教学理论发展及其所揭示的问题

本文研究了教学理论发展的基本线索，把教学理论的发展划分为三个不同的历史时期：古代、近代和现代，在不同的历史时期，教学理论有各自的发展特色。纵观教学理论的发展，揭示了教学理论发展的规律性问题，教育目的和时代要求是教学理论的出发点，科学技术的进步是教学论发展的直接动力；各种教学理论不断相互影响，渗透和融合；传授知识与发展智能的关系；在教与学的关系上，以教为主的教学观正向以学为主的教学观发展，在教学理论研究方法上，理论知识不断综合；手段日益定性与定量相结合。     

空间桁架法计算桅杆的整体稳定

本文用空间桁架位移法计算桅杆的整体稳定。计算中考虑了结构在大位移情况下的几何非线性．从而得到了较为精确的解．将精确解的结果与习用的铰链法和平均参数法加以比较．得出了对实际设计工作有益的结论．     

多层弹性体空间一般问题的解析解

本文利用广义柔度矩阵递推法,成功地导出了多层半无限弹性体空间一般问题,在任意荷载作用和两种层间接触条件下的通解.对于这个通解,不管弹性体的层数为多少,最后均不需再解任何联立方程.作为应用,文末计算了地基位移和应力问题实例.     

空间机构的位置分析

本文以“基本方向”确定空间机构中各构件的位置,并基于“基本方向”之间的关系以及机构的环路封闭条件,建立了机构位置分析的数学模型。将优化技术和求解非线性方程组迭代技术结合起来,提高了解决问题的可靠性及效率。     

城市化途径及其相关

对城市化途径有关各要素作了综合的叙述,并且指出研究的手段──自人口的聚集至城镇形成发展这一历史的纵剖面及地域、产业结构等横向有关要素作整体系统的分析与比较,并指出应重点研究人口指标分析、产业可比关系、城市化和城市化设施,以及城市体系的研究问题。     

贵州省不同类型自然保护地空间分异及其影响因素

受自然与社会因素的影响,不同类型自然保护地的空间分异存在较大的差异.研究针对贵州省内的自然保护区、森林公园、湿地公园和风景名胜区等4类自然保护地,综合运用最邻近点指数、地理集中指数、核密度和地理探测器模型对其空间分异特征进行分析,并探讨其影响因素.结果表明：自然保护区与其余3种自然保护地在数量的空间分异特征上具有明显差异,但4种自然保护地在面积的空间分异特征上均表现出离散化分布的特征,具有较高的相似性.相同影响因素的解释力在不同类型的自然保护地上差异较大,在数量上主要影响因素呈现出趋异性,而面积上主要影响因素则呈现出趋同性.任意2个影响因素交互后其解释力均增强,交互的特征呈多维度复合影响的态势.不同类型自然保护地功能定位的差别是其主要影响因素呈现出趋异性和趋同性的主要原因.     

多尺度自适应Gamma矫正的低照图像增强

为了在提高低照图像的亮度和对比度的同时,保持图像的色彩自然度,提出了多尺度自适应Gamma矫正的低照图像增强方法.鉴于HSI颜色空间的明度分量Ⅰ决定着图像的明暗程度,以及明度分量的多尺度特性,首先,将图像转换到HSI颜色空间,对明度分量Ⅰ进行多尺度Retinex分解;然后,对分解得到的多尺度光照图像分别进行自适应的Gamma矫正,其中Gamma指数自适应于暗区像素的占比,鲁棒地改善光照图像的光照分布,经Retinex反变换得到增强的多尺度明度分量;最后,将增强的多尺度明度分量的线性融合作为增强的明度分量Ⅰ’,与色相分量H和饱和度分量S重组,得到最后的增强图像.实验结果表明,相对于部分最新提出的现有方法,新方法的PSNR和SSIM值分别高出1.19 dB和1.8%以上,具有更好的增强效果和鲁棒性,增强图像的视觉效果更适宜,对比度更高.     

中国建成区植被变绿趋势识别及对比分析

基于2001-2020年增强型植被指数(enhanced vegetation index,EVI),利用曼-肯德尔(Mann-Kendall,M-K)检验与泰尔指数,分析中国老城区(2000年已成为建成区)与扩展区(2000-2016年新增建成区)的植被变绿趋势,以及在不同气候变化区植被变绿趋势的差异.研究发现：1)中国约20%(17 290 km²)的建成区植被呈显著变绿趋势.其中华东-华中湿暖趋势带的建成区植被变绿面积,占中国建成区植被总变绿面积的46.61%,30个省级行政区10%以上的建成区植被呈显著变绿趋势. 2)在老城区与扩展区的植被变绿趋势的对比上,老城区的植被显著变绿,扩展区的植被微弱变绿,老城区的植被变绿面积(13 474 km²)是扩展区植被变绿面积(3 818 km²)的3.5倍多.不同气候变化区的植被变绿趋势差异表明,需要因地制宜地应对气候变化对城市建成区植被生长的影响,重视西南-华南干暖趋势带的供水设施建设,保证植被的生长需求.     

基于 Swin Transformer 和 Style-based Generator 的盲人脸修复

盲人脸修复任务是从低质量的图像（例如模糊、噪声和压缩图像）中恢复高质量的图像.由于事先不知道低质量图像的退化类型和退化参数,因此盲人脸修复是一个高度病态的问题,在修复过程中严重依赖各种先验指导.然而,由于面部成分和面部标志等面部先验通常是从低质量图像中提取或估计的,可能存在不准确的情况,这直接影响最终的修复性能,因此难以有效利用这些先验知识.此外,目前的主流方法基本都是依赖ConvNets进行特征提取,没有很好地考虑长距离特征,导致最终结果缺乏连续一致性.本文提出了一种改进的StyleGAN模型,命名为SwinStyleGAN,应用在高级视觉任务上表现出色的Swin Transformer来提取长距离特征,并通过改进后的类StyleGAN合成网络逐步生成图像.本文设计了一个空间注意力转换模块SAT来重新分配每个阶段特征的像素权重,以进一步约束生成器.大量实验表明,本文提出的方法具有更好的盲人脸修复性能.