模块性、经典计算和意向实在论——论福多思维非模块性论题的一个本体论后果

福多将计算模块的概念运用于对心灵模块性的分析，提出心灵之负责输入分析的部分（感知觉系统、语言系统等）是模块性的，而心灵之专司信念的确立和思维之职的部分（中心系统）是非模块性的。由此，福多进一步得出心的计算理论不适用于中心系统的结论。然而，福多的结论给他的计算主义的意向实在论辩护带来了问题：如果思维不是计算，那么，福多关于常识心理学所持的意向实在论主张就成了空中楼阁。     

基于不同划分优度的因特网拓扑聚合特征

因特网拓扑的社区聚合特征对网络性能具有重要影响.本文选取两种不同的社区划分算法:基于模块度Q的MOME算法与基于伸缩变换覆盖测度SCM的SACA算法,利用10年实际测量数据,对因特网AS层拓扑分别进行社区划分,获得的社区结构具有显著差异,究其根源在于两种算法采用的社区划分优度不同.分析发现:微小社区占大多数的幂律分布以及社区结构以星型为主的现象是SCM测度自身限制的效果.基于模块度Q的社区划分显示因特网拓扑聚合程度显著且呈增长趋势,社区规模随网络规模增长,社区结构以稠密的非星结构为主.研究表明,设计适当的社区划分优度及划分算法对于正确理解实际网络真实聚合特征具有重要意义.     

模块组合型多电平变换器的控制策略

对模块组合型多电平变换器(MMC)的脉冲调制策略和电压控制策略进行了理论分析和实验研究,建立了MMC系统的数学模型,在此基础上提出一种适用于MMC特点的载波移相SPWM控制策略和电压控制策略,无需额外的硬件电路,即可实现对MMC功率单元直流电容电压良好的稳压和均衡控制效果.通过一台三电平MMC实验样机的实验结果,分析了其稳态和静态工作特性,验证了控制策略的有效性.     

复杂网络的社区结构

社区结构作为真实复杂网络所普遍具有的一个重要拓扑特性,在最近10年内得到了广泛而深入的研究.回顾了近几年国内外社区结构研究的主要进展,重点介绍社区发现的研究历程和研究成果,并结合社会计算的背景展望了社区结构研究的未来发展方向和潜在的应用价值.     

从欣赏与创作心理定势谈清代白话短篇小说的模式化

白话短篇小说发展到清代,在读者欣赏和作者创作上形成一定的心理定势,表现为:对"说书体"叙述形式的定势、对小说话本体制上的定势、对故事性叙事的定势、对教化性内容的定势。这种种定势,使得这一时期的创作因循守旧,造成了小说的高度模式化,并因此导致白话短篇小说的衰落。     

基于相似性模块度最大约束标记传播的网络社团发现算法

提出一种基于相似性模块度最大约束标记传播的快速网络社团发现算法(MLPA)。该方法采用结构相似度计算, 通过最大约束标记传播模型更新节点标记, 使社团的划分结果更加符合社团内部结构相对紧密、 社团之间结构相对稀疏的特点, 提高社团划分的精确度。结合标记传播5次循环迭代可以完成95%或者更多节点标记过程的实验结果, 判定标记更新过程趋于稳定, 从而在稳定时停止更新, 降低了运行时间。MLPA避免了传统的邻接矩阵计算方法, 适合大规模网络的社团发现。     

大型飞机操纵系统组合式集成化加载装置设计技术研究及应用

对于主操纵系统或者备用操纵系统采用机械操纵的大型飞机,操纵系统试验需要模拟飞行员对机械操纵装置进行加载,如何真实地模拟飞行员操纵过程,获得操纵力曲线、活动翼面响应曲线等为操纵系统试验带来了诸多难点,通过研究,提出了一种全新的操纵系统组合式集成化加载方法,通过结构模块化、功能集成化方法设计了操纵系统组合式集成化加载装置,满足了狭小封闭式空间的飞行员机械操纵装置加载要求,并将该方法应用于大型灭火/水上救援水陆两栖飞机操纵系统强度试验中,顺利完成了试验,经过数据分析,试验数据真实有效,表明该方法满足试验要求。本文方法具有一定的工程应用价值,并在多类重点型号试验中得到了应用。     

产品模块化设计中的多角度、分级模块划分方法

给出模块划分中的多角度和分级特性，并提出一种新的模块划分方法．首先以用户需求为依据对产品进行功能分解，获得一系列的功能元；然后从用户的特定需求出发定义相关性矩阵，根据该相关性矩阵进行模块划分．划分方案体现为一种层次结构．以万能车床为例，使用该方法进行模块划分，进一步验证了该方法的可行性。     

电子商务专业课程设置与教学模式探索

在分析中国企业对电子商务人才需求状况的基础上,结合教学实践,提出了教学内容依据知识、能力、素质进行模块化的课程设置方案以及分阶段培养、与企业需求零距离整合的教学模式,并在教学实践中初步检验了这种课程设置方案的合理性和教学模式的有效性.     

一种改进的Chameleon聚类算法

在聚类分析技术中Chameleon算法在发现高质量任意形状簇方面具有优势。但是该算法需要用户人为给出K-最近邻的K值以及停止合并子簇的位置等参数,在没有先验知识的情况下确定这些参数难度较大。此外,Chameleon算法的第一步中需要用到图划分技术,这是一个NP-难问题,因此大大增加了算法的复杂度。本文引入模块度的概念,提出了一种改进的Chameleon层次聚类算法（I-Chameleon算法）很好地解决了以上诸多问题,能够自动地发现任意形状簇。