法估计获得每个通道的失配误差和延迟失配误差。随后,误差值在每个离散点拟合获得数据通道不匹配函数每个云传播平台。(2)在这项研究中,这些N频率点代入方程(49反过来,)和N方程可以获得。每一个方程都可以获得相应的频率点的响应值的校正过滤器 。(3)本研究执行传输线操作获得滤波器系数。(4)每个云的数据通道失配信号传输平台是与相应的校正滤波器卷积。(5)这项研究增加了修正后的每个通道的信号获取重建信号。

4所示。日本高校精读教学模式的基于网络的云计算平台

大学日语精读教学的总体体系结构系统基于网络云平台包括以下层:应用程序层、服务层、资源管理层、基础设施层和数据层的精读教学。层次思维可以使整个系统结构清晰、易于扩展和维护。整体架构图如图11。

系统的总体功能模块设计如图12。

通过上述分析,大学日语精读教学系统基于网络云平台已经建立。本研究计算多组数据来评估教学效果的基于网络的大学日语精读教学系统云平台提出了研究。此外,本研究结合仿真研究和专家评估来评估该系统的资源处理和教学效果,结果显示在表中1和2得到了。相应的统计图表所示的数据13和14。

通过以上研究,可以知道大学日语精读教学系统基于网络云平台资源处理效果好,日语精读教学的教学效果。

5。结论

日本高校教学的主要目的是培养技术,应用,实用,和复合高级外语人才满足社会市场的需求,具有很强的日语应用能力,可以使用日本作为一种工具,并从事相关的专业实践活动。因此,日本高校教学应注重培养学生的语言应用和实践能力。作为日语专业学生的必修课之一,日本精读课程是一个全面的课程,培养学生的听、说、读、写和翻译能力。大学生自主学习能力差,学校时间短。因此,如何有效地使用日语精读课程提高学生综合实践能力在日本是每个日本教师必须思考的问题。为了提高日本高校精读的教学效果,本研究结合了网络云平台来改善日本高校精读教学,并构建一个智能日语精读教学体系。研究表明,大学日语精读教学系统基于网络云平台资源处理效果好,日语精读教学的教学效果。

数据可用性

标签数据集用于支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究是由2020个学院和大学的主要教学研究项目质量计划安徽省(项目号2020 jyxm0730)。