汉语无定NP作主语的指称类型研究

名词性成分的指称问题一直是学界关注的热点,这不仅因为它的重要性,也在于它的复杂性和交叉性。本文选取无定NP作主语的指称类型作为考察重点,对前人研究进行梳理的同时,提出对名词性成分作主语的指称类型的研究不能仅从名词性成分本身入手,而必须放到更大的语境中考虑。有定/无定在汉语这样缺乏定式动词的语言中十分重要,但有定性的落实并不一定在句首的名词性成分上。若主语在形式上是无定的,那么后面的谓语不能是简单形式,必须足够复杂,以提供辨识无定NP主语的细节信息。     

众创空间空间分布的关联性与影响因素研究

众创空间作为创客活动的物理层面的载体,其发展受到空间因素的影响。为研究我国众创空间区域分布格局特征与影响因素,研究以1977家国家级众创空间为样本,使用Geoda95i软件绘制了四分位分布图,计算了全局Moran指数和局部Moran指数,使用多元统计方法分析了众创空间区域分布的影响因素,得出以下结论:第一,众创空间空间分布存在正的空间相关关系,呈现出一定的集聚效应;第二,不同区域空间溢出效应存在较大差异,依据各省份Moran指数和相邻省份Moran指数平均值,可将31个省份划分为众创空间的"高地""洼地""贫瘠地"和"孤岛"4种类型;第三,经济层面的GDP和技术层面的有效专利指标是推动省域众创空间发展的重要动力,政策层面因素对省域众创空间发展影响并不明显;第四,各省市众创空间建设应考虑到经济发展水平以避免盲目发展,应加强区域协同以提升溢出效应。     

一维水平自发渗吸无因次模型及其数值解

对影响渗吸特征的油藏参数进行归整, 导出考虑毛细管回压的一维自发渗吸问题无因次模型。该模型选取水相归一化饱和度和无量纲压力作为主未知变量, 毛管压力函数只在模型的一个偏微分方程中出现, 便于数值求解。在求解该模型的全隐式守恒型差分格式中, 对两邻点间饱和度函数取平均饱和度下的值, 就可以得到该问题的数值解。通过对幂律型相对渗透率和毛管压力曲线情形下此模型数值解的讨论, 指出前人关于一维不可压自发渗吸问题解析解所用的假设条件只对纯逆向渗吸有一定的适用性。通过多个同逆并发渗吸算例, 得到油藏参数变化对渗吸动态特征影响的初步认识。     

印以关系发展:印度由“不结盟”转向“亲西方” ?

2021年11月2日,印度总理莫迪在英国格拉斯哥《联合国气候变化框架公约》第26次缔约方大会(COP26)期间与以色列总理贝内特举行了首次正式会晤。两国领导人回顾了双边战略伙伴关系,承诺在高科技和创新领域进一步扩大合作。贝内特称莫迪为“以色列最受欢迎的人”,并感谢后者为“重启印度文明和犹太文明间的深厚关系”做出贡献。     

无零因子的EP-内射环

对EP-内射环作等价刻画,利用无零因子条件,得到若干等价条件,并得出:若R是无零因子环,则R是左EP-内射环当且仅当R的任意主左理想都是EP-内射的。推广了相关结果。     

基于复杂网络的国际石油贸易关系定量研究

针对如何更加准确地评价国际石油贸易关系问题，开展了将该贸易关系进行网络化和结构化的特征指标量化分析研究。研究中以复杂网络理论进行网络化建模，以结构平衡理论进行定量分析，采用了计算聚类系数、平衡度等关键指标进行年度基准对比。获得了国际石油贸易关系网络随着贸易者数量的增加尤其是进口国数量增加，网络的聚类系数变大，平衡度值增加，整个贸易网络平衡性变差，贸易关系变得更加紧张这一结论。本研究采用网络化和结构化的方式进行关系评价，是将石油贸易关系的研究从定性推进至定量的有益尝试。     

基于氩等离子处理的阻变氧空位调控探讨

以氩气等离子处理为优化工艺,通过其对ZnO阻变薄膜中氧空位缺陷的影响,来改进ZnO薄膜阻变特性。等离子处理范围减小和处理时间延长有助于阻变特性的稳定,以及阻变工作电压的降低。为了降低阻变工作电压及抑制随机性,最终确定的等离子处理条件是时间不超过45 min,处理范围介于0.8 mm×0.8 mm和0.9 mm×0.9 mm之间。主要的阻变工作电压均在3 V以下,适合低功耗器件应用。并结合处理条件和表面粗糙度等测试结果进行了讨论。     

拜登政府中东政策的“变”与“不变”

无论有多么留恋、多么不甘心,特朗普1月20日必须离开白宫。最后时刻,国务卿蓬佩奥、总统顾问库什纳不辞劳苦穿梭于中东各国之间,竟然促成摩洛哥与以色列建交。显然这不是选举操弄,而是对外交遗产的抢攻,中东被特朗普政府视为任期内最闪亮的外交成就。但是,拜登誓言铲除特朗普的外交遗迹,让特朗普在美国外交史上无立足之地,使得奥巴马之后紧接着就是拜登的名字。但拨开政治斗争、情绪对立的浮云,不论拜登嘴上是否承认,新政府中东政策都将具有相当大的延续性,把特朗普中东政策推回去的空间不大,"不变"是主流、本质和内容,"变"是支流、表面和形式。     

基于深度无监督学习的图像分类算法

为了取得精确的图像分类效果,一方面需要提取大量的图像特征数据进行样本分析,另一方面大量的数据又造成了维数灾难.因此,为了解决信息全面与维数灾难的矛盾,引入了深度学习.深度学习利用分层结构处理复杂的高维数据,可以完成复杂函数的逼近,是一类具有多层非线性映射的学习算法,但深度学习模型优化困难且对隐层参数敏感.针对上述问题,将无监督算法引入深度学习,这种学习方法无须人工设计特征提取数据,训练过程中样本标签是未知的.实验表明,该算法在不影响图像分类效果的前提下,可以大大降低计算复杂度,具有一定的时效性.