论文化产业概念与分类

产生于不同背景和条件下的国内外诸多文化产业概念与分类之间有着明显的差异,随着现代科学技术、各国文化经济实践特别是我国文化产业的不断发展,对其进一步研究有着首要的、深远的理论与实践意义.针对文化产业概念与分类的动态发展性,应坚持普遍性和特殊性相结合,体现以人为本特色,坚持发展,尊重实践,利于创新,根据我国的国情与国际竞争状况,文化产业的特征和发展规律,产业细化、融合和兴衰演变规律,进一步完善符合我国实际与未来发展的文化产业概念与分类,以科学指导和促进文化产业的发展.     

关于S_2~1插值的若干问题

本文主要研究了矩形区域在Ⅰ型三角部分下的S_2~1一般插值、Ⅰ-型边界条件及双周期样条空间下的插值问题的存在性及唯一性。     

考虑基差非对称效应的期货波动性预测研究

随着我国期货市场的风险日益加剧,对其波动性预测的研究就相对具有理论和实际应用价值.以基差和期货收益的波动性关系为基础,引入郑州期货交易所2003-2007年的强麦近月期货合约的日收盘价数据,进行实证研究,其结果表明:基差对期货回报波动性的影响存在显著的非对称效应,其中正基差对波动性的影响要明显大于负基差;而考虑基差非对称效应的AE-GARCH模型能更准确地预测期货的波动性.     

人民至上：党的最高目的——十七大报告的为民思想

党的十七大报告充满着为民思想,形成了一个集目的、目标、要求、手段、任务、条件、保障措施和评价标准为一体的为民思想体系。这一体系有效防止在工作方法、思想方法和领导作风上的异化,并且牢牢抓住调动人民的积极性和创造力这一根本,既具有科学的理论价值,又具有可操作的实践价值。     

论被利用者的行为构成犯罪与间接正犯的成立

根据我国共同犯罪理论和实行行为理论 ,即使被利用者的行为构成犯罪 ,利用者仍能构成间接正犯。其理论根据在于 :利用者没有与被利用者形成共同犯罪故意 ,他在自己的犯罪故意支配之下实施了诱致行为 ,该诱致行为具有原因力地引起了被利用者的犯罪行为 ,且该诱致行为包含着实现自己犯罪的现实危险 ,因而符合间接正犯的本质。被利用者的行为构成犯罪而利用者仍然成立间接正犯的情况共有六种类型     

电子信息类计算机教育的特点、层次与主要知识点

文章论述了电子信息类计算机教育的特点 ,指出计算机教育是一个由浅入深、互相衔接的教学环节 ,是使学生在本科四年中不断获取、不断提高的过程 ,必须科学合理地组织课程和实践 ,注重加强学生计算机能力的培养、并详细分析了电子信息类计算机教育在四个层次上的知识点 ,以利于在教学改革中对课程的柔性组合     

论科学发展观形成的主要依据

科学发展观,是以胡锦涛总书记为首的中央领导集体,立足现实,总结过去,面向未来,对马克思主义发展观的继承和发展,是新世纪新阶段的新发展观。牢固树立和全面落实科学发展观具有重大而深远的意义。科学发展观的形成有着充分的现实依据、历史依据、理论依据和时代依据。     

二维不稳定渗流方程的有限元计算及误差分析

提出一种非线性有限元法，精简密度高、节点少、节省机时．对该法进行了详尽的理论推导，对其误差做了深入的理论分析和估计，最后取一理想模型进行计算．输出结果表明，这一算法是可行的，误差的理论分析和估计是正确的     

社会全面可持续发展与制度文明建设关系之思考

社会全面可持续发展是一个以人的全面而自由发展为核心目标的"自然-经济-社会"复合系统的全面可持续发展。社会全面可持续发展过程中资源整合和秩序重建问题、资源代际储存问题的解决,以及发展目标的动态实现,都需要加强制度文明建设,为其提供制度支撑和保障。为此,必须创建合理开发利用自然资源、保护生态环境的制度和机制,完整配套的市场运作、监管以及宏观调控的制度和机制,公正合理的国民财富分配制度和真正充分体现人民当家作主的民主政治体制和法治机制。     

Projection techniques for nonlinear principal component analysis

Principal Components Analysis (PCA) is traditionally a linear technique for projecting multidimensional data onto lower dimensional subspaces with minimal loss of variance. However, there are several applications where the data lie in a lower dimensional subspace that is not linear; in these cases linear PCA is not the optimal method to recover this subspace and thus account for the largest proportion of variance in the data.Nonlinear PCA addresses the nonlinearity problem by relaxing the linear restrictions on standard PCA. We investigate both linear and nonlinear approaches to PCA both exclusively and in combination. In particular we introduce a combination of projection pursuit and nonlinear regression for nonlinear PCA. We compare the success of PCA techniques in variance recovery by applying linear, nonlinear and hybrid methods to some simulated and real data sets.We show that the best linear projection that captures the structure in the data (in the sense that the original data can be reconstructed from the projection) is not necessarily a (linear) principal component. We also show that the ability of certain nonlinear projections to capture data structure is affected by the choice of constraint in the eigendecomposition of a nonlinear transform of the data. Similar success in recovering data structure was observed for both linear and nonlinear projections.