检索结果-南通市图书馆

咏叹调《来吧，莱奥诺拉，我拜倒在你的脚下》的艺术特征分析

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

咏叹调《来吧，莱奥诺拉，我拜倒在你的脚下》的艺术特征分析

作者：李淑龙山东师范大学

学位级别：硕士

歌剧《宠姬》,是在西方世界享有盛誉的作曲家多尼采蒂的代表作,歌剧围绕莱奥诺拉、费尔南多、阿方索十一世、巴尔达萨雷等人物,展开了一部关于皇权与教权、爱情与仇恨的故事。《来吧,莱奥诺拉,我拜倒在你的脚下》,选自歌剧《宠姬》中的... 详细信息

歌剧《宠姬》,是在西方世界享有盛誉的作曲家多尼采蒂的代表作,歌剧围绕莱奥诺拉、费尔南多、阿方索十一世、巴尔达萨雷等人物,展开了一部关于皇权与教权、爱情与仇恨的故事。《来吧,莱奥诺拉,我拜倒在你的脚下》,选自歌剧《宠姬》中的角色国王阿方索十一世的咏叹调。笔者对音乐总谱、文献期刊、演出视频等资料进行总结,分三个部分进行分析研究:第一部分,简要阐述歌剧的基本内容,从总体上把握作品;第二部分,对阿方索十一世在剧中的著名咏叹调进行音乐本体分析,从创作手法上了解作品;第三部分,进行具体的演唱分析,从具体的演唱角度研究角色。通过分析,深入研究歌剧《宠姬》中阿方索十一世人物角色的艺术特征,以期在提升自己对意大利歌剧认识的同时,也为其他声乐学习者提供一些参考。

关键词：歌剧《宠姬》阿方索十一世多尼采蒂

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

浅析我国场外交易市场的发展

税务与经济 2004年第6期 24-26页

作者：李淑龙郭兆纲中国人民大学经济学院北京100872 南昌大学数理与管理学院江西南昌330047

场外交易市场在完善的多层次的资本市场体系中不可或缺,在现代资本市场体系中发挥着不可替代的作用。借鉴其他国家或地区的成功经验,发展适合我国国情的不同层次的场外交易市场必须提上日程。

关键词：场外交易资本市场中国上市公司证券监管

基于支持张量机算法和3D脑白质图像的阿尔兹海默症诊断

在线全文

学校读者我要写书评

暂无评论

中山大学学报（自然科学版） 2018年第2期57卷 52-60页

作者：徐盼盼杨宁李淑龙南方医科大学生物医学工程学院∥广东省医学图像处理重点实验室广东广州510515 广东省第二人民医院广东广州510317

结构磁共振成像(s MRI)本质上具有三维张量结构,而传统的向量空间机器学习方法将其展开成向量进行建模,这破坏了数据的内在结构信息的完整性,降低了机器学习性能。为了克服数据向量化的弊端,提出了一种基于支持张量机(Support tensor ma... 详细信息

结构磁共振成像(s MRI)本质上具有三维张量结构,而传统的向量空间机器学习方法将其展开成向量进行建模,这破坏了数据的内在结构信息的完整性,降低了机器学习性能。为了克服数据向量化的弊端,提出了一种基于支持张量机(Support tensor machine,STM)的以3D T1加权MR脑白质图像为输入的阿尔兹海默症诊断算法。首先用SPM8软件将采集的MRI数据进行预处理,分割为灰质、白质、脑脊液3部分,提取脑白质各体素的灰度值构建三阶灰度张量,然后用递归特征消除(Recursive Feature Elimination,RFE)法结合支持张量机进行特征选择,最后用支持张量机进行分类。在阿尔兹海默症患者(AD),轻度认知障碍患者(MCI)(包括转化为AD的MCI-C和未转化的MCI-NC)以及正常对照(NC)4组人群中进行实验测试,并用10折交叉验证方法获得验证结果。用ROC曲线下面积AUC、分类准确率、敏感性、特异性这4个指标评价分类器的性能,AD vs NC组分别达到99.1%、97.14%、95.71%、98.57%;AD vs MCI组分别达到88.29%、84.07%、78.57%、91.07%;MCI vs NC组分别达到89.18%、87.91%、93.75%、78.57%;MCI-C vs MCI-NC组分别达到87.5%、82.08%、80.36%、82.14%。算法保持了原始图像的张量结构,提高了分类器的性能,实验结果表明此算法是一种有效的阿尔兹海默症诊断方法。

关键词：阿尔兹海默症 3D脑白质图像 T1加权MRI 递归特征消除支持张量机

在线全文

学校读者我要写书评

暂无评论

保向同胚映射的径向连续性

中山大学学报（自然科学版） 2008年第1期47卷 13-15页

作者：李淑龙苏伟旭刘立新中山大学数学与计算科学学院广东广州510275

研究了复平面上保向同胚映射的径向绝对连续性.利用Rengel不等式,证明了在一定模条件下,复平面到自身的保向同胚映射在几乎所有的径向上是绝对连续的(除去原点)。

关键词：共形模极值长度绝对连续

基于卷积神经网络的CT弦图学习与身体部位识别

在线全文

学校读者我要写书评

暂无评论

中山大学学报（自然科学版）（中英文） 2021年第4期60卷 154-163页

作者：陈诗琳李淑龙马建华南方医科大学生物医学工程学院/广东省医学图像处理重点实验室广东广州510515

基于医学影像的身体部位识别旨在确定特定医学影像所属的身体部位,是许多医学影像分析任务必不可少的预处理步骤。目前,计算机断层扫描(CT,Computed Tomography)技术是临床中最常用的医学影像技术之一,而基于CT图像的医学影像分析算法(... 详细信息

基于医学影像的身体部位识别旨在确定特定医学影像所属的身体部位,是许多医学影像分析任务必不可少的预处理步骤。目前,计算机断层扫描(CT,Computed Tomography)技术是临床中最常用的医学影像技术之一,而基于CT图像的医学影像分析算法(例如,病灶检测、器官分割等)同样需要首先确定CT图像所属身体部位以获取先验知识,从而保证算法的速度及鲁棒性。然而CT图像是由被称为CT弦图(CT Sinogram)的CT原始数据重建得到,而图像重建过程有可能导致信息丢失。因此,相较于CT图像,CT弦图中应该包含更多适用于身体部位识别的有效信息。然而,目前基于CT弦图的身体部位识别研究仍比较少。鉴于此,本研究使用基于卷积神经网络(CNN,Convolutional Neural Network)的深度学习对CT弦图进行特征学习,并验证其在身体部位识别任务中的可用性。实验采用了一个公开数据集(DeepLesion)和来自著名医学机构的三个临床数据集来验证本研究提出方法的性能。具体而言,本研究通过Radon变换理论对CT图像进行数据仿真得到CT弦图,并以CT弦图作为输入,构造基于CNN的分类器(Sino-Net),从而对五个最常见的身体部位(头部、颈部、胸部、上腹部以及骨盆)进行识别。实验结果表明,使用CT弦图进行身体部位识别可以达到与使用CT图像进行身体部位识别相似的性能,甚至优于基于CT图像识别的结果。

关键词： CT弦图神经网络身体部位多分类