波司登发布2009／2010秋冬成衣流行趋势“品·味”四季服装首登T台

第17届中国国际服装服饰博览会（CHIC 2008）在中国国际展览中心揭幕。在精彩纷呈、目不暇接的时尚盛宴中,3月28日,今年已经是连续13年发布流行趋势的波司登品牌让众人眼前一亮。作为中国防寒服行业的领军品牌,此次波司登改变以往的单品发布形式,     

洛丽塔风格服装研究

洛丽塔风格服装在近几年流行服饰中一直占主导地位。追溯其本源,解读洛丽塔风格服装多种风貌形成的原因、特征以及它流行的原因,可以加深对服装风格内涵的理解,从而丰富服装设计的艺术表现形式。     

传统文化与流行文化在思想道德修养与法律基础课中的应用

思想道德修养与法律基础课是对大学生进行思想道德和法律教育的主渠道。为应对思想价值观念多元化对该课程的政治功能和教育功能带来的冲击,提高其教学的针对性和实效性,应重视流行文化的积极影响和传统文化的基本精神的完美结合,深入分析其教学地位和传统文化、流行文化的内涵,探讨传统文化与流行文化的育人功能,着力在教学内容、教学方式、教学理念方面深化改革,从而提升大学生的人文综合素养。     

烹饪专业课程改革与重构的探索

传统的烹饪职业教育"三段式"模式随着时代的发展已越来越显示出它不足的一面,面对现代市场的需求,烹饪专业课程的改革已十分迫切。突破传统的学科体系,重新构建充分体现"三以一化"的课程体系是职业教育的当务之急。通过我们近几年的烹饪教学实践,真正地感受到项目课程教学的无穷魅力,使教师的"教"与学生的"学"都取得了明显的效果。     

"V好"的语义类型与"好"的语法化

现代汉语"V好"结构存在短语和词两种类型.短语的"V好"词汇化后,在语义上存在表结果和表状态两种类型;表结果的"V好"中的语素"好"的语义是形容词"好"的语义遗留.随着"好"的语义泛化,表状态的"V好"的"好"的语义彻底虚化.这种演变过程就是"好"的语法化.从短语"V好"发展为表结果的"V好"再到表状态的"V好",词义...     

温度和初始颗粒大小对絮体破碎再絮凝的研究

鉴于絮体的形成/破碎/再絮凝过程在适当条件下具有强化去除水中颗粒物的效果,研究温度和初始颗粒大小对絮体破碎再絮凝去除水中颗粒的影响.采用PDA2000透光率脉动检测仪对絮体破碎再絮凝过程进行在线监测.结果表明,在较低温度条件下,絮体破碎后能有较大的恢复率;初始颗粒越大,絮体大小恢复率越高,由较小初始颗粒产生的絮体经破碎后再絮凝其再生能力不如大颗粒,沉后水浊度与大颗粒相比不具有降低优势.当电中和机理占主导作用时,絮体破碎后能重新絮凝,絮体大小能恢复到破碎之前;而当网捕卷扫机理占主导作用时,絮体的恢复能力不如电中和条件,再絮凝能力降低.絮体破碎后再絮凝的沉后水浊度明显低于破碎前,水温对其结果的影响不大.絮体破碎后再絮凝,适用于较大的初始颗粒和较低水温.     

微博信息流行度预测研究综述

微博的出现改变了传统的信息传播方式。文章针对微博流行度预测的一系列问题展开综述。在对微博流行度预测问题进行定义的基础上, 从微博内容、用户信息和网络结构3方面对影响微博流行度的主要因素进行介绍,对基于时间序列、基于流行病模型、基于分类模型和基于回归模型的4种微博信息预测主流方法进行比较,指出流行度预测未来的研究方向主要集中在时间粒度的划分、最小观测时间的确定、微博流行度的动态预测等方面。该研究对信息检索、舆情研判、企业营销等具有重要意义。     

基于流形学习的高光谱图像非线性降维算法

针对高光谱图像同一像元内存在多种地物种类,且地物之间具有多重反射,导致高光谱数据的非线性,采用传统的线性降维算法效果不佳等问题,提出利用流形学习的方法来寻找嵌入在高维观测数据空间的低维光滑流形,实现高光谱数据的非线性光谱降维。模拟和真实高光谱遥感数据实验结果表明,与传统的线性降维方法 PCA相比,经过等距映射、局部切空间排列等流行学习算法降维后的高光谱图像具有更好的光谱端元可分性。     

动作识别中基于深度神经网络和GA合并算法的分类决策方法

针对人体动作识别中传统方法在分类决策方面存在问题和缺陷,提出了一种新颖的基于深度神经网络(DNN)和遗传算法(GA)合并算法的非线性分类决策方法。首先,提出的合并算法在整个训练集合上对特征提取器进行组合,进而组合成不同的两个独立网络;再利用DNN对两个独立网络进行初始化,进一步利用GA对两个网络进行合并。然后将网络的偏差和权重表示为每层网络间的一个矩阵;最后,利用DNN对网络的偏差和权重进行训练,并在合并过程中将矩阵中的每一行当作一个染色体。实验采用了标准MNIST数据集对提出算法的性能进行评估。评估结果显示实验过程中的交叉和突变操作增加了神经元节点,提高了识别性能,并且弱化了不相关和相关神经元节点。因此,提出算法的错误率更低,网络性能更优异。     

一种融合引力影响的新的矩阵分解推荐方法

矩阵分解运用于推荐系统受到越来越多的关注,改进算法也层出不穷,这些算法都面临预测精度不足,收敛速度过慢和不适用于大数据量的推荐系统等问题.针对上述问题,提出一种基于引力影响的矩阵分解推荐方法,物品影响力对推荐系统提高推荐精度具有重要的意义.基于物品流行度和物品质量的高低对用户评分的影响,通过引入物品对用户的引力,实现基于矩阵分解的引力推荐算法.实验表明:在用户没有任何历史行为的情况下也可以做出比较合理的推荐,迭代20次就能达到较好的收敛效果,且在推荐精度上有了明显的提高,并且该算法可适用于数据量大的推荐系统.