判断空间中若干几何图形位置关系的教学设计

线性代数有着非常广泛的应用.判断空间中几何图形的位置关系是空间解析几何的重要内容,同时也是线性代数的一种重要应用.这些知识点与线性代数中矩阵的秩、线性方程组等内容相互关联,形成了一个有机整体.探讨利用线性代数的相关理论判断空间中若干几何图形位置关系的教学设计.     

用于AIS实时信号稀疏表示的追踪算法研究

为解决非周期船舶自动识别系统(AIS)信号的载波跟踪问题,利用信号稀疏表示方法对AIS实时信号进行重构,以获得AIS信号的信道信息,从而为实现定位信息的测量打下基础.从AIS信号特点和AIS实时信号处理的要求出发,对基于K-SVD算法所构造的自适应冗余字典,从信号处理时间、稀疏表示精度、误码率和受噪声的影响几方面对比了基追踪(BP)和正交匹配追踪(OMP)两种不同的追踪算法.实验结果表明,两种算法都能有效精确地重构AIS信号,BP算法相比OMP算法具有更好的稀疏表示精度和误码率,但是信号处理时间会更长.由于AIS对实时性的高要求,OMP算法更适合用于AIS自主定位系统.     

十字型鸭翼子弹药控制系统研究

为解决子弹药的杀伤效能低的问题,提出了一种十字型鸭式子弹药并对其进行控制系统的分析与设计.针对子弹药不断旋转摆动的问题,分析了子弹药控制力的产生原理,提出一种周期平均控制力的方法,建立了旋转摆动子弹药数学模型.为验证子弹药的飞行稳定性,应用Matlab软件进行了无控飞行轨迹仿真,得出子弹药水平位移为450 m,攻角变化在0.4°以内,满足稳定性要求.由于子弹药控制通道间具有较强耦合作用,设计了一种特殊的前馈补偿法来对子弹药进行解耦,设计了PID控制器对子弹药控制效果进行了仿真,结果表明解耦后控制通道间的耦合效果基本消失.      

两会传递“中国信心”

正三月的北京,春风和煦,全国各界代表委员共聚一堂、共商国是、共绘宏图。决胜全面小康,奋战"十三五"、攻坚"结构性改革",是今年两会的核心主题。过去的一年,党和国家事业取得喜人成就和新的突破,"十二五"规划胜利收官。2016年,是全面建成小康社会决胜阶段的开局之年,是"十三五"时期的开局之年,也是推进结构性改革的攻坚之年。开局重在引领,决胜贵在谋划。作为两会重头戏的"十三五"规划纲要,以新的发展理念为引领,明确了经济社     

逻辑的“博弈化”概念的分析

逻辑的"博弈化"是20世纪后半叶开始形成的新颖概念。它是直到目前已有的四种逻辑博弈即语义博弈、模型比较、模型建构和论证与对话博弈的核心概念。文章通过考察范本特姆给出的这四种博弈,从哲学上分析逻辑的"博弈化",给出逻辑的"博弈化"的定义和性质。通过分析逻辑的"博弈化",发现其有以下主要性质:首先,它是与博弈逻辑相反的概念,这使得它模糊了逻辑和博弈的界限,引发了对逻辑的哲学思考;其次,它具有博弈的基本特征,由此它也引发了对博弈的哲学思考;此外,它是围绕语义模型去探讨的,由此还引发了关于"真"的哲学思考。     

南宋如何保障饮水卫生

正没有自来水的古代,饮用水多取自河流。当时没有重污染的工业,哪怕有一些染坊,在数量和污染的程度上,也极有限。但就算如此,也不表示饮用水可以高枕无忧。实际上,最大的隐患来自于家用的马桶。古代人的家里,马桶可是必要的配备。如何清洗呢?若是直接在无人处倒掉,一来当时的人口密度不低,你倒,我也倒,最后只能让居住区臭气熏天;二来,倒完后,也应该用水清洗,所以一般倒垃圾的地方并不具备这个     

基于图论算法的微博好友圈及消息发布方案研究

以微博用户为顶点,建立用户关注关系的顶点赋权有向图模型,把寻找微博中的最大好友圈问题转化为有向图的最大有向完全子图问题,而选择发布某消息的用户数最少的方案问题转化为寻找有向图的最小支配集问题.采取用户间关注关系0-1矩阵及好友关系的无向图,应用启发式着色算法求解无向图中的最大完全子图,计算出最大好友圈.根据消息传播关联的0-1矩阵,应用有向图的最小支配集的优化算法,求解最小支配集,得出了发布某消息的用户数最少的方案.     

论《五镇的安娜》中人物关系的主体间性

英国作家阿诺德·贝奈特的《五镇的安娜》在人物关系上互为主体,其小说人物"特尔赖特——安娜""安娜——迈诺斯/威利"之间突显出一种主体间性。"特尔赖特——安娜"的关系表明主体间性的失衡,"安娜——迈诺斯/威利"的关系代表了主体间性的延伸,而贯穿主体间性始终的则是以安娜父亲为代表的父权意志。《五镇的安娜》对父权话语的反抗和对女性自由问题的探求,其目的和意义在于追求女性个体的自由,实现主体间性的平衡。     

SPQ-内射半模

设是右-半模,半模称为内射的,若任意的small-主子半模到的同态可扩张至到的同态.若是内射的,则称是内射半模.本文给出了内射半模的定义并刻画其相应性质.     

基于卷积图神经网络的多粒度表示学习框架

卷积图神经网络（Convolutional Graph Neural Network,ConvGNN）以其强大的表达能力被广泛应用于社交网络、生物网络等领域的网络表示学习中，多粒度网络表示学习已被证明能够改善已有网络嵌入方法的性能，但目前尚缺乏以改善ConvGNN性能为目标的框架.针对此问题，提出一种基于ConvGNN的多粒度网络表示学习框架M-NRL，分为四个模块：粒化模块、训练模块、推理模块和融合模块.粒化模块构造从细到粗的多粒度网络并保留不同粒度节点的属性和标签信息，训练模块在最粗粒度的网络上以端到端的方法训练任意一种ConvGNN并优化其模型参数，推理模块使用优化后的ConvGNN推理出不同粒度网络的节点表示，融合模块采用注意力权重聚合不同粒度的节点表示以产生最终的节点表示.在四个公开引文网络数据集上进行的半监督节点分类任务验证了M-NRL的有效性，实验结果表明，MNRL不仅能加速现有ConvGNN的训练，还可以增强其最终的表示质量.