课程文献中心 更多>>

关键词： 思维导图   初中地理   教学方法  

摘要： 文章探讨了思维导图在提高初中地理课堂教学效率中的策略。研究将课堂分为三个阶段:课前引入、课堂教学及课后复习,并分析了在每一阶段应用思维导图的方法及其优势。在课前引入阶段,思维导图帮助学生建立知识框架,提高注意力与理解力;课堂教学中,思维导图可促进信息的组织和记忆,增强学生的参与度;课后复习阶段,思维导图有助于巩固知识,提升反思与应用能力。通过这些策略,学生能够更有效地掌握地理知识,提高学习效率和兴趣。文章旨在为地理教学提供实用的工具,推动教学方法的创新。

关键词： 变后掠翼   第三代   战斗机   超视距导弹   苏联   配备  

摘要： 米格-23是苏联米格设计局研发的变后掠翼战斗机,属于第三代喷气式战斗机。它是苏联第一款配备下视/下射雷达的战斗机,也是首批配备超视距导弹的战斗机之一。

关键词： 无监督学习   降维   图优化   时间复杂度  

摘要： 基于图的无监督降维是当前机器学习领域的研究热点,本文主要介绍了典型的基于图的无监督降维算法及其研究进展。首先,介绍了图的定义及其构造方法。然后,从4个方向介绍了12种经典及前沿方法,包括图固定的无监督降维算法、图固定的快速无监督降维算法、图优化的无监督降维算法和图优化的快速无监督降维算法,并对其进行了分析和总结。最后,对基于图的无监督降维技术的未来研究方向进行展望和总结。

关键词： 暴雨过程   区域自动气象站   空间类型   强度评估  

摘要： 区域自动气象站的广泛应用极大地提高了当前气象监测的覆盖面和精密度,能够为中小尺度灾害性天气监测预警和区域气象服务、气候分析等科研和业务应用提供重要的数据支撑。本文基于2015~2021年厦门市国家气象站和区域自动气象站逐日降水资料,对厦门市暴雨空间范围、强度和天气背景等进行分析,得到如下主要结论:(1)基于各区观测站点的面积权重,研制了暴雨过程空间范围划分指标,根据过程日最大值将暴雨过程划分为局地暴雨、部分暴雨、大部暴雨及全域暴雨;综合考虑评估因子之间的独立性及站点非均匀分布,基于不同量级暴雨站数和致灾影响,研制了暴雨过程强度评估指标,利用百分位法确定暴雨过程强度等级,实现暴雨过程空间范围和强度的紧密关联。(2)受山、海、湾、城地形地貌特点影响,厦门市降水的区域非均匀、局地性特点突出,平均年降水量、暴雨频次分布呈现从沿海向内陆递增,暴雨频次与地形的分布密切相关。(3)2015~2021年期间,共出现局地、部分、大部及全域暴雨过程106、37、16和5场;各月均出现暴雨过程,但集中于主汛期5~9月,以6月和8月为最多;164场暴雨过程包括特强、强、较强和一般强度分别为8、24、33和99场,总强度和平均强度均以2016年居首位、2020年最弱,8场特强暴雨的空间范围均在大部以上,而99场一般暴雨均为局地暴雨。(4)部分暴雨以上过程的典型影响系统包括冷空气活动、台风等热带低值系统、偏南气流、热带辐合带北抬、低层切变线及强对流等,大部以上特别是全域暴雨则主要由冷空气活动及台风(含热带低压)造成。在简述大部以上暴雨类型天气背景基础上,对2015年12月9日的罕见冬季全域特强暴雨进行了详细分析。本文所得结果可为开展监测评估、预报预警和精细化气象服务提供参考。

关键词： 因子图   多源融合导航   鲁棒自适应优化   传感器故障   预积分  

摘要： 在实际导航过程中,多源融合导航系统的传感器会随应用场景的变化出现量测精度变化的情况。针对传统因子图算法优化过程中无法处理传感器量测精度动态变化的问题,提出了一种基于自适应评估的鲁棒因子图算法。通过引入量测信息评估指标和自适应权重函数,动态调整因子图融合优化时的实时计算惯性预积分预测值与辅助传感器量测值的残差,动态调整对应因子节点的融合信息权重。与传统因子图算法相比,该算法在辅助传感器量测信息异常时能提升因子图算法的优化精度与鲁棒性。仿真实验结果表明,在辅助传感器出现量测误差时,和传统因子图算法相比,所提出的基于自适应评估的鲁棒因子图导航算法具有更高的鲁棒性和精度。

关键词： 幂函数阻尼   平均法   等效线性阻尼   振动控制  

摘要： 分析了含幂函数阻尼的单自由度系统在简谐激励下的受迫振动。通过平均法与等效线性化,推导了等效线性阻尼的表达式。研究发现,非线性阻尼的减振效果与其系数和指数密切相关。进一步得到了主系统振幅和相位的定常解,通过数值仿真验证了定常解的正确性。通过等效线性阻尼的变化曲线和幅频响应曲线,分析了影响非线性阻尼减振效果的因素。研究表明,阻尼比的增加会使共振峰值左移,提高了减振性能,但需在适当范围内控制阻尼比以实现最佳减振效果。此外,阻尼比较小时阻尼指数的增加能增强阻尼作用,但过大的阻尼比会导致非线性阻尼减振效果低于线性阻尼。该研究为结构减振设计及优化提供了重要依据和理论基础。

