离子型稀土矿山生态保护修复思路与实践——以赣江流域为例

党的十九大报告提出统筹山水林田湖草系统治理,对我国开展生态文明建设提出了新要求。矿山作为“山水林田湖草”中的重要元素之一,其生态环境质量直接影响山上山下、乃至流域上下游的生境质量。在不同类型的矿山中,稀土矿山由于稀土富存、稀有且产品价值高,是我国重要的战略资源集中地。其中,离子型稀土矿富含我国独有的中重稀土资源,被列为国家保护性开采的特定矿种。但是,由于保护性开采相关制度滞后、无序开采及离子型稀土矿山开采工艺、冶炼技术等特殊性,导致矿山生态环境破坏严重,生态修复治理难度较大。本研究在系统梳理离子型稀土矿开采工艺技术及由此产生的环境问题基础上,总结不同修复技术的特点及适用范围,提出面向流域的离子型稀土矿山生态保护修复的思路与建议。以赣江流域为例,总结赣江流域离子型稀土矿山生态保护修复的实践经验,提炼生态保护修复模式,为我国离子型稀土矿山开展流域生态保护修复工作提供参考。     

应用于微小型比赛机器人平台的嵌入式视觉处理模块的设计

比赛机器人往往需要自己的视觉处理模块,本文提出了一种基于AT91RM9200微处理器与Armlinux系统,采用USB摄像头作为图像采集设备的解决方案,详细介绍了该模块的软硬件的设计。     

论企业生存之道——人力资源开发途径

现代社会日新月异,经济呈现跨越式发展,推进产业结构优化升级,转变经济发展方式,提高自主创新能力,实现综合国力的飞跃,每一个宏伟目标都对人力资源开发提出了新的要求。全球进入知识经济时代,企业经济的增长不仅仅依靠有形资源,依赖有效的知识积累实现增长开始成为主流,只有充分进行人力资源开发,才能实现企业资源合理配置;只有不断注入新鲜血液,才能使企业永葆青春,可持续发展。     

论人才外流与人力资本的累积

人才外流问题及其对经济的影响是目前发展中国家,即人才流出国所关注的重要问题。本文从人才外流的内涵着手,阐述了人才外流的意义和其与人力资本累积间的关系,列出了人才外流的缺陷,叙述人才外流与人力资本累积之间的关系。为目前学者提供相关参考依据。     

人力资源与社会保障的发展探究

人力资源与社会保障工作是促进我国经济发展和社会不断进步的重要内容,因此要受到各界的广泛关注和重视。本文首先阐述了我国人力资源和社会保障的发展历程和成就,第二部分,分析了当前我国人力资源与社会保障工作面临的新形势,最后一部分,本文提出了推动我国人力资源与社会保障工作的相关对策和建议。     

综合优化神经网络算法

以多项式函数作为神经元的激活函数,结合矩阵伪逆的思想预先确定网络权值,并利用区间折半搜寻法自动优化隐层神经元数。通过对Hermit函数的仿真,充分显示了综合优化神经网络算法对函数具有较好的逼近。     

GIS典型缺陷的局部放电超高频检测及模式识别

为了解决GIS局部放电带电检测难题,采用了超高频法,以GIS试验设备为对象,设计和模拟了GIS中自由金属颗粒、悬浮电位体、母线金属尖端、外壳金属尖端、绝缘子表面金属颗粒和绝缘子气泡6种典型缺陷的模型,基于超高频法对其放电信号进行检测,提取了缺陷特征参数,应用支持向量机进行模式识别,进而对支持向量机的惩罚参数"C"和核函数参数"g"进行了粒子群优化。试验结果表明:不同缺陷类型的超高频信号在图谱和提取的数据中会呈现出不同的特征;在模式识别中,粒子群方法优化支持向量机展现出了比支持向量机更好的鲁棒性和泛化能力。     

中职计算机案例教学运用探讨

案例教学是一种启发式、参与式的教学方式,能调动学生的积极主动性,激发学生的学习兴趣。将案例教学引入中职计算机教学中具有优越性与可行性,正逐步成为计算机教学的一种新型方法。本文主要结合自身教学实践,谈谈中职计算机教学中案例教学的运用,并分析具体教学实践。     

关于二维主成分分析方法的研究

The principal component analysis (PCA), or the eigenfaces method, is a de facto standard in human face recognition. Numerous algorithms tried to generalize PCA in different aspects. More recently, a technique called two-dimensional PCA (2DPCA) was proposed to cut the computational cost of the standard PCA. Unlike PCA that treats images as vectors, 2DPCA views an image as a matrix. With a properly defined criterion, 2DPCA results in an eigenvalue problem which has a much lower dimensionality than that of PCA. In this paper, we show that 2DPCA is equivalent to a special case of an existing feature extraction method, i.e., the block-based PCA. Using the FERET database, extensive experimental results demonstrate that block-based PCA outperforms PCA on datasets that consist of relatively simple images for recognition, while PCA is more robust than 2DPCA in harder situations.