中国文学批评体系的生成——《文心雕龙》与早期文献中的文学观

对刘勰批评体系建构的探讨,是《文心雕龙》研究中最富有成效的学术领域之一.然而,从中国传统文学批评的内在连贯性或系统性出发,探讨这一系统性著作的研究却明显匮乏.用这种大视野来集中审视《文心雕龙》的文学观念,会有如下发现:从远古到汉代,中国文学批评形成了三种主要的文学观:以《尚书》为代表的宗教文学观,以《左传》和《国语》为代表的人文文学观,和以《毛诗序》为代表的教化文学观.刘勰继承了前人把文学理解为一个和谐过程的基本模式,重新认识了文学的性质、起源、思想和语言的形成及其功能,从而形成了自己的综合文学观.这四种文学观之间的联系揭示了一个复杂的批评体系.这驳斥了人们普遍认为的中国传统批评没有一个连贯体系的错误观点.     

一种联合采样的神经网络光场

相比传统的光场绘制技术,神经网络光场(NeRF)方法可使用神经网络拟合场景的光线采样,将隐式编码输入图片的光场,合成新视图. 针对NeRF方法训练时间长,绘制视图慢的问题,提出了一种基于联合采样的NeRF方法,通过使粗糙网络和细腻网络共享均匀采样结果的方法,减少了不必要的光线采样,从而加快了网络训练和视图合成的速度. 实验结果表明,在取得近似视图合成质量的情况下,与NeRF方法相比,所提方法的训练时间减少了20%,视图合成的效率提高了25%.     

基于自然语言生成的关联规则可视化方法

针对传统的关联规则蕴含式表示方式和图形可视化方法对非专家用户来说不易理解的问题,提出了一种新的基于自然语言生成的关联规则可视化方法。该方法将自然语言生成技术引入到关联规则可视化中,通过领域知识库中的解释模式将关联规则中每一项生成简单的自然语言句子,并经过句子规划、表层实现,最终生成流畅的自然语言句子。实验最终得出的结果,便于普通用户理解和应用,从而帮助用户获取更有价值的信息。     

基于Android平台的信息采集传输系统设计

研究基于Android平台的图文实时信息采集和传输问题。首先给出Android体系结构和Android应用程序的主要组件,然后结合铁路电务事故讨论系统的结构框架以及各模块的具体设计和实现。实验结果表明,该系统可有效提高铁路电务故障的排除效率。     

活性炭负载碳酸钡超声催化降解混合酚

为了显著地提高混合酚废水的去除率,采用活性炭负载碳酸钡(BaCO3/AC)作催化剂,与超声波联用降解混合酚(对甲酚、邻氯酚、对氯酚)。在降解混合酚过程中,在浸渍液浓度为0.025 mol/L,煅烧温度为750℃,活性炭投加量为10 g的制备条件下,优选出最佳催化剂。在催化剂投加量为2.6 g/L,超声功率为400 W, pH值为5.67,超声60 min的条件下,降解50 mL初始质量浓度为100 mg/L的混合酚,对甲酚、邻氯酚、对氯酚的降解率依次为97.74%、 98.01%、 98.39%。     

一种改进的动态核主元分析故障检测方法

针对复杂工业系统动态非线性故障检测过程精度低和计算量大的问题,提出了一种改进的动态核主元分析故障检测方法，该方法首先利用不可区分度剔除相关程度较小或者不相关变量,减少数据量，然后通过观测值扩展对筛选后的新数据构建增广矩阵，并对矩阵使用核主元分析提取变量数据的非线性空间相关特征，最后通过监测T ²和SPE 两种统计量诊断出系统发生故障及识别故障变量。仿真实验证明，该方法能对风力发电机故障进行有效监测和诊断，与KPCA方法相比，改进的动态核主元分析方法对微小故障更为敏感。     

基于J2EE的高校人事管理信息系统

为解决当前高校人事管理信息中存在的业务流程复杂,灵活性大的问题,研究了基于J2EE的高校人事管理信息系统,详细讨论了系统架构和功能模块设计以及关键技术实现。系统采用Struts2+Spring+Mybatis的轻量级框架组合技术,对系统进行分层设计,最终实现的系统功能完善,具有良好的扩展性和稳定性。     

基于MVC架构的校园门户网站设计与实现

研究了校园门户网站的设计与实现问题。为搭建校园对外宣传和信息发布平台,提出了采用MVC+EF+HTML5技术搭建基于ASP.NET平台的重点中学校园门户网站,该解决方案实现将业务逻辑和数据表示相分离,便于网站的后期维护和功能完善。     

形式背景中概念及约简的动态更新方法

概念格作为一种知识结构被广泛应用于现实生活中的许多方面,当数据为动态时,形式概念的更新是不可避免的,概念的更新既是知识的补充也是信息的融合。文中主要研究了在形式背景中添加单个属性或多个属性时概念的更新方法,讨论了属性约简和图的极小顶点覆盖在增添属性之后的变化情况;探讨了将动态添加属性放入决策形式背景中时,非冗余规则的提取和优化问题;在保持规则前件不变的条件下,研究了动态增加决策属性时,非冗余规则是如何变化的。     

基于广义分形插值理论的多尺度分类尺度下推算法

多尺度数据挖掘多应用于空间遥感图像数据,以图像的分辨率或者区域分割为依据进行尺度划分,然后在每个尺度层进行分析。近期,有不少学者将多尺度数据挖掘应用于一般数据集上,以等级理论、概念分层和包含度理论尺度划分等为尺度划分依据,研究不同尺度层的分布规律,进而发现有意义的事实,如多尺度关联规则以及多尺度聚类。但是在一般数据集下,很少将多尺度数据挖掘应用于分类算法领域。本文定义了广义分形插值理论的概念,打破了局限于迭代函数系统IFS(Iterative Function Systems)的缺憾,拓展了分形插值的应用;提出了基于广义分形插值理论的多尺度分类尺度下推算法MSCSDA(Multi-Scale Classification Scaling-Down Algorithm);仿真实验建立在4个UCI基准数据集和1个H省部分人口真实数据集上,并将MSCSDA与KNN、Decision Tree以及Libsvm算法进行对比分析;实验结果表明,MSCSDA算法在不同的数据集上,均优于其他算法。