由两道高考数学真题解析引发的启示与思考

高考是无形的指挥棒,牵动着千千万万个家长、教师、学生的心,高考试题的示范性与导向性影响着高中数学课程教学的发展方向和深度控制,处于一线的高三数学教师与学生一直加强对高考数学真题的分析与思考,笔者在探析各地高考数学试题的过程中,偶然发现两道试题中部分问题的构思、情境创设、具体解析十分相似,由此也引发了不少启发与思考,现呈现给大家共享,旨在抛砖引玉,希望能够引起同仁们的进一步关注与思考,不当之处敬请批评指正.     

第17届次级离子质谱分析会议

本届会议于2009年9月14日至18日在加拿大Toronto市召开,由A Benninghoven作题为次级离子质谱分析历史的大会报告。特邀报告:(1)A Licciardello,分子材料的飞行时间-次级离子质谱分析——从聚合物到超分子系统;(2)Z Postawa,借助计算机模拟观察到原子簇轰击粒子的逐层深度剖析作用;(3)J Ohlhausen,飞行     

试谈数学活动的思维深度

课题"让学生获得基本活动经验的探索"为中国教育学会"十一五"规划课题"新课堂教学研究"子课题(编号:080419,主持人:唐传义、叶新和),其产生背景为东北师大史宁中校长在主持<义务教育课程标准>修订工作中提出,要将"总目标"中"双基"修改成"四基",即:让学生能够获得适应社会生活和进一步发展所必须的数学的基础知识、基本技能、基本思想、基本活动经验.     

基于Mamdani型模糊推理的震中烈度预测模型

对应用模糊推理进行系统预测进行了深入的研究,建立了以震级和震源深度为输入的基于Mamdani型模糊推理的震中烈度预测模型.并以四川地区震例数据为例,对数据信息提取,模糊规则建立等关键环节进行了详细的介绍,预测结果分析表明推理模型是可行和有效的.     

一类非线性波动方程位势井深度函数的连续性

本文研究一类非线性波动方程位势井深度函数的连续性.通过引入位势井深度函数并给出其性质,给出了位势井深度函数连续性的证明.而位势井深度函数连续性保证了在其基础上得到的位势井族有意义.     

改进的卷积神经网络源代码相似性度量方法

源代码相似性是指不同代码段功能上的相似程度,是软件工程领域一项重要的研究问题.现有的方法主要从文本、结构两方面,利用代码的统计学特征计算相似性,其最大缺点就是无法表达代码的语义特征.为解决此类问题,提出了一种融合统计信息的卷积神经网络（statistics information for code embedding convolutional neural networks, SICE-CNN）源代码相似性检测方法.该方法首先通过词嵌入对源代码进行信息表示,获取代码的词嵌入向量信息;其次,构建CNN训练模型学习源代码文档的嵌入表示;最后,计算源代码对的余弦相似值.实验表明,该方法和一般词嵌入方法相比提高了一定的性能,能较好地检测源代码的语义相似性.     

基于Mask R-CNN网络的磨损颗粒智能识别与应用

针对设备磨损故障诊断中磨粒识别技术难度高、工作主观经验影响大等问题,采用深度学习技术开展了磨粒智能识别的研究,提出了基于Mask R-CNN卷积神经网络的磨粒数字化表征方法. 该方法利用迁移学习训练基于Mask R-CNN网络的磨粒识别模型对图像中磨粒进行识别和实例分割,然后使用Suzuki85算法、迭代算法、等比例计算方法计算出磨粒的真实尺寸,解决了磨粒分析中难定量分析的问题. 结果表明:基于Mask R-CNN网络(采用R-101-FPN骨干网络)训练的磨粒识别模型可以对图像中多个异常磨损颗粒进行识别,综合准确率和召回率达到当前图像识别领域的主流水平. 辅以上述Suzuki85等算法,成功实现磨粒图像的定量评价分析,对促进设备故障诊断技术的自动化发展和工业应用具有一定的实际应用价值.      

深度剖析,寻求本质,发展思维——一道求最值题的分析

—、试题呈现如图1,已知矩形ABCD中,AB=1,AD=2,过点B折叠矩形纸片,使得点A落在矩形内的任意一点A'处,折痕为BE,连接A'D、A'C.     

数学实验:让数学学习深度发生——以“探索角平分线的性质”数学实验为例

作为数学知识探索和建构的重要方式,数学实验不仅能够增强学生的动手能力,激发学生数学学习的兴趣,促使学生获得更多亲历和体验数学探索的机会,而且有助于学生验证数学原理,进行深度思考,透过数学表象洞察数学本质规律,达到对知识的深度提取和迁移,获得数学学习力与数学素养的提升.然而,初中阶段的学生工具理性大于概念理性,形象思维大于抽象思维,致使初中生在数学实验探究时对相关知识的理解往往处于浅层学习状态,因此,如何结合数学实验的实践特征,促使学生发生深度学习具有重要的意义.     

基于DCGAN的拉曼光谱样本扩充及应用研究

拉曼光谱检测方法依赖于化学计量学算法,深度学习是当下最炙手可热的方向,可应用于拉曼光谱进行建模。但是深度学习需要大样本进行训练,而拉曼光谱采集受制于器材和人力成本,获取大批量的样本需要更大成本,且易受荧光等因素干扰,这些问题都制约了将深度学习应用于拉曼光谱。针对以上问题,通过引入深度卷积生成对抗网络（DCGAN）提取拉曼光谱内部特征,对抗生成新的拉曼光谱,从而达到扩充数据集目的。同时和另一个扩充数据集的方法--偏移法进行对比,证明DCGAN的可靠性。设计生成光谱选取标准,选取高相似性的光谱填充数据集,为深度学习在拉曼光谱中的应用奠定基础。为了验证生成的光谱比原始光谱有更好的适用性,设计四组实验：（1）使用原始拉曼光谱输入到SVM进行分类,得到51.92%的分类准确率;（2）使用原始拉曼光谱输入到CNN进行分类,得到75.00%的分类准确率;（3）采用偏移法生成光谱,输入到CNN里进行分类,得到91.85%的分类准确率;（4）使用DCGAN生成光谱,输入到CNN里进行分类,得到98.52%分类准确率。实验结果表明,DCGAN能在只有少量拉曼光谱的情况下,通过对抗学习得到较好的生成光谱,且生成的光谱相比原光谱更加清晰,减少了可能的干扰因素,具有光谱预处理效果。通过DCGAN对抗生成大量高质量的数据填充到原有拉曼光谱数据集,扩充数据集的样本量,使得深度学习模型能够得到更好的训练,从而提高模型的准确率。该研究为深度学习方法应用于拉曼光谱分析技术提出了一个可行的方案。