以学生为本 培养创新能力

世纪之交,知识经济已见端倪。江泽民总书记指出,“创新是民族的灵魂”,在科学技术领域中“最重要的是坚持创新”,“关键是人才”。人才的培养要依靠教育,那么在一个开放的素质教育体系中,如何适应时代的需要,培养和开发创新的人才,这是当前教育创新所面临的重大课题。一、培养创新精神的指导思想必须以学生为本基础教育受“应试教育”的影响,对学生创新精神的培养尚未得到足够的重视。学生的主体地位在教学实践中得不到体现。造成这种局面的原因是多方面的,但最重要的是从思想认识上,忽视了人力资源的第一性,而以学生为本的潜能…     

用斯台沃特定理巧证外森伯克不等式

先给出平面几何中两个重要的结论: 定理1 (斯台沃特定理)△ABC中的三边为a,b,c,D是边a上任意一点,且BD=p,DC=q,则     

师德铸师魂

国家的兴衰,取决于教育;教育的兴衰,取决于教师。教师是立校之本,而师德师风则是教育之魂。从古至今,在人们心目中,似乎很难找出比教师更受尊重的职业。优秀的教师用自己的德行风范,树立起高高的丰碑,用师德铸就了师魂。     

全球植被碳储量的时空格局动态

植被碳储量对生态系统碳平衡具有重要调节作用,对植被碳储量进行模拟并分析其对气候变化的响应是全球陆地生态系统碳循环和气候变化研究的重要内容.基于全球植被动态模型模拟的全球植被碳储量,分析植被碳储量在1901年-2000年间的时空变化趋势,及其与气温和降水的时空关系.将LPJ-DGVM (Lund-Potsdam-Jena Dynamic Global Vegetation Model)模型对植被碳储量的模拟结果与国际上被广泛接受的其他研究结果进行了对比后得出,该模型对植被碳储量具有较好的模拟能力.对植被碳储量的模拟结果表明:全球过去100年的植被碳储量在整体上呈增加趋势,增加率为0.0016kgC/(m2·a),通过分段线性回归方法得出植被碳储量时间变化趋势存在显著的转折点,20世纪50年代初以前,植被碳储量具有下降趋势,线性斜率为-0.0014kgC/(m2·a),之后植被碳储量呈现显著的增加趋势,增加率为0.0055kgC/(m2·a),是整体增加率的3倍多,因此整体增加率显著低估了近半个世纪以来植被碳储量的实际增加率.在空间栅格尺度上的分析表明,植被碳储量对气候变化的响应具有很大的区域差异,在不同地区,温度和降水的变化对植被碳储量的变化趋势贡献不同,并与各地区植物生长所受的环境条件约束的状况有关.研究结论进一步说明LPJ能够较好的模拟植物生长与气候之间的相关关系、揭示植被碳储量变化规律和特征,另外为了更好地研究气候变化对植被碳储量的影响,下一步需要对LPJ进行改进,增强其对人类活动如土地利用变化和农业灌溉行为等的模拟能力.     

基督教在华传播的本土化进程

一、本土化———基督教与民族文化之整合基督教与民族文化的差异会使基督教与民族文化发生激烈的冲突,但这些差异不会成为达成综合的鸿沟,而只是必须加以克服的障碍。本土化是基督教的在整个社会中占据一定地位的途径。基督教在与民族文化调和方面是充足够柔韧的,在政治和意识     

倒木是森林的另一种姿势

往长白山地下森林的游步道两旁,参天的丛林之中,横七竖八散布着一棵棵倒下的大树。这些曾经挺拔高大的树木,此刻安静地将它们的身躯横卧在大地之上,全身长满绿苔,有的已经枯烂,露出黄褐色的木心。这是一个寂寞的世界。听不到鸟鸣,     

小学作业有效性的标准与设计

作业是承教启学的重要环节,小学作业的有效性对于教学效果的改进具有至关重要的作用。文章提出了有效性小学作业的相关设计策略,以期对小学作业有效性的提高有所帮助。     

麋芳、士仁如何被“阴诱”——兼与方诗铭先生商榷

在关羽与曹操决战荆襄的关键时刻,孙权的部属虞翻"阴诱"了芳、仁,说辞是"为陈成败",示其大势已去。潘濬刚直耿介,在荆州失守、关羽殒命后,无可奈何之际才归服孙权。     

色度参数测量系统的研制

根据光电信息科学与工程专业光电综合实验课程的需要,研制了基于光纤光谱仪的色度参数测量系统,以光纤光谱仪、小型积分球等模块搭建装置,使用Python编写色度参数处理软件,实现分光光谱测色.系统测试结果有效性评估实验、混色实验、LED工作电流对发光光谱影响实验、常见照明光源光谱测量实验等测试结果,证明该系统满足GB/T79...     

基于(G)模糊积分的信息融合方法

采用单一模糊积分进行信息融合的结果有时可能明显失真。例如,(S)模糊积分融合时只考虑了单分类器的识别结果与相应分类器集重要程度中较小的那个量的信息,有时可能会产生错误的分类结果。为了弥补(S)模糊积分等模糊积分的局限性,提出基于(G)模糊积分的信息融合方法,将多个模糊积分的融合结果加权平均作为分类的依据,可以对各单一模糊积分融合效果取长补短,有助于提高多分类器融合系统的识别率和稳健性。