关于特征函数T(r,f)与T(r,1/f)的关系

本文研究亚纯函数f(z)与1/f(z)的特征函数T(r,f)与T(r,1/f)之间的关系。由Jensen公式推导出了它们的关系式,从而证明了特征函数T(r,f)与T(r,1/f)之间只相差一个常数。     

关于Dirichlet级数的一个注记

本文对一类Ｄｉｒｉｃｈｌｅｔ级教给出了的关系，此处Ｘ（Ｘ）＝Ｘｐ（Ｘ）是实数集合Ｐ的特征函数．     

论《化学》课在高职教育中的作用及改革

当前许多学校削弱化学课的教学，这必将对学生素质的培养产生长远的负面影响。为了适应时代发展的需要，化学课教学必须深化改革。在教学内容上，适当降低理论高度；根据本专业的需要以及社会关注的热点，选择应用性强、新科技含量高的基本知识；提高实验课的比例和效果。在教学方法上，注意调动学生主动学习的积极性，使学生在学习的过程中，知识水平和能力得以同步提高。     

也谈分段函数的初等性

主要讨论一类能表示成最大值函数、最小值函数的分段函数的初等性。证明了只要能表示成最大值函数或最小值函数的分段函数一定是初等函数。     

关于正值函数无穷积分收敛性判别法的讨论

文 [1 ]给出了非负函数无穷积分收敛性的几个判别法 ,本文给出了比文 [1 ]判别法更精细的一个判别法 ,同时 ,通过与文 [1 ]中判别法的比较 ,说明它比文 [1 ]中的判别法都强 .     

Authorware制作课件解疑及操作技巧

介绍了Authorware软件使用过程中的一些常见问题并给出了具体的解决方案 ;说明了在Au thorware软件使用过程中如何利用一些操作技巧     

浅谈大学引领社会发展的途径

阐述了新形势下大学职能的新变化。从为社会培养高素质的人才、进行科研创新以促进社会经济的发展、利用智力优势参与政府政策的制定等方面探讨了大学引领社会发展的各种途径。     

基于GIS的生态功能区划在生态城市建设中的应用——以陕西省凤县为例

在对目前生态功能区划众多方法进行比较的基础上,将GIS技术应用到陕西省宝鸡市凤县生态功能区划中。根据研究区生态环境要素、生态环境敏感性及生态服务功能的差异,把区域划分成四个不同的生态功能区,即北部森林生态重点保护区,中部林、药、养殖、矿产限制开发区,中部粮、椒、果、城镇与贸易重点开发区,南部生物多样性保护与生态旅游区,并综合考虑区域实际情况进行深一步规划研究。     

论网络环境下图书馆职能的变化

根据由于电子信息网络的发展状况,论述了网络图书馆职能的变化。     

Finding finer functions for partially characterized proteins by protein-protein interaction networks

Based on high-throughput data, numerous algorithms have been designed to find functions of novel proteins. However, the effectiveness of such algorithms is currently limited by some fundamental factors, including (1) the low a-priori probability of novel proteins participating in a detailed function; (2) the huge false data present in high-throughput datasets; (3) the incomplete data coverage of functional classes; (4) the abundant but heterogeneous negative samples for training the algorithms; and (5) the lack of detailed functional knowledge for training algorithms. Here, for partially characterized proteins, we suggest an approach to finding their finer functions based on protein interaction sub-networks or gene expression patterns, defined in function-specific subspaces. The proposed approach can lessen the above-mentioned problems by properly defining the prediction range and functionally filtering the noisy data, and thus can efficiently find proteins’ novel functions. For thousands of yeast and human proteins partially characterized, it is able to reliably find their finer functions (e.g., the translational functions) with more than 90% precision. The predicted finer functions are highly valuable both for guiding the follow-up wet-lab validation and for providing the necessary data for training algorithms to learn other proteins.