对比训练 培养提高学生民族音乐素养的有效途径

民族器乐合奏课是普通高等院校民乐专业学生必修课程之一。其目的在于培养和提高学生的民族音乐修养,民族音乐表现力和民族管弦乐合奏能力。而对比训练正是培养提高学生民族音乐素质的有效途径。抑扬对比,提高学生音乐情感表达能力;顿挫对比,增强学生音乐节奏控制能力;刚柔对比,促进学生音乐力度把握能力;明暗对比,培养学生音乐色彩表现能力;徐疾对比,加强学生音乐速度掌握能力。     

基于SVM-Kd-tree的树型粗分类方法

为提高大数据集粗分类识别率,提出一种基于聚类分析的SVM-Kd-tree树型粗分类方法。首先根据数据集特征分布进行k-means两簇聚类,对聚类后的数据集进行类别分析,同时将属于两簇的同一类别样本划分出来;然后使用两簇中剩余样本训练SVM二分类器并作为树型结构根节点,将两簇数据分别合并,将划分出来的样本作为左右子孩子迭代构建子节点,直到满足终止条件后,叶子节点开始训练Kd-tree。实验结果表明,迭代构建树型粗分类方法使训练单一SVM平均时间减少了61.977 4%,比Kd-tree同近邻数量的准确率提高了0.03%。在进行大规模数据集粗分类时,使用聚类分析迭代构建组合分类器时间更短、准确率更高。     

基于主元分析构造强分类器的人脸检测算法

本文研究了基于特征脸的人脸检测算法,针对其分类能力差的特点,基于主元分析提取特征向量空间构造弱分类器,结合AdaBoost算法构造强分类器,提出了一种人脸检测算法。利用MIT+CMU人脸数据库测试该算法的性能,结果表明本算法在运行时间与检测正确率方面明显优于基于神经网路的算法和支持向量机算法。     

集成学习方法在企业财务危机预警中的应用

以我国制造业上市公司为样本数据,用支持向量机作为基分类器的集成学习方法来预测企业的财务危机,通过具体实验分析可知:集成学习比单个基分类器的预测准确率提高了4个百分点,且稳定性更高,有效地提高了模型的预测精度,使得模型更具有准确性和应用性。基于支持向量机的集成学习方法在构建我国制造业上市公司财务危机预警模型上是有效的,且达到一定的财务危机预警效果。     

“政策群”视阈中的基础教育课程政策变革

基础教育课程政策有其自主发展的一面,但同时它也是在更大的教育＂政策群＂的裹挟和牵引下前行的。就改革开放以来的课程政策而言,其每一步的变革一方面与教育的元政策和基本政策的引领息息相关,另一方面也离不开其它相关政策如重要条例、通知、意见、指示等的推动。这一＂政策群＂的发展以及整体上呈现出的教育现代化的追求,成为课程政策变革的强劲动力。     

论整体音乐教学手段在器乐合奏教学中的应用

注重整体音乐教学手段的应用是对传统器乐合奏教学观的超越。在器乐合奏教学中,应利用整体音乐教学手段：调动学生各种感官的协同作用,发挥学生的主体作用、教师的主导作用和指挥的宏观调控作用,构建有利于学生的学习环境,切实提高教学实效。     

从“我给你一（把）刀”看量词缺省效应

对比分析汉语中的＂我给你一把刀＂和＂我给你一刀＂,探究量词＂把＂缺省的句法效应及其句法语义界面阐释。一方面,在句法层面,提出量词最大投射,将这两种结构置于VP壳下研究,以补充VP壳理论,并推导出前者属于含名量词的述宾结构,后者属于含动量词的述补结构。另一方面,从认知角度出发探讨句法与语义的接口,表明前者属于具体＂给予＂意义下的物体转移过程,是一种相对的静态情景,后者是抽象＂给予＂意义下的动态情景。     

太白山地区7月NDVI多尺度周期变化及其对气候因子的响应

多尺度周期变化是植被研究的重要前沿问题之一,对揭示植被系统变化规律及其复杂性具有重要意义。本文基于太白山地区树轮宽度年表重建的近172年的7月NDVI资料数据,采用集合经验模态分解法（EEMD）对其在不同时间尺度上的变化特征及其对气候因子的响应进行了分析,结果表明：①太白山地区南北坡7月NDVI呈微弱的非线性上升趋势,北坡/南坡NDVI分别具有3.3 a/3.5 a、8.1 a/8.8 a的年际尺度周期,以及18 a/19.1 a、36 a/34.4 a和64.8 a/68.8 a的年代际尺度周期。②重构的年际尺度变化较好地呈现了NDVI原始序列的波动细节,而年代际尺度变化则揭示了不同时期内NDVI的增减交替变化。北坡NDVI的年际尺度波动较大,而南坡NDVI的年代际尺度波动略强。③在年际尺度上影响NDVI的主要因素是降水,年代际尺度上影响NDVI的主要因素是气温。④北坡NDVI变化主要受水分因素控制,而南坡NDVI则受热量因素影响更为明显。分析太白山地区NDVI的多尺度变化及其影响因素对研究太白山地区植被生长的变化特征具有重要意义。     

一个新的大样本ENSO集合预报系统的发展与检验

详细介绍了一个新的大样本集合预报系统. 为了减小ENSO(厄尔尼诺-南方涛动)预报中的预报不确定性,该集合预报系统首先基于一个中等复杂程度的耦合模式,利用集合卡尔曼滤波资料同化方法同化有效的海洋观测资料为集合预报系统提供集合初始场;同时,一个发展的用于12个月预报的一阶线性马尔可夫(Markov)随机误差模式被嵌套到集合预报系统中来模拟模式不确定性. 基于1992年11月~2008年10月100个样本的集合回报试验,从确定性预报技巧和概率预报技巧2个方面对集合预报系统的预报水平进行了检验. 该集合预报方法能够很有效地将传统的确定性预报扩展到概率预报领域,且检验结果表明,预报样本均值的预报水平要优于单一的确定性预报. 对于概率预报而言,集合预报样本能够很好地跟随观测的变化,并且能够提供单纯确定性预报所不能够提供的额外信息.     

采用离散化处理的选择性SVM集成学习算法

为提高分类性能,提出了一种新的基于数据离散化和选择性集成的SVM集成学习算法。该算法采用粗糙集和布尔推理离散化方法处理数据集,构造有差异的个体SVM以提高集成学习的性能。在训练得到一批SVM之后,算法采用了选择性集成提高性能并减小集成规模。实验结果表明,所提算法能取得比传统集成学习方法Bagging和Adaboost更好的性能。