摘要：采用显微实验与理论分析相结合的方法,对直流电场作用下水滴破裂前的拉伸过程及其时间特征进行了系统研究。结果表明,电毛细数和表面活性剂浓度是影响水滴拉伸过程的关键因素,而油水黏度比和电导率比的影响并不显著。拉伸时间对低电毛细数和高表面活性剂浓度体系更为敏感。在实验范围内,直流电场作用下球形水滴经拉伸并破裂的最小时间为10 ms。基于此,提出了一种可有效提高水滴静电聚并效率并抑制电分散现象的脉冲电场设计方法。

摘要：本文设计一种基于时间特征的网络流量预测模型,并采用该流量模型预测网络流量。文章提出网络流量预测误差的数学定义,根据测试实验表明,我们的流量模型具有更高的可用性,并适用实际运行的网络环境。

摘要：[目的/意义]相对于传统的信息行为分析,数据驱动的信息行为研究更注重数据的外在性与客观性,所得的结果能够更为全面地认识用户信息行为本质特征。[方法/过程]通过自行构建的APP实现对微信用户分享和阅读行为记录的采集,并对微信用户信息行为的时间特性进行系统的分析。[结果/结论]结果表明:微信用户日常信息行为存在显著的假日效应,但是在信息行为时间间隔分布上存在明显厚尾现象和很强的阵发性,预示着微信用户信息行为具有较高的复杂性和不确定性,无法对其产生过程实现有效的预测;此外,微信用户所分享的内容具有很强的时效性,多数内容在微信中能够得到及时的传播,但传播链长度显著受分享内容主题的影响。

摘要：本研究用关联规则挖掘方法对造成学生伤害的时间分布、影响因素及其关联关系进行研究,寻找预防高校学生意外伤亡的科学管理方法,不被突发性、不可预测性所蒙蔽,克服安全工作的盲目性和不作为。根据一线工作者多年积累整理出的制约学生伤害的42个因素设计问卷,采集到有效样本7243份。运用关联规则方法对采集数据进行研究,经过对包含125项的学生伤害数据(理论上将产生2125≈3*1037个候选频繁项)进行完整性修正、不完整数据清理、不一致数据清洗、数据归并、转化为布尔型数据等预处理和数据挖掘。获得了学生意外伤害的大量涉及时间因素的关联规则,其中时段伤害关联规则64431条,月份伤害关联规则64662条。发现大学生意外伤害的发生带有明显的时间特征,呈现一定的规律。

摘要：戏剧是一门综合性艺术，完整的戏剧活动包括剧本创作和舞台创演两个方面．其中剧本具有叙事文本一般时间特征。戏剧本质上是一门“动作”的艺术，所以剧本只能附着在表演上，显现为演员表演行为的重要准备条件。这就决定了戏剧必须满足舞台创演的严格时空限制，戏剧情节的发展无不体现着一种特殊的时间意义。

摘要：时间具有抽象性,人们利用具体的空间词汇描述时间,即通过空间隐喻认识时间。从认知凸显视角分析时间特征,发现其与时空隐喻之间具有相似性。英汉两种语言中时空隐喻都凸显了时间的伸缩性、线性和方向性特征。

摘要：一、对中国画时间特征与运动特征的认识中国画作品的时间特征与运动特征同书法作品是相似的：它们都依靠构成作品的形式（线、色）等组成一定的空间，诉诸人们的视觉。但是，中国画作品中线条的重叠、承接与墨色的自然变化，把绘画时线条推进的过程保留在作品中．使中国画艺术在一定程度上又具备时间艺术的特点。

摘要：为准确评估桥梁结构状态,提升损伤识别效率,提出基于联合卷积神经网络(CNN)与长短期记忆(LSTM)深度网络的桥梁损伤识别方法,并用振动台试验数据进行验证。结合CNN空间特征和LSTM时间特征提取能力,构建桥梁结构损伤识别架构;提取5类时频域损伤特征,经对比分析后,采用结合平均频率和平均能量的组合特征进行损伤识别;基于振动台试验数据及其有限元模型数据识别了斜拉桥模型的损伤,并将识别结果分别与CNN、LSTM的识别结果对比。结果表明:采用联合CNN与LSTM深度网络建立的损伤识别方法可有效识别出桥梁的损伤位置和损伤程度,且偏差小,识别结果优于CNN、LSTM;未布置传感器的位置损伤识别精度较低;轻微损伤识别准确率相对较低。

摘要：中国古代人物画长卷狭长的幅面形制、表现内容、构图原则和移动式的阅读方式决定着它具有很强的时间特征,也因之形成了其独特的"拟影像性"艺术特点。考察并比较中国古代人物画长卷在视觉程式、视觉修辞区隔单元、宏大场面的处理方法和"诗书画印"的协同关系对应于电影艺术在影像场面调度、影像"帧"、宏大场面的影像技巧和电影综合语言互补关系之间的类同性,可以初步总结出中国古代人物画长卷对电影镜语特色的借鉴价值。

摘要：时空数据是包含时间和空间属性的数据类型.研究时空数据需要设计时空数据模型,用以处理数据与时间和空间的关系,得到信息对象由于时间和空间改变而产生的行为状态变化的趋势.交通信息数据是一类典型的时空数据.由于交通网络的复杂性和多变性,以及与时间和空间的强耦合性,使得传统的系统仿真和数据分析方法不能有效地得到数据之间的关系.本文通过对交通数据中临近空间属性信息的处理,解决了由于传统时空数据模型只关注时间属性导致模型对短时间间隔数据预测能力不足的问题,进而提高模型预测未来信息的能力.本文提出一个全新的时空数据模型—深度卷积记忆网络.深度卷积记忆网络是一个包含卷积神经网络和长短时间记忆网络的多元网络结构,可以提取数据的时间和空间属性信息,通过加入周期和镜像特征提取模块对网络进行修正.通过对两类典型时空数据集的验证,表明深度卷积记忆网络在预测短时间间隔的数据信息时,相较于传统的时空数据模型,不仅预测误差有了很大程度的降低,而且模型的训练速度也得到提升.