关键词： 以临床应用为导向   规培医师   心电图   实践教学   效果探析  

摘要： 本次研究探讨了基于以临床应用为导向的规培医师教学方法在心电图实践教学当中的实际应用效果及其对规培医师学习成效的影响。方法 此次研究选择了某医学院校(南方医科大学中西医结合医院)2023级学习心电图相关课程的48名规培医师作为研究对象,将24名规培医师随机分为对照组和实验组,对照组采用传统教学法,实验组采用临床导向教学法。教学后,比较两组在心电图理论知识、辨识技能、学习投入和教学满意度方面的差异。结果 两组规培医师在教学开始前心电图理论知识以及心电图辨识能力差异较小,不具备统计学意义。在教学结束后,两组学生的心电图理论知识掌握程度都得到了一定程度的提高,但是实验组心电图理论知识以及心电图辨识都显著优于对照组规培医师,差异显著具有统计学意义。实验组在行为、认知、情绪投入及总分方面显著优于对照组,差异显著(P<0.05)。结论 在临床医学心电图教学使用以临床应用为导向的教学方法可以有效提高规培医师对心电图相关知识的掌握程度,有效提高学生的学习投入度,学生教学满意度较高。证明以临床应用为导向的规培医师教学具有良好的应用价值和推广效果,值得在未来教学实践当中进一步推广使用。

关键词： 心律失常,心性   心脏起搏器,人工   心电描记术   心电描记术,便携式  

摘要： 目的研究12导联心电图与24 h动态心电图应用于起搏器植入患者检查中的价值。方法以本院2022年3月至2024年3月110例起搏器植入患者为研究对象,所有患者均接受12导联心电图与24 h动态心电图检查,比较2种检查方式对起搏器功能异常、心肌缺血、心律失常及心率变异性时域指标变化的检出差异。结果24 h动态心电图起搏器功能异常检出率47.3%(52/110)高于12导联心电图8.2%(9/110)(χ^(2)=41.940,P<0.05);24 h动态心电图心肌缺血检出率26.4%(27/110)高于12导联心电图6.4%(7/110)(χ^(2)=16.075,P<0.05);24 h动态心电图心律失常检出率49.1%(54/110)高于12导联心电图9.1%(10/110)(χ^(2)=42.660,P<0.05);24 h动态心电图心率变异性时域指标均高于12导联心电图(P<0.001)。结论24 h动态心电图检查灵敏度较高,可有效检出起搏器植入患者起搏器功能异常、心肌缺血、心律失常及心率变异性时域指标变化情况,值得推广。

关键词： 《便民图纂》   竹枝词   农事诗   耕织图诗  

摘要： 《便民图纂》作为一部记载和反映明代太湖地区农业生产状况的农书,在今天仍是较为重要的史料,而其中的竹枝词较少单独被人研究,又具有与其他文学文本不一样的文学风格及语言特色,较为集中地体现了明代农事诗特色和对以往竹枝词的继承,且与彼时的社会文化环境存在相互作用的关系。本文通过研读《便民图纂》的竹枝词,分析其反映出的明代思想文化观念,并与作为蓝本的楼璹耕织图诗进行对比以分析其文学特色,结合具体文本与实际情形对《便民图纂》竹枝词的价值进行解读。

关键词： 图像分类   因果发现注意力   CA-GAT模型   BreaKHis数据集  

摘要： 乳腺癌是全球女性最常见的恶性肿瘤,对其发病机制和特性的深入研究对预防、早期筛查和治疗至关重要。本研究旨在通过提出一种新的因果发现注意力图神经网络(CA-GAT)模型,来提高乳腺癌图像分类的准确性和效率。首先,分析了现有图神经网络(GNN)在乳腺癌图像分类中的问题,特别是快捷特征与因果特征的混杂关系。为了解决这一问题,我们提出了CA-GAT模型,该模型通过三个主要部分:软掩模估计、混杂解开和因果干预,来强化因果特征与预测之间的因果关系。在BreaKHis数据集上进行实验,评估了CA-GAT模型的性能。实验结果表明,CA-GAT模型在乳腺癌图像分类任务中取得了93.8%的分类精度,显著优于其他传统GNN模型和深度学习模型。此外,通过Micro F1分数和Macro F1分数的比较,进一步证明了CA-GAT模型在分类准确性和类别间平衡性能上的优势。本研究提出的CA-GAT模型有效地提高了乳腺癌图像分类的准确性,为乳腺癌的诊断和治疗提供了一种新的工具。未来的工作将集中在进一步优化模型结构和探索更多实际应用场景。Breast cancer is the most common malignant tumor among women worldwide, and in-depth research on its pathogenesis and characteristics is crucial for prevention, early screening, and treatment. This study aims to improve the accuracy and efficiency of breast cancer image classification by proposing a novel Causal Discovery Attention Graph Neural Network (CA-GAT) model. The research begins with an analysis of the issues faced by existing Graph Neural Networks (GNNs) in breast cancer image classification, particularly the confounding relationship between shortcut features and causal features. To address this issue, the CA-GAT model is introduced, which reinforces the causal relationship between causal features and predictions through three main components: soft mask estimation, disentanglement of confounders, and causal intervention. Experiments were conducted on the BreaKHis dataset to evaluate the performance of the CA-GAT model. The results demonstrate that the CA-GAT model achieved a classification accuracy of 93.8% in breast cancer image classification tasks, significantly outperforming other traditional GNN models and deep learning models. Furthermore, comparisons of Micro F1 scores and Macro F1 scores further confirm the CA-GAT model’s advantages in classification accuracy and balanced performance across categories. The CA-GAT model proposed in this study effectively enhances the accuracy of breast cancer image classification, providing a new tool for the diagnosis and treatment of breast cancer. Future work will