多媒体课件制作的误区及对策

多媒体辅助教学（以下简称CAI教学）手段在教学中的运用已屡见不鲜，它新颖生动。感染力强，是一种模拟性启发性的直观手段，要克服以传授知识为主要目标的传统教育模式的许多弊端，使用CAI教学无疑是一个很好的途径．但在对CAI教学在认识上仍存在误区．具体表现在以下几个方面．     

浅谈数学问题的表征形式

表征是信息在人脑中的呈现和记载的方式 .根据信息加工的观点 ,当人对外界信息进行加工(输入 ,编码 ,转换 ,存储和提取等 )时 ,这些信息在头脑中得以表征 .表征是客观事物的反映 ,又是被加工的客体 .同一事物 ,其表征形式不同 ,对它的加工也不同 .知识的表征是现代认知心理学的一个核心概念 .著名的认知心理学家安德森认为 ,“通过以多种方式应用我们从自己的经验中获得的知识 ,认知才得以进步 .理解知识如何应用的前提是理解它如何在人脑中表征的 .”西蒙也曾指出 ,“表征是问题解决的一个中心环节 ,它说明问题在头脑中是如何呈现的 ,如何…     

第五讲新型光纤水听器和矢量水听器

光纤水听器和矢量水听器作为当前水声研究领域最具有代表性的两大技术倍受业界关注。光纤水听器的重要贡献在于，从一个全新的角度出发，试图解决传统的水声传感和声纳数据传输一体化设计和实现的一系列问题，这有助于改善声纳系统的可靠性，并且有可能降低其制造、使用和维护的总成本。矢量水听器则由于其特有的指向性和矢量一相位处理方法，在低频和甚低频水声微弱目标探测方面具有潜在的优势．经过不懈的努力，光纤水听器和矢量水听器系统已经从实验室逐渐进入到工程应用阶段．这些对未来声纳系统的发展会产生相当重要的影响．文章尝试从声纳设计的角度对这两者的技术现状进行简要综述，包括它们各自的物理基础、工作原理、关键技术和应用领域．     

光纤面板传输机理研究(Ⅱ)

本文在文献[1]研究的基础上,建立了光纤面板的结构模型。利用光学信息理论,研究了光纤面板的传输机理。通过分析、计算光纤面板传输的光学信息量,给出了光纤面板传递最大信息量时的最佳结构参数和扩散参量。     

漫谈光纤照明

 爱迪生于本世纪初发明的电灯,改变了日出而作、日落而息的传统生活方式。随着光源照明日趋多样化,人们对照明质感、强度、色温等提出了新的要求。进入80年代以来,低损耗玻璃光学纤维的发明使光纤开始用于照明系统,并且逐步进入实用阶段。目前光纤照明已用于众多领域,包括商品展示、广告标识、交通信号、娱乐场所、建筑装饰等。图1光纤结构示意图光纤是一种光传输装置,由许多极细的、易弯曲的、有一定柔韧性的、纯度较高的玻璃丝（或塑料丝）集束而成。单根光纤的中心是直径较小的纤芯,外面被直径较大、同样材质的包层覆盖,为防止磨损,包层外往往还有一层材料,叫做涂覆层（如图1）。     

光纤白光干涉仪等臂长技术研究

介绍了几种光纤干涉仪等臂长技术,比较了各自的优缺点和适用范围,对光纤干涉仪的平衡有较大的参考价值。     

改善光纤倒像器的对比度传递特性

光纤倒像器是一种特殊类型的光纤板，可将传递图像直接倒转180°并应用于像增强器。由于光纤倒像器的特殊结构，造成光纤随着距扭转轴心的距离增加，数值孔径和光通量逐渐下降。相对于光纤板，光纤倒像器在透过率和对比度传递特性上均有一定程度的下降。通过改进玻璃系统，在一定程度上降低芯皮玻璃间离子扩散和相互渗透的程度，可提高光纤倒像器的实际数值孔径；通过调节EMA吸收量，既能满足像增强器对光纤倒像器荧光屏透过率的要求，又能保证最大程度地吸收光纤中逸出的杂散光，提高对比度。选择合理的芯皮比，不仅可弥补因扭转拉伸造成的皮层厚度减薄，还可进一步增加皮层厚度，抑制光从光纤中逸出。通过以上改进，可改善光纤倒像器的对比度传递特性。     

Ce3+对Er3+/Yb3+共掺氟磷酸盐玻璃光谱性质的影响

研究了能量接受离子Ce3+对Er3+上转换发光强度以及Er3+在1.5 μm附近波段发光性能参数的影响,并从能量匹配及能级结构角度出发对Er3+/Ce3+间的能量转移机制进行了分析.分析认为,4 I11/2能级的Er3+通过无辐射能量转移把能量传递给2F5/2能级的Ce3+激发其跃迁至2F7/2能级,而4I11/2能级上的Er3+则无辐射弛豫至4I13/2能级,从而有效降低氟磷酸盐玻璃中Er3+的上转换发光.当Er3+浓度为1.11×1020 cm-3时,Ce3+的最佳掺杂浓度为2.22×1020 cm-3,此时Ce3+的引入不仅可以降低上转换发光,而且有助于提高Er3+在1.5 μm附近波段的荧光强度、发射截面以及4I13/2能级荧光寿命.     

基于校园网的实验管理系统的设计

主要讨论了应用实验室管理系统的必要性,并从用户需求分析、系统总体设计、功能模块的设计等方面对B/S实验室管理系统的开发进行了详细的阐述。     

Speech emotion recognition based on statistical pitch model

A modified Parzen-window method, which keep high resolution in low frequencies and keep smoothness in high frequencies, is proposed to obtain statistical model. Then, a gender classification method utilizing the statistical model is proposed, which have a 98% accuracy of gender classification while long sentence is dealt with. By separation the male voice and female voice, the mean and standard deviation of speech training samples with different emotion are used to create the corresponding emotion models. Then the Bhattacharyya distance between the test sample and statistical models of pitch, are utilized for emotion recognition in speech. The normalization of pitch for the male voice and female voice are also considered, in order to illustrate them into a uniform space. Finally, the speech emotion recognition experiment based on K Nearest Neighbor shows that, the correct rate of 81% is achieved, where it is only 73.85% if the traditional parameters are utilized.