刍议大学英语词汇教学方法谈

学习英语,必定要过词汇关。怎样识记英语词汇,成为英语学习中的一大难题,怎样教会学生识记英语词汇,也是教师在词汇教学中的难题。因此,教师在英语语言教学中也要把握词汇教学的主旨,有效地帮助学生记忆并掌握词汇的用法,才能确保学生英语水平的提高。     

认知科学的某些计算理论

本文简述认知科学的历史，定义和范围，评论感知觉，学习和记忆的一些现代理论模型，提出若干有待进一步解决的关键问题。     

学习生物学的记忆方法

帮助学生掌握与运用记忆的方法,是教学的一项重要任务,要提高学习生物学的效率,应该学会良好的记忆方法.学习高中《生物》的有效记忆方法有联想记忆法、观点记忆法、排除记忆法、突出重点记忆法、应用记忆法、比较记忆法等.     

萤火虫的记忆

那年夏天,成都的天空看上去很蓝,阳光细碎而明亮,白色的云朵像棉花糖一样泛着甜蜜。一个怀揣着梦想的女子,无忧无虑,快乐而充实地行走在这个城市的大街上。     

文化在九十年代汉诗中的处境

本文通过文化记忆和文化经验和九十年代汉语诗歌中的呈现，特别是以解读大陆青年诗人、翻译家马永波的长诗《电影院》为契机，分析了目前大陆先锋诗歌所遭遇的批评、误读、失语状态，从而阐释了汉诗面对已经过去的九十年代存在的独立美学意义、文本价值、艺术倾向和必须面对的文化与审美缺陷。在此基础上提出了人道关怀的艺术主张。     

借助对称语言的作用,加强函数概念的识记

数学记忆是数学学习的重要一环，离开了记忆，学生的数学能力就不可能得到发展．因此，教师要了解学生的记忆特点，采取相应的策略，运用记忆规律，在数学教学中启发学生的记忆思维，提高学生对数学知识的记忆效果．数学概念较多，又较抽象，如何提高学生的识记效果，在教学中借助了对称语言的作用，使教学收到了良好的效果．     

浅谈当代中国陶艺创作思维的基本状态

90年代，中国陶艺创作面临着这样一个时代背景：中国艺术进入一种社会的转型期，在这一时期，中国艺术被不设防的带入一个这样的时空，技术理性、消费主义和权力话语共同控制的世界，一个后殖民生产和重建民族文化记忆的年代．中国艺术家所面临的是一个前现代、后工业社会，本土化、全球化、民族化、世界化等各种因素共时共存的复杂世界，以及这个世界特有的文化、社会问题。而值得中国陶艺界思考的问题是：我们的陶艺究竟应谊以什么样的文化品位面世，选择什么样的题材，以什么样的表达方式呈现?是以西方社会审美标准和兴趣为基础，还是以中国传统审美习惯为基础，或是以现实中国社会转型期复杂的审美心理为基础呢?     

基于LSTM网络的车辆动态荷载识别方法

为了识别车辆的动态荷载,提出了一种基于长短时记忆网络的方法.该方法以桥梁加速度响应为输入,采用有限的数据集,实现车辆动态荷载的识别.建立了车桥耦合模型进行验证,以60组桥梁加速度响应为输入,以相应的车辆动态荷载为输出,通过训练长短时记忆网络来反演车辆动态荷载,并讨论了环境噪声及路面粗糙度对识别效果的影响.结果表明：测试集的车辆动态荷载识别误差平均值均小于5%;车辆动态荷载识别误差不随噪声水平变化,且平均误差小于5%;车辆动态荷载识别误差随着路面粗糙度等级的增加呈现略微增加的趋势,平均误差小于5%.在不同噪声及粗糙度水平下,长短时记忆网络均可用于车辆动态荷载的识别.     

基于Bert股吧舆情分析的特征融合股价走势预测研究

传统股价预测模型往往只考虑时序性数据且局限于模型自身机制,而忽略舆情对股价的影响,导致预测精度不高,针对该问题,提出基于 Bert 股吧舆情分析的特征融合预测模型对股价收盘价进行涨跌幅预测。 首先,采用Bert 自然语言处理对股吧舆情以及公司公告政策进行情感分类,并转化为虚拟变量,构建金融舆情情感特征库;然后将金融舆情特征库和时序性数据合并构建特征融合矩阵;最后输入长短期记忆网络模型(LSTM)进行股价收盘价预测,并得出股价的涨跌结果。 以华银电力(600744. SH)为例进行实证分析,实验结果表明:引入股票情感特征后的模型,得到的股价走势准确率上升了 8. 63%,预测收盘价的回归指标 FMAPE FRMSE 分别下降了 23. 59%、22. 9%,R2 提高了 8. 11%,证明引入新的舆情情感特征在实际预测中能提高股价预测的准确率,可以作为精准预测股价走势的手段。     

基于词-标签概率的多标签文本分类研究

针对多标签文本分类任务中如何有效地提取文本特征和获取标签之间潜在的相关性问题,提出一种CNN(convolutional neural networks)结合Bi-LSTM (bi-directional long short-term memory)的模型.首先,通过CNN网络和最大池化提取文本的特征;然后,利用训练的Labeled-LDA(labeled latent dirichlet allocation)模型获取所有词与标签之间的词-标签概率信息;接着,使用Bi-LSTM网络和CNN网络提取当前预测文本中每个词的词-标签信息特征;最后,结合提取的文本特征,预测与当前文本相关联的标签集.实验结果表明,使用词-标签概率获取文本中词与标签之间的相关性信息,能够有效提升模型的F1值.