中山站前沿固定冰破冰方案及船舶操纵方法

为了向“雪龙号”提供一条可行的卸货用航行水道，中国第一艘自主建造的破冰船“雪龙2号”急需在南极大陆的中山站前沿复杂的固定冰中制订一条破冰路线。在“雪龙号”过去多年积累数据和经验基础之上，通过详细分析破冰水域的航行环境、固定冰区当年冰情、最新气象辅助资料以及可用的先进设备，制订一条破冰计划路线。采用首尾破冰、进退速度控制、预留距离控制以及操纵船舶辅助破冰等方法，顺利完成破冰开路任务。实际破冰结果证明，计划路线既绕开了危险的冰裂缝和冰山，也为“雪龙号”节省大量的卸货时间。总结“雪龙2号“在固定冰中的破冰能力，指出相应的困难和急需解决的问题；为我国破冰船在极区常态化航行、冰区航行的船舶驾驶员、按极地规则要求进行的冰区航行培训以及相应的业务模拟提供参考。     

(3+1)维Korteweg-de Vries (KdV)方程的高阶怪波解和多波浪解

基于Hirota双线性形式，一个新的（3+1）维Korteweg-de Vries（KdV）方程的高阶怪波解和多波浪解被得到.通过作图，更直观地展示和讨论了高阶怪波解和多波浪解的动力学性质.     

模糊微分方程的反周期解

主要利用微分包含的方法得到模糊微分方程的反周期解的存在性结果，并给了一个例子说明主要结果的可行性.     

一种基于类不平衡学习的情感分析方法

针对网络评论中普遍存在的负面评论较少而影响力却较大的类不平衡问题, 提出一种基于类不平衡学习的情感分析方法. 该方法利用深度学习训练过程中的概率输出, 以计算样例的信息熵作为影响因子构建交叉信息熵损失函数. 在IMDB公开数据集上进行实验验证的结果表明, 基于集成信息熵损失函数的双向长短期记忆网络能处理类不平衡问题; 对数据的统计分析结果表明, 该策略能提升基于双向长短期记忆网络的评论情感极性分类性能. 针对AUC(area under curve)指标, 使用集成信息熵损失函数的双向长短期记忆网络模型比未考虑类不平衡的深度学习模型在中位数上最多提升15.3%.     

中药肾茶对家猫夏季饮水和血清尿素含量的影响

家猫饮水、排尿较少,泌尿系统疾病高发.肾茶是一种传统中药,具有良好的利尿作用.本研究采用10只家猫进行实验,结果显示:在饲粮中添加1%(质量分数)肾茶可以显著增加家猫的饮水量,降低血清尿素氮含量,但不影响家猫的体重和采食量.这表明肾茶有增加家猫排尿量、减少其泌尿系统疾病的潜在作用.     

一类半线性退化抛物方程在边界控制函数作用下的近似能控性

用Kakutani不动点定理证明一类一维的半线性退化抛物方程在边界控制函数作用下的近似能控性, 其中该方程的控制函数作用在退化点x=0处, 边界条件为极限意义下的第二类边界条件, 在非退化点x=1处边界条件为齐次Dirichlet条件.     

波动方程在半无穷柱体和外部区域上的空间爆破和衰减性

利用能量分析的方法, 首先考虑定义在三维半无穷柱体上的波动方程, 当空间变量趋于无穷时, 证明其解或者指数式增长或者指数式衰减; 其次, 考虑定义在球面外部区域上的波动方程, 证明其解随半径的二择一结果； 最后, 证明对于非线性弹性方程, 二择性定理仍有效.     

时间非均匀介质中两种群竞争格点系统的广义行波

考虑一般时间非均匀介质中两种群竞争格点系统广义行波的存在性和不存在性问题, 通过建立相关合作系统上下解的比较原理, 并构造其合适的上下解, 证明了当下平均速度大于一个确定的阈值时, 该系统广义行波存在, 并且不存在下平均速度小于此阈值的广义行波.     

应用性追求:中国高等教育人才培养的 长时段历史考察

中国应用型人才培养的实践并非新近的事情。从长时段历史考察,中国共产党与中华人民共和国对于应用型人才的培养探索甚至渊源于150年前的近代转型传统。与主张“君子不器”的传统高等教育不同,近现代意义上的制度化高等教育自引入中国之日起,就一直肩负着国家层面赋予的应用型人才培养任务,甚至并未因社会制度变革而中断。晚清时期,朝廷与精英基于“师夷长技以制夷”兴办了一批具有专科性质的学堂;南京国民政府基于毕业生失业严重以及“高等教育破产”的争议,着眼于调整高等教育结构;中华人民共和国成立初期,基于“专门人才”急需而实施院系调整与专业细分;改革开放以来,基于就业制度市场化变革与高等教育分类发展需要而作出院校转型的决策部署。这些政策及措施意味着高等教育承载着国家(政府)的意志和期待、民族(社会)的渴望和要求。在中国高等教育后续发展中,应注意高等教育的理想类型与现实复杂性之间的问题,努力在创新知识生产模式中推动应用型高等教育的内涵式发展。     

基于改进CLDNN的辐射源信号识别

传统辐射源信号识别方法往往需要人工提取特征,不仅对专业知识要求较高,而且人为选择的特征不能够保证适用于大多数类型信号的识别,识别精度和识别速度也不能兼顾。针对上述问题,将语音处理领域常用的深度学习模型——卷积长短时深度神经网络(convolutional long short-term deep neural network, CLDNN)引入到辐射源信号的识别中,并将该模型中的长短时记忆层改为双向门控循环单元层。模型的输入为原始时间序列数据,特征提取和分类识别过程均在网络中进行,避免了人工选择特征的不完备性。实验结果表明,所提模型在低信噪比情况下也能够有效识别信号类型,同时与其他模型相比,实现了识别精度和识别速度之间的平衡。