论传统美德在当今社会的继承与弘扬

中华民族有着五千年的光辉灿烂文化,从而铸就了优良的道德传统。中华民族传统美德不仅在历史上而且在现代都对中国广大人民群众思想的形成产生着重要影响。应认真研究传统美德的内涵及特征,继承和弘扬传统美德的意义,以及如何继承和弘扬传统美德。应营造社会大环境,加强道德教育,振兴中华民族精神,弘扬传统美德,发展社会主义共产主义道德。     

基于目标相关性的一种高维目标演化算法

针对高维目标问题中非支配解数量随目标数量增加而剧增的问题,提出一种基于目标相关性信息的降维方法.该方法利用非支配解的目标值分析目标之间的相关性,对正相关较强的目标进行合并,从而降低目标数量,使部分非支配解之间产生支配关系,达到减少非支配解数量的目的.该方法可与基于Pareto支配的演化算法结合.实验结果表明,结合该目标降维方法的演化算法可以取得收敛性更好的结果.     

家兔小脑延髓池注射大肠埃希菌致蒙医未熟热、成熟热证期症候研究

目的:探讨通过大肠埃希菌致家兔蒙医未熟热期、成熟热期验证其症候.方法:14只家兔,模型组8只,对照组6只,模型组采用大肠埃希菌小脑延髓池注射法造模,对照组正常饮食和环境条件,两组连续测量体温、对照观察症候表现.结果:造模后体温迅速上升,约2h达高峰,高热持续约7h,9h后体温开始逐渐下降.发热过程中出现精神、活动量、发热寒战、被毛、呼吸频率、心跳、耳及耳部血管、眼、鼻、舌、进食进水量、尿色与气味、粪便颜色与软硬度等方面的规律性变化,个别还出现打喷嚏、抽动、鼻尖湿润等症候.其体温上升期的症候符合蒙医疫因性温病未熟热期表现,高热平台期症候符合蒙医疫因性温病成熟热期表现.结论:大肠埃希菌致家兔未熟热期、成熟热期模型符合蒙医疫因性温病病机变化特点,可作为蒙医未熟热期、成熟热期相关的实验研究.     

隐球菌性脑膜炎误诊为结核性脑膜炎11例临床分析

目的：探讨隐球菌性脑膜炎误诊为结核性脑膜炎的临床特点。为隐球菌性脑膜炎或结核性脑膜炎难以鉴别时进一步诊治提供参考．方法：回顾性分析11例误诊为结核性脑膜炎的临床资料．结果：本组患者均多次脑脊液涂片及培养后证实为隐球菌性脑膜炎，抗结核治疗均未愈．结论：隐球菌性脑膜炎误诊为结核性脑膜炎时多次脑脊液涂片和培养可证实为隐球菌性脑膜炎．     

关于机械设备管理的探讨

机械设备是现代化企业生产活动的重要物资基础，在生产中起着重要的作用，并且这一作用和影响在日益扩大。设备管理作为一门综合性的应用学科，无论是理论方面还是实际应用方面都是与时俱进的，我们只有坚持提高经济利益，强化管理，加大创新管理力度，才能不断提高设备管理的水平。     

~(137)Cs和~(90)Sr-~(90)Y混合源的β放射性强度教学实验研究

当137Cs和90Sr-90Y两个放射源混合时,就会产生混合的β放射性强度。文中寻求一种测量与分析手段来获取两个源混合状态下分别产生的β放射性强度。首先,进行137Cs及90Sr-90Y源混合β放射性能谱测量,再运用费米-居里描绘法对数据进行分析、分解等。在费米-居里描绘上可绘出高、低能区的面积,通过它们各自面积中的粒子数积分就可获得137Cs及90Sr-90Y源分别产生的β放射性强度。137Cs源的强度P=1 346.93 Bq、90Sr-90Y源的强度P=385.47 Bq。     

在高校信息管理中采用数据挖掘技术的探索

主要探索在高校信息管理中数据挖掘技术的应用。在讨论目前高校信息管理中存在问题的基础上,通过对数据挖掘及数据挖掘技术的简单介绍,以高校教学信息为例,提出了在高校教学信息管理中采用数据挖掘技术的具体步骤。     

蒙医药治疗慢性肾功能衰竭临床观察

对45例慢性肾功能衰竭患者分别采用蒙医疗法和西医疗法治疗,结果显示:蒙医治疗组总有效率为80%,西医治疗组总有效率为35%,两组疗效差异显著(P＜0.05).提出蒙医疗法是治疗慢性肾功能衰竭的有效方法.     

应用精英反向学习策略的混合差分演化算法

针对传统差分演化算法在演化后期收敛速度变慢的问题,利用精英个体的良好信息,在一般反向学习方法的基础上,提出精英反向学习策略,并融合降低参数敏感性和变异策略敏感性的机制,设计了一种基于精英反向学习策略的混合差分演化算法(EOCoDE),从理论上证明了该算法的全局收敛性.新算法使用精英反向策略初始化种群,在进化过程中,如果满足预设定的学习概率,就执行精英反向算子,否则,随机组合参数知识库和策略知识库中的知识来产生差分演化种群.对比实验结果表明,精英反向学习策略比一般反向学习策略具有更强的搜索能力,EOCoDE算法的性能具有明显优势.     

采用渐变与突变机制的反向人工蜂群算法

为克服人工蜂群算法容易陷入局部最优且后期收敛速度较慢的缺点,提出一种基于渐变与突变机制的反向人工蜂群算法并用于特征选择.采用反向学习策略,为每个初始解产生对应的反向解,并从所有解中选择最优的解构成初始种群,加快了收敛速度.引入渐变与突变机制,将个体按适应度大小分为渐变个体和突变个体,对它们采用不同的邻域搜索方法,避免了陷入局部最优.对比实验表明,新算法比其他特征选择算法能够得到更好的特征子集且具有更快的收敛速度.