浅谈语文教学中的德育渗透

一、深挖教材中的德育因素.加强对学生的品德熏陶 教材中德育的内容,不可能像学科知识那样处处明显,它往往是内在的、深层的、个别隐蔽的,思想教育要渗透在学科知识的方方面面,与学科知识融二为一,这就要求我们在教学中进行德育渗透,不能仅停留在那些表面的内容上,而应当是深入挖掘教材内在的德育因素,以提高德育渗透的成效,在语文教学活动中,教师可以通过引导学生欣赏文中字、词、句;理解句中句式的作用及其变换、文中修辞、标点符号的运用,使学生能意识到祖国语文无可比拟的表现力,体会到祖国语言质美意深,简练如金的妙处,能感受到祖国语言的包罗万象,丰富多姿.     

焊后热处理对装甲钢HAZ／WM界面区组织结构的影响

采用SEM、TEM观察焊态和焊后热处理(900 ℃×5 min或1 100 ℃×1 min,水淬)TWE312/616装甲钢HAZ/WM界面区及其附近的组织结构, 采用Nano Test 600对界面区附近的硬度分布进行测试.研究表明焊接熔合区组织为类马氏体,而富奥氏体带以奥氏体为主;HAZ/WM界面区的塑性变形主要由富奥氏体带承担,富奥氏体带的加工硬化导致该处硬度升高;高温短时(1 100 ℃×1 min,水淬)热处理可导致焊接熔合区及与其紧邻的t-HAZ的进一步软化.     

基于焊接机器人的快速再制造成形系统

建立了基于焊接机器人的快速再制造成形系统,该系统主要由扫描反求系统、机器人系统和熔敷成形系统3部分组成,可以对磨损零件进行扫描反求,进而得到其再制造模型,再配以工艺进行路径规划,最后由机器人夹持焊枪对零件进行修复.     

后勤装备信息化快速改造的“信息贴片”方案及实现

信息接入网络问题是后勤装备信息化的突出问题之一,对装备进行嵌入式改造是实现军队后勤装备信息化的重要途径.提出了用"信息贴片"的方式改造后勤装备的方法,并给出了一种"信息贴片"的软硬件设计对该方法进行验证."信息贴片"以"挂"、"贴"、"粘"等方式吸附于后勤装备上,将非数字化后勤装备模拟成数字化装备,提高后勤装备源头信息采集自动化水平.试验结果表明了用"信息贴片"改造后勤装备的可行性和有效性.     

高亚声速时叶尖小翼对压气机叶栅泄漏流动的影响

为了探索跨声速来流条件时,不同安装位置、不同宽度的叶尖小翼对压气机叶栅气动特性的影响,对Ma=0.8时包括原型叶栅在内的7种扩压叶栅的流场进行了数值研究.结果表明:在多种因素的共同影响下,不同来流冲角的吸力面叶尖小翼在流场中都为负效果,增加了流场复杂性;压力面叶尖小翼则改善了泄漏流动,减小了流动损失.两种安装位置的叶尖...     

字节流对象模型的设计和应用

航天技术的快速发展对任务数据处理提出了更高的要求。针对任务数据格式具有层次嵌套、变化频繁的特点,结合Composite模式设计了字节流对象模型(BOM)。BOM模型具有表述能力强、可灵活扩展的优点。该模型在航天任务数据处理软件中得到了应用,使得软件具备较好的可扩展能力。     

SURF算法在铸造缺陷无损检测中的应用

通过对铸造缺陷无损检测方法的研究,依据X射线成像特点,提出了一种基于SURF算法的自动检测方法:首先对标准样本图像构件采用SURF算法提取相应的特征值,得到样本构件的SURF特征;然后在旋转工作台旋转一周范围内提取待检产品的SURF特征,并与样本构件进行匹配;最后根据特征点的匹配个数判定产品是否含有此构件。实验结果表明,该方法能够准确地检测出产品是否含有特定构件,为铸造缺陷无损检测提供了一种新的检验方法。     

喷气燃料中特征真菌Amorphotheca resinae的生物学性状研究

通过提供不同的碳源对喷气燃料中检测出的特征真菌Amorphotheca resinae(A.resinae)进行培养,观察菌落和孢子形态,研究其生物学性状;在液体培养基中对其进行振荡培养时出现了油包水现象,从而对特征真菌污染过的油、水相进行表面张力测定。研究结果表明:A.resinae在固体培养基中生长缓慢且出现角变现象;孢子直径仅约1μm;被特征真菌污染过的水相表面张力降低,推测培养A.resinae时可能产生了生物表面活性物质。     

科氏流量计信号相位差测量新算法

对科氏流量计信号进行处理时,传统相位差测量算法存在较大误差。为更好地抑制频谱泄露,提高相位差测量精度,在传统DTFT算法的基础上,通过矩形窗和汉宁窗卷积运算构造出一种新窗——RHC窗。计及负频率成分的影响,提出了一种基于RHC窗的DTFT相位差测量新算法。详细阐述了新算法的原理,并与传统DTFT算法进行了对比仿真,验证了新算法的有效性。     

矩阵变换特征与码序列联合学习的卷积码识别方法

现有基于深度学习的卷积码识别方法仍存在参数规模较大、识别性能较弱等不足。针对该问题,提出了一种基于矩阵变换特征与码序列联合学习的卷积码识别方法。将接收到的码字序列排列成矩阵形式,利用软信息剔除可靠性较低的码字,通过一种新的矩阵变换算法得到特征矩阵。在识别时,将原始码字矩阵和特征矩阵输入到具有多模态数据联合学习能力的网络模型,在神经网络中完成特征的提取融合与卷积码的识别。仿真结果表明,所提方法性能明显优于现有基于深度学习的识别方法,特别是对于高码率卷积码;当码率较低时,同样优于传统识别方法。当信噪比达到5 dB时,25种不同参数卷积码的识别率均可达到100%。