谈谈初中生数学兴趣的培养

通过对课堂情境的创设,启发式教学等多种方式来激发学生学习数学的兴趣,提高学生学习数学的主动性和积极性,以及通过多种教学方式来拓宽学生的数学思维。     

黄河流域水土保持藉河示范区造林建园成活技术措施总结

从规划设计,施工队伍培训、苗木选择、栽植、管护等环节入手,系统总结了藉河示范区造林建园成活的技术要求和技术措施.     

坚持创新 提高安全培训质量

论述了安全培训工作的创新对于提高安全培训质量，保证安全生产的重要意义，从培训管理、培训教学、培训方法与手段三个方面探讨了培训创新的内容与途径。     

我国银行资本监管有效性与资本结构探讨

伴随着金融业的全球化，银行资本监管需要在新的视角下发挥国际性作用。通过分析我国银行业体系结构和资本结构的特殊性，探讨了资本监管在我国运用的绩效，提出了如何从公司治理入手提高金融监管效率，进而找寻适合我国金融环境的最优监管设计方案。     

浅谈职业学校语文课堂教学

语文作为基础科目,工具性之外更具有综合性、人文性,肩负素质教育、健全人格养成的重任,语文课堂能引领学生漫步于文学名著的长堤,去感悟睿智的思想、瞻仰开阔的胸襟,哪怕仅仅是陶醉于迷人的语句优美的意境,让一节节课熏陶渐染提高学生的品位,素养;或者以有争议的问题激发学生的兴趣,组织学生思考辩论,锻炼他们的逻辑     

寻找与发现--谈谈王安忆文学艺术的独特性

王安忆是中国文坛一位有影响的女作家.本文从四个方面对她在文艺艺术创作的独特性和她本人做一些探讨独特而重要的文学地位;独特而丰富的创作个性;独特而成熟的写作风格;独特而深刻的女性意识.     

基于知识价值链的企业知识创新动态模式研究

企业知识创新是一个完整而连续的动态过程。在企业知识创新研究领域,野中郁次郎的SECI模型对知识在企业中的动态转化过程有很好的解释力,但他仅注重隐性知识的研究。本文在SECI模型的基础上,引入知识价值链,对隐性知识和显性知识转化进行合成研究,提出了企业知识创新的动态模式,并对这一模式运行所需的知识场和知识库进行了描述,形成了一个比较完善的企业知识创新过程体系。     

基于SBKF-PNN融合的高填方渠道渗漏监测模型研究

针对目前高填方渠道渗漏检测方法通常单一、数据获取易受环境干扰、渗漏等级难以分类等问题,研究了基于SBKF-PNN融合的高填方渠道渗漏实时监测模型.首先建立基于土质高填方渠段的实验模型,设计了基于ZigBee和GPRS的渗漏信息无线传感网络,将高填方渠道的温度信息、湿度信息、GPS信息和渗流信息进行可移动获取;结合高填方渠道渗漏规律,分析传感器多源数据变化的规律及其关联度,定义了高填方渠道渗漏的等级模式,筛选了温度场、电势场和电磁场等多传感器信息作为渗漏监测量;然后应用贯序式块卡尔曼滤波(Sequential Block Kalman Filter,SBKF)方法对多传感器数据块进行处理,同时采用概率神经网络(Probabilistic Neural Network,PNN)算法进行渠道渗漏的等级分类;最后用大量的实测数据对SBKF-PNN模型进行训练,得到高填方渠道渗漏监测的反演模型,并将该反演模型应用到实际的高填方渗漏监测中.结果表明,基于SBKF-PNN的渗漏监测模型可实现多传感数据块的实时滤波,有效融合多种环境量的突变特征,能较准确地实现高填方渠道渗漏等级分类.     

Fe3O4@SiO2@SDS的制备及其在氟喹诺酮检测中的应用

制备了Fe_3O_4@SiO_2@SDS磁性混合半胶束固相萃取吸附剂,并结合高效液相色谱法,分析检测了环境水体中的痕量氟喹诺酮类抗生素(FQs).考察了Fe_3O_4@SiO_2用量、SDS用量、p H值、乙腈中醋酸量等因素对萃取效果的影响.结果表明,在优化的试验条件下,100 m L水样中加入30 mgFe_3O_4@SiO_2和100 mg SDS可以实现6种FQs(左氧氟沙星、环丙沙星、洛美沙星、恩诺沙星、加替沙星和司帕沙星)的快速吸附,吸附效率分别为87%,82%,80%,97%,85%,84%,富集倍数达到40～77.结合高效液相色谱法检测,方法检出限为0. 1 ng·mL~(-1),可以实现痕量分析,并成功地应用于实际水样分析,回收率为87%～120%.可见,Fe3O4@Si O2@SDS混合半胶束固相萃取吸附剂具有萃取效率高、操作简单、绿色环保等优点,是一种有效的样品前处理技术.     

XGBoost启发的双向特征选择算法

针对特征选择过程中特征评价指标单一性的问题, 基于集成学习中的极端梯度提升算法, 提出一种新的特征选择算法. 该算法首先应用极端梯度提升算法中构建集成树模型的指标作为特征选择的特征重要性度量指标, 然后利用一种新的双向搜索策略, 权衡了多种特征重要性对结果的影响, 并优化了评价过程的效率. 通过11个不同维度的标准数据集进行测试, 实验结果表明, 该算法能增加特征子集的多样性, 加快特征选择的速度, 并在中维和低维数据集上均具有较高的计算效率, 且能处理高维数据集.