满园春色关不住——抗战时期永安进步文化活动历史地位初探

来源 :福建党史通讯 | 被引量 : 0次 | 上传用户:tdsl
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
抗战时期,福建临时省会永安时达七年的进步文化活动,在中国新文化运动史上,是很有光彩的一叶!近几年来,随着党史资料征集工作的广泛开展,对党领导的永安进步文化活动史料的挖掘和整理也日益深入。愈来愈多的史料证明:永安进步文化活动是抗战文学史上不可或缺的一部分,它和重庆、桂林、昆明、曲江等国统区文学一样,是在血与火的年代 In the period of the War of Resistance Against Japan, the progressive cultural activities of up to seven years in Yongan, a temporary provincial capital in Fujian Province, were a glorious one in the history of the Chinese new cultural movement. In recent years, with the extensive collection of information on party history, Yong’an progressive cultural activities of the historical excavation and finishing are also increasingly in-depth. More and more historical data proves that the progressive cultural activities in Yongan are an indispensable part of the history of the anti-Japanese war literature. Like the literature of the Central and Eastern Regions such as Chongqing, Guilin, Kunming and Qujiang,
其他文献
水稻三化螟是韶关市水稻生产上的重要害虫之一,做好水稻三化螟的预测预报是防治工作的关键。通过10多年的实践,结合历史资料,总结出一套适合韶关地区的预报方法。
以鹰嘴豆为原料,选取了两株不同来源的纳豆芽孢杆菌F-2-4和S-15,分别通过单接种和混合接种的方式,制备鹰嘴豆纳豆成品,并测定其纳豆激酶活力,结果表明:混合接种制备的鹰嘴豆
人体的骨架提取是计算机视觉研究领域中非常重要的研究方向。随着计算机硬件水平的日益提高、计算能力指数级的增强,使得当前在图像处理方面有了长足的进步,因此在计算机上处理分析人体动作的需求也日渐增多。人体骨架提取技术是分析行为动作的基础,此技术具有非常重要的实际应用价值,如在监控领域希望预先判断出一个人的动作是否具有危险性;在体育、舞蹈等领域希望通过计算机进行人体动作打分来作为比赛参考标准。近年来,随着
日、欧自然主义文学比较黎跃进日本的自然主义文学是在欧洲自然主义文学的影响下产生发展的。日本学者高须芳次郎在分析日本自然主义文学兴起的原因时说:“在法国,雨果的浪漫主
CamtasiaStudio软件可以快捷记录屏幕动作,包括影像、音效、鼠标移动轨迹等,是一款具有强大功能的非线性编辑视音频软件,能为可视化微课的制作提供有效帮助。在分析可视化微
现阶段小学低年级的识字教学过程中教师教课时间长,学生花大量时间去写,但还是出现高耗低效的情况。在教学过程中,教师应该注意到学生自身的学习状态,在教学时应该进行有效教
在线纠纷解决机制解决争议的主要方式也是调解和仲裁。但在线纠纷解决中,仲裁员或者调解员不参与争议的解决,有关争议通过计算机程序而自动地得以处理,可以有效地减少面对面
目前,中国的人工智能技术在世界处于优势地位,各行各业都受到人工智能技术的影响,通信行业也是如此。随着时代的发展,人工智能技术在未来会更好的应用在通信行业,通信领域也
一种基于微流控芯片和CMOS图像传感器的片上无透镜细胞检测系统为实现便携化、智能化的细胞检测设备提供了新方向。此无透镜系统采集的细胞图像分辨率低且图像灰度变化受实验环境影响大,采用传统的方法进行细胞分割不具有鲁棒性,并且对噪声敏感,难以实现高精度的分割。因此,研究低分辨率细胞图像的高精度分割方法对无透镜细胞检测系统的细胞图像分割具有重要意义。对于低分辨率细胞图像的自动分割问题,提出使用卷积神经网络
随着人们对人工智能设备需求的增加,深度神经网络算法得到了越来越多的应用和发展。但是,随之而来的问题也是显而易见的,深度学习模型的大小随着数据集规模的增加呈现几何式增长,一个深度卷积神经网络通常涉及到数百万个参数层,这极大的提高了对系统存储能力的要求,而受限制于移动设备规格和电池容量等因素,导致系统存储能力往往不能够满足深度卷积神经网络的要求。为了解决这一问题,本文针对如何压缩深度神经网络提出了方法