超越传统的数学学习观

传统的学习心理学一直把对学习结果的掌握等同于实际的学习过程.就其本质而言,是把学习活动的研究简单化为对学习结果的研究.从哲学解释学角度看,数学学习过程本质上是数学理解的发生过程,数学学习的结果是一种具有暂时性的"个体性知识",而"个体性知识"的"客观性"保证在于对这些知识的理解的不断循环和反思;同时数学学习也是意义生成的过程,不同的人看到的是事物的不同方面,不存在唯一的标准的理解,任何一个前理解都是理解的基础.     

基于VB环境的滚齿刀辅助设计系统

介绍了基于VB环境的滚齿刀CAD系统的构成与主要模块功能．该系统可对滚齿刀的齿形及结构参数进行设计计算，并将结果保存到数据库中进行管理，借助VB的强大功能和AutoCAD与高级语言的接口，可获AutoCAD的图形交换文件DXF，并自动生成滚齿刀的零件图纸等设计文件．     

广义Fibonacci数列的通项

著名的Fibonacci数列|Fn|，其中F0=F1=1，Fn 1=Fn-1，(n=1，2，…)，在许多实际问题中都有着极其广泛的应用．Fibonacci数列通项的得出方法多种多样．在文献[2]用生成函数的方法得出了Fibonacci数列通项的基础上，将Fibonacci数列由各项取自然数推广至各项取任意实数，得到广义Fibonacci数列，其中R0=a，R1=b，Rn 1=uRn-1(n=1，2，…)．其中a，b，u，v∈R．并用生成函数的方法得出推广后的广义Fibonacci数列的通项．希望这种方法可应用在求有关递推数列的通项中．     

可执行代码级优化器生成框架

编译基础设施生成的编译器对与目标机特征相关的优化支持不足 ,同时嵌入式应用系统的发展要求高质量的目标代码 ,为此 ,提出一种可执行代码级优化器生成框架EOGF (executable optimizer generation framework) ,以及该框架的关键支撑技术。与现有的编译器生成工具相结合 ,如 GCC(GNU com piler collection) ,可以实现高质量编译器的快速开发 ,并可以方便地充分利用目标机特点进行相关优化 ,提高目标代码质量。实验结果证明 ,EOGF是一个简便、灵活且有效的可执行代码级优化器生成工具     

干式机体有限元分析中的前处理过程

在求解计算过程越来越自动化的前提下，有限元计算结果的准确与否主要依赖于前处理过程处理是否得当，前处理过程已成为直接决定有限元计算结果成败的重要因素。本文详细阐述了I-DEAS9软件在采用薄壁干式气缸套的XN2105型柴油机机体的有限元分析前处理过程中，实体造型、单元选择、网格划分、单元质量的检查与修理、计算工况的选择及边界条件的确定与施加等方面的具体应用。通过采取整体分块、手动局部加密和自动划分网格相结合的方法建立了该机体的有限元模型。经验表明，文中所采用的思路和方法具有实用、高效、适应性强的特点，对类似的处理与分析具有借鉴意义。     

Burgers方程的非古典势对称群及显式解

该文对Burgers方程的非古典势对称群进行研究，得到几类非古典势对称群生成元并用其求得Burgers方程的相应特解，这些新特解不能由Burgers方程本身的古典Lie对称与非古典Lie对称来获得。     

关于极小非幂零群的正规Sylow子群的换位子群的生成元集

讨论了极小非幂零群的正规Sylow子群P的换位子群P’，确定了换位子群P’的一个生成元集．从而用简单的和纯群论方法得到换位子群P’的阶|P’|的上界，并进而得到不等式|P’|≤|P|^1／3．此外，通过相关的本原单位根，给出了换位子群P’的阶|P’|达到这个上界的一个必要条件。     

一个可控制的代理签名方案

在代理签名方案中，代理签名人可以代表原始签名人生成签名，在已知的各种代理签名方案中，代理签名人的签名次数为一次性的．在有些情形，需要一次委托，多次签名，而已知的代理签名方案不能满足这个需要，作者给出了一个新的代理签名方案，这个方案能够控制代理签名人的签名内容和次数。     

S-粗集的副集α-生成粒度

利用S-粗集理论,给出单向副集As(Xσ)的α-生成粒度,双向副集As(X*)的α-生成粒度等概念;提出单向副集As(Xσ)的α-生成粒度特性定理,双向副集As(X*)的α-生成粒度特性定理;给出副集α-生成粒度的存在背景及在风险投资决策估计中的应用.     

多语种投资信息抽取系统的实现

多语种投资信息抽取实验系统可以用中文、英文和德文的关键字或限定的自然语言问句查询语料库中的中文投资信息．它由语言处理模块、查询处理模块、信息抽取核心和动态交互获取模块组成．其主要特点：基于语种无关的模板和与语种有关的模式，实现不同语种信息抽取处理的一致性；事先定义的抽取模板结合动态获取的模板，来弥补信息抽取技术依赖于固定模板的缺陷，增加系统的健壮性．系统抽取的各个槽的平均精度为86．27%．动态获取模板的精度为85．27％，如果人工对约5个例句修改，动态交互获取模板的精度可达88．55％，提高了3％左右．