安徽省地方财政科学技术支出情况分析

以安徽省2009—2019年的地方财政科学技术支出为研究对象,从省、市两个层面进行分析:省级层面,分析了全省地方财政科学技术支出整体情况,清晰展示了全省地方财政科学技术支出的经费结构;市级层面,对全省16个市的地方财政科学技术支出情况进行对比,重点比较地方财政科学技术支出中的R&D支出.在数据分析的基础上,提出了优化地方政府财政科学技术支出的建议.     

无限极 带着梦想去旅行

无限极将始终在“行走”中与经销商共同成长。2021年3月21日,无限极首站“星乐营”活动在乌镇举行。此次活动安排了“星乐缤纷跑”、“星乐体验坊”、“专属业务培训”等项目,从体验传统民族手艺、了解人文历史,到大咖经验分享等,内容精彩纷呈。2021年无限极“海外培训”和“星乐营”活动将从3月延续至10月,会有逾万名无限极优秀经销商分批次有序出行,带着梦想出发,体验别样生活。无限极“海外培训”活动至今已举办24年,走过了38个国家和地区。2021年,活动由海外转向国内,选择海南三亚和长江三峡两个风光绮丽的人文景区作为目的地。     

明清时代的鄱阳商业与商人

文章利用方志与墓志中的商业与商人史料,分析了明清时代鄱阳县本地商业状况与外来商帮构成,以及鄱阳商人的经营行业和商贸地域.透过商人的传记资料,可以看到士人为商人写传,大力肯定商人的志业,商人则高度认同士人所代表的儒学主流价值观;方志为商人立传,商人为桑梓与国家效力,体现的是士商之间、商人与国家和社会之间相得益彰、"美美与共"的良性互动.     

一类新的随机三项共轭梯度算法

针对经验风险最小化(ERM)这一无约束优化问题,使用随机优化算法.为了提高损失函数值的下降速度,考虑三项共轭梯度法的优点,提出一类新的随机三项共轭梯度算法.并将新算法与经典的随机梯度下降(SGD)类算法和已有的随机共轭梯度算法CGVR进行比较,数值结果表明新算法比SGD类算法在求解ERM问题上更有优势.     

普通高校生物师范生和教育硕士教学实践能力调查分析

采用问卷调查法,针对生物本科师范生及教育硕士的教学实践能力进行调查和分析,对生物本科生和生物学教育硕士在教育实习期间的教学能力、实验技能、专业知识等方面进行对比分析.根据研究结果提出了几点思考,以期为师范院校在生物专业师范生及教育硕士培养方面提供参考.     

基于熵评价模态分解的雷达信号双谱特征识别

针对在低信噪比下雷达信号调制识别准确率低、抗噪性差的问题, 提出一种基于熵评价模态分解和双谱特征提取的识别方法。利用双谱可以抑制高斯噪声的特点, 分析了在低信噪比下进行信号调制识别的可行性并引入了噪声项。由于噪声项的干扰, 双谱在0 dB以下时, 噪声抑制效果变差, 提出了基于信息熵评价的经验模态化分解对信号进行预处理, 提高信噪比。最后, 设计了卷积神经网络分类器, 实现对不同调制类型信号的识别。仿真实验结果表明, 本文方法相比传统方法具有良好的抗噪性, 能够在低信噪比下对不同类型信号进行有效识别。     

发生教学法在行列式概念教学中的运用

发生教学法是基于数学史的一种教学方式,以行列式概念为例,分析发生教学法在大学数学教学中的应用.首先阐述发生教学法的缘起,生物发生律类推到数学教育催生发生教学法;其次介绍发生教学法的策略,发生教学法借鉴历史引入主题,重现知识再发现过程;最后用发生教学法设计行列式概念教学,展示详细教学流程,并说明设计理由,促进在大学数学教学中推广发生教学法.     

中国开源软件生态构建的风险及对策

基于双层嵌入理论和知识溢出理论构建了E-TOMSDECT分析模型,对当前中国开源软件生态构建所面临的风险进行系统性剖析,并结合对全球开源软件生态构建经验的类化分析提出相关对策.分析发现,当前中国开源软件生态构建主要存在关键核心技术支撑与生态运营模式掌握薄弱、生态建设主体动力不足、在国际开源生态中主导权较弱且面临多维度安全风险、软硬件协同发展能力较弱、软件价值评估体系扭曲、生态运营专业性人才匮乏以及国际经验的利用潜能未能完全释放等风险.建议尽快聚焦新兴领域打造"三位一体"开源生态主导核心,同时加强软硬协同整体规划,构建开源软件生态的安全风险评估和应急防控机制,加大开源软件生态构建的人才培养与引进力度.     

高校图情档族群的科研竞争力测评 ——基于结构化指数方法的研究

以高校图情档族群为观察对象,基于个体研究者视角,构建了结构化指数测评方法,从全国、省市和高校等3个维度,展开了科研竞争力结构优势度测评.结构化指数方法能够扫描并揭示高校图情档族群的科研竞争力结构优势度,可揭示科研竞争力优势群体的数量及分布特征,可进行族群科研竞争力优势度对比测评,具有易操作性和数据敏感性,后续研究可从测评因子、测评维度、竞争力转换路径和机制等方面进行拓展.     

基于强化局部特征的3D点云分类与分割网络

在点云的处理过程中，许多深度学习网络未能充分考虑局部点之间的复杂关系，导致大量空间几何信息丢失。针对该问题，提出了一个强化局部特征的网络，用于点云的目标分类和语义分割。该网络通过设计编码单元对点的多方向信息进行编码；通过注意力机制学习采样分组后形成局部点云的特征。同时提出了一种新的多维损失函数，结合使用交叉熵损失函数与中心损失函数作用于分类任务。在数据集ModelNet40和ScanNet上进行了大量实验，结果表明：该网络在点云的目标分类和语义分割任务上表现出较好的性能。