湘西高校颈椎病患者体育行为调查

来源 :吉首大学学报(自然科学版) | 被引量 : 0次 | 上传用户:duoduodehua
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
本论文采用文献资料法、问卷调查法等研究方法,对248名高校教师颈椎病患者平时锻炼情况进行调查.调查结果表明:湘西地区高校教师颈椎病患者的发病原因主要受年龄、性别、工作等因素的影响,且教师颈椎病患者对于体育锻炼可治疗颈椎病的观念认识不强.因此,学校有关部门应加强体育运动的宣传力度,保障教师运动环境,提升教师运动意识.
其他文献
非同步采样多频信号后,为了减少对信号进行快速傅里叶变换(FFT)而出现的频谱泄漏和栅栏效应等负面影响,设计了一种高阶矩形卷积窗与三谱线插值相结合的信号参数估计方法,推导了多频信号频率、幅值和相位的估计公式,并利用多项式拟合出相应的关系表达式.利用高阶矩形卷积窗+三谱线插值算法、FFT和加Hanning窗算法进行多频信号参数估计对比仿真实验,实验结果表明,对于多频信号的频率和幅值,高阶矩形卷积窗+三谱线插值算法比FFT和加Han-ning窗算法的估计精度更高.
以大湘西为研究对象,从乡村旅游视角分析乡村文化振兴困境,探索乡村文化振兴路径.结果 表明,乡村旅游视角下,大湘西乡村文化振兴面临“空间缺位”“精神缺位”和“主体缺位”等困境.要走出这些困境,应充分借助乡村旅游发展契机丰富乡土文化展示平台,提升乡村文化精神内涵,扩宽乡村文化人才培育路径.
引入超曲面函数作为图像配准正则项的核函数,建立了位移兼顾全局平滑与保留不连续性的改进全变分(TV)配准模型.为了快速有效地求解该模型,在一般的非线性多重网格(NMG)算法中,使用滞后扩散不动点迭代与逐次超松弛迭代相互作用构造新的平滑方法,并在限制过程中采用层析技术将粗网格上的误差插值回细网格,设计出一种优化NMG算法.仿真实验结果表明,优化NMG算法与NMG算法相比,配准精度更高,收敛速度更快;改进TV配准模型与TV配准模型相比,配准误差更小,耗时更少,配准效果更好.
利用Kerr介质的介电常数随着入射光强的变化而变化的特性,通过控制耦合腔介质柱边长来改变耦合腔频率的方法,设计了一款新型的含Kerr介质的滤波器.该滤波器由点缺陷、微腔、下载波导、反射异质结和主波导构成,耦合腔内用正方形GaAs介质柱.综合考虑利用COMSOL Multiphysics软件对新滤波器的仿真计算结果和器件尺寸,确定新滤波器的耦合腔介质柱边长为3.25r,此时滤波效率可以达到99.7%.
随着现代文明的快速发展和城镇化建设的加快,珞巴族民族文化尤其是传统体育文化在现代生活中受到冲击而改变,这种改变意味着珞巴族传统体育文化已日渐式微.只有充分认识珞巴族体育传统文化的重要性,加强对珞巴族体育文化的认知,挖掘其自身特性,才能服务于西藏地区的乡村文化建设,丰富珞巴族群众文化娱乐内容,弘扬民族文化.
针对基于多尺度的车辆重识别模型缺乏提取细节特征不足的问题,设计了一个融合多尺度的车辆特征和小波注意力机制的重识别模型.首先,将空间小波注意力模块镶入到模型中,能使网络获得更多细节特征;其次,提出一种阶梯融合网路,该网络对不同尺度层的特征进行分层融合,提高了模型聚合全局特征的能力;最后,使用TriHard和CrossEntropy Loss损失函数构造出车辆识别的目标函数.该模型在VeRi数据集和VehicleID数据集上与一些优秀模型的比较实验结果表明,将空间小波注意力嵌入到多尺度网络中能明显提高车辆重识
以湘西土家族苗族自治州的26个景点为研究对象,首先从环境、人才、设施、制度4个方面16个指标构建旅游景点评价指标体系;其次采取定量与定性结合的方式给出各指标的权重,并使用层次分析法确定不同类型景区中的核心景点;最后以费用最少或时间最短为目标给出湘西州核心景点旅游路线规划方案,为政府相关部门发展旅游业或旅游公司制定旅游产品提供借鉴和指导.
围绕求解物流配送中心选址问题,设计了一种变邻域人工蜂群算法.为了保证解的多样性,增强局部搜索能力,引入变邻域搜索,设计了3个邻域算子并改选了抖动策略;为了提高收敛速度,跟随蜂阶段采用全局最优解替代当前解进行引导.仿真实验结果表明,变邻域人工蜂群算法在探索和开发方面达到了有效平衡,求解速度和稳定性表现良好.
在智慧城市中,准确的住宅负荷预测是实现电力供需平衡和降低资源浪费的关键.为了提升对城市住宅区负荷预测的精度,构建了一种由长短期记忆网络(LSTM)和集成学习相结合的短期负荷预测模型LSTM AdaBoost.该模型以露点(空气中的水蒸气凝结成水珠的温度)、历史负荷、周类型等特征作为数据输入;然后将具备时序记忆功能的LSTM网络作为集成学习的基学习器;最后用AdaBoost集成算法对基学习器进行加权组合得到强学习器.实验结果表明,LSTM-Ada-Boost集成模型相较于LSTM网络、支持向量机(SVM)和
针对目前管道巡检机器人对管道内部目标淤积物识别精度低的问题,设计了一个基于新的学习率更新策略的改进YOLO模型,该模型采用深度学习卷积网络来进行目标物图像学习训练;针对定位不准确的问题,设计了一个测距定位模型,实现了对目标物测距的精准定位.对新学习率更新策略下的YOLO模型、常数衰减学习率更新策略下的YOLO模型、指数衰减学习率更新策略下的YOLO模型及使用传统梯度下降法的YOLO模型等进行了对比训练测试,结果表明,基于新学习率更新策略下的YOLO模型的目标物检测准确率达到96.1%,测距定位模型的定位误