第15课 《小波先生的“×××”情结》

前几天拜读了王小波先生的《一只特立独行的猪》。一开始看的时候还纳闷怎么都是九十年代的,后来才知道原来小波先生在九七年就已经去世了。虽然书中大部分都是九十年代所写,但其中的思想在现在看来也是很先进的。

书名《一只特立独行的猪》不仅指文中那头猪,一定程度上也指出了王小波先生一生的特立独行。虽然这本书很好,很有价值,也引起了我的很多思考,但是Rocken还是对其中的一个问题有疑问。这个问题也是也有被大家注意到的:小波先生似乎太刻意地为“×××”发声了。

在书中有些写自己和妻子李银河先生对“×××”的研究的部分,作者很充分地阐述了“×××”和“异性恋”是完全平等的这一观点,我也很支持。但是在一些谈论别的话题的文章中也要谈及×××,我感觉这就有点刻意了。甚至在我认为应该是异性恋的地方也写成了×××,应该是Rocken的修养不够,不能领悟先生的意思,但目前Rocken就只能领悟到这了。

我认为“×××”和“异性恋”是平等的,人们选择哪种爱情要遵循自己内心的想法。我们不应该刻意宣扬“异性恋”,但也不能刻意宣扬“×××”,对吗?

不喜勿喷

原文地址:https://blog.51cto.com/14068218/2361980

时间: 2024-07-29 15:09:59

第15课 《小波先生的“×××”情结》的相关文章

3.3 哈尔小波空间W0

在3.2节我们学习了关于(3.8)定义的Vj的性质.特别的,我们可以乘以系数从一个Vj空间变换到另一个.我们这节学习V0和V1的关系. 将f1(t)∈V1投影至V0 我们考虑一个属于V1的函数f1(t),有 这个函数在图3.12中画出 图3.12 函数f1(t) 从性质2.8我们知道f1(t)属于Vj,只要j≥1.然而这个函数不属于V0,因为他的间断点在.如果我们现在想找一个在V0里面的函数f0(t)来逼近f1(t),那我们可以采用在3.2小结中学习的公式来做,我们有 因为,这个函数的支撑集为,

ECG信号读取,检测QRS,P,T 波(基于小波去噪与检测),基于BP神经网络的身份识别

这学期选了神经网络的课程,最后作业是处理ECG信号,并利用神经网络进行识别. 1  ECG介绍与读取ECG信号 1)ECG介绍  具体ECG背景应用就不介绍了,大家可以参考百度 谷歌.只是简单说下ECG的结构: 一个完整周期的ECG信号有 QRS P T 波组成,不同的人对应不用的波形,同一个人在不同的阶段波形也不同.我们需要根据各个波形的特点,提取出相应的特征,对不同的人进行身份识别. 2)ECG信号读取 首先需要到MIT-BIH数据库中下载ECG信号,具体的下载地址与程序读取内容介绍可以参考

大数据Spark蘑菇云前传第15课:Scala类型参数编程实战及Spark源码鉴赏(学习笔记)

前传第15课:Scala类型参数编程实战及Spark源码鉴赏 本課課程: Spark源码中的Scala类型系統的使用 Scala类型系統编程操作实战 Spark源码中的Scala类型系統的使用 classOf[RDD[_]] 這個也是类型系統 這里的意思是說 B 這種類型必需至少是 A 這樣類型 Ordering Scala类型系統编程操作实战 作為類型系統最大的就可以對類型進行限制,在Scala 中的類型系統,他本身也作為對象.e.g. 我們可以建立 Person 這個類,現在可以建立一個什麼

ECG信号读出,检测QRS,P,T 波(小波去噪,并根据检测),基于BP辨识的神经网络

这学期的课程选择神经网络.最后的作业处理ECG信号,并利用神经网络识别. 1  ECG引进和阅读ECG信号 1)ECG介绍  详细ECG背景应用就不介绍了,大家能够參考百度 谷歌.仅仅是简单说下ECG的结构: 一个完整周期的ECG信号有 QRS P T 波组成,不同的人相应不用的波形,同一个人在不同的阶段波形也不同.我们须要依据各个波形的特点,提取出相应的特征,对不同的人进行身份识别. 2)ECG信号读取 首先须要到MIT-BIH数据库中下载ECG信号,具体的下载地址与程序读取内容介绍能够參考一

转载 关于小波消失矩的理解

Topic: [原创]对消失矩的理解   1.[原创]对消失矩的理解   Posted by: chuntianPosted on: 2005-09-14 10:13 我们通常用的函数dbn中的n就是这个小波函数的消失矩;消失矩越大,它的支撑长度就越大,通常是支撑长度不少于2*n-1的;消失矩越大,对应的滤波器越平坦,而且小波函数的振荡很强.光滑函数在利用小波展开后的零点越多,也就是说小波的消失矩的大小,决定了小波逼近光滑信号的能力.这一点也可以用来进行图像压缩.越大的消失矩将使高频系数越小,小

小波 mallat 算法

算法要求:输入序列是大于滤波器长度的偶数列 确实可以通过编程的手段使算法适合所有的情况,但本文章的目的是展示mallat算法的过程,所以就一切从简了 // Mallat.cpp : Defines the entry point for the console application.// #include "stdafx.h"#include "stdio.h"/*mallat算法 分解* dSIn 输入的序列s,dH0尺度函数展开系数,dH1小波函数展开系数,d

图像融合(六)-- 小波融合

基于小波的融合(wavelet) 小波变换的固有特性使其在图像处理中有如下优点:完善的重构能力,保证信号在分解过程中没有信息损失和冗余信息:把图像分解成平均图像和细节图像的组合,分别代表了图像的不同结构,因此容易提取原始图像的结构信息和细节信息:小波分析提供了与人类视觉系统方向相吻合的选择性图像. 离散小波变换(Discrete Wavelet Transform, DWT).DWT的函数基由一个称为母小波或分析小波的单一函数通过膨胀和平移获得.因而,DWT同时具有时域和频域分析能力,与一般的金

小波去噪的基本知识

本篇是这段时间学习小波变换的一个收尾,了解一下常见的小波函数,混个脸熟,知道一下常见的几个术语,有个印象即可,这里就当是先作一个备忘录,以后若有需要再深入研究. 一.小波基选择标准 小波变换不同于傅里叶变换,根据小波母函数的不同,小波变换的结果也不尽相同.现实中到底选择使用哪一种小波的标准一般有以下几点: 1.支撑长度 小波函数Ψ(t).Ψ(ω).尺度函数φ(t)和φ(ω)的支撑区间,是当时间或频率趋向于无穷大时,Ψ(t).Ψ(ω).φ(t)和φ(ω)从一个有限值收敛到0的长度.支撑长度越长,一

读《我的精神家园-王小波》摘抄与感想

??最近读了王小波的<我的精神家园>,这本书算是杂文类的,比起那种长篇大论的小说阅读起来轻松多了,读完感觉是,王小波很多观点很犀利,独特,粗鄙又不乏幽默.难怪高晓松对王小波有着极高的评价,说他是现代白话文写作第一名,且甩掉第二名好几个身位(大概就这意思),读完本书,把自己觉的写得好的地方加以摘抄,顺便有感而发写点文字记录一下. 备注 部分段落末尾破折号后的文字表示所属书中具体文章标题 括号里的内容仅代表个人观点 1.人们的见识总要受到处境的限制,这种限制既不知不觉,有劳不可破.-有关天圆地方