我们认为标准模型（SM）的扩展具有翘曲的额外维度，可以成功解决基本粒子物理学的层次结构和风味问题，可以很好地解释ATLAS和CMS最近报告的750 GeV双光子过量。 具有O $$ \ mathcal {O} $$（1）耦合到费米子的标量单体积标量被确定为新共振S，SM夸克和轻子的矢量样Kaluza-Klein激发介导其环- 诱导与光子和胶子的耦合。 电弱规范的对称性几乎清楚地指示了物质含量，因此S→γγ，WW，ZZ，Zγ，tt的层次由S \ to \ \ gamma \ gamma，W \ W，ZZ，Z \ 伽玛，t \ overline {t} $$和dijet衰减率。 我们发现S→Zγ衰减模式被强烈抑制，使得Br（S→Zγ）/ Br（S→γγ）<0。 1.新标量玻色子的层次结构问题类似于希格斯玻色子，方法是将其定位在红外麸附近。 费米子态的Kaluza-Klein塔上的无穷和收敛，并且可以以闭合形式计算，结果非常简单。 再现观察到的pp→S→γγ信号需要在多个TeV范围内的Kaluza-Klein质量，这与风味物理学和电弱精密观测值的界限一致。

我们分析了维数为D = 4N的时空中2N形式麦克斯韦场的非线性相互作用。基于Pasti-Sorokin-Tonin（PST）方法，得出了动力学的一般一致性条件，以同时考虑这两个明显的SO。 （2）对偶不变性和Lorentz不变性。 对于通用维D = 4N，我们确定这种情况的精确解的典范类，它表示D = 4中已知非线性对偶不变麦克斯韦理论的推广。结果表明，所得理论等效于相应的 Gaillard-Zumino-Gibbons-Rasheed（GZGR）提出的一类规范理论，其中对偶性只是运动方程的对称性。 在维D = 8中，通过对PST一致性条件的完整求解，我们得出了新的非规范的明显对偶不变四次相互作用。 相应地，我们也在GZGR方法中构造了新的非平凡的四次相互作用，并建立了与前者的等价关系。 在带电的强子对p布雷源存在下，我们揭示了两种方法的基本物理不等式。 我们方法的强大之处在于它的通用性，从而将非线性对偶不变麦克斯韦理论的构造简化为一个纯粹的代数问题。

我们表明，可以将2 + 1维的扩展Bargmann和Newton-Hooke代数作为Nappi-Witten代数的展开获得。 可以对该过程进行概括以获得两个非相对论对称性的无限族，包括麦克斯韦式奇异Bargmann对称性，其广义牛顿-胡克对角线及其Hietarinta对偶。 在每种情况下，Nappi-Witten代数上的不变双线性形式导致扩张代数上的不变张量，从而使人们能够构造相应的Chern-Simons引力理论。

对Chern–Simons规范理论的概括是在任何尺寸和任意规范组中制定的，其中规范场和规范参数是任何程度的微分形式。 该配方的四元数代数结构显示为等同于三个Z2级配结构，因此阐明了四元数在先前配方中的作用。

最近显示，在二维N = 2超对称QCD版本中支持的非阿贝尔涡旋串成为关键的超串。 除了四个平移模量外，正在考虑的非阿贝尔串还具有六个方向和大小模量。 它们共同形成了超弦至关重要的十维目标空间，即平坦的四维空间和圆锥形的乘积-非紧凑的Calabi-Yau三倍。 在本文中，我们报告了对出现在四个维度上的低位闭合弦状态的进一步研究，并将它们确定为我们的二维N = 2 QCD的强子。 我们使用基于小字符串理论的方法，将轮廓上的关键字符串描述为具有Liouville字段和自对偶半径的紧凑标量的非关键c = 1字符串。 除了较早发现的无质量超多重，我们还观察到几个大规模的矢量多重峰和一个大规模的spin-2多重峰，它们都在四个维度上属于N = 2超对称的长（非BPS）表示形式。 所有上述状态均被解释为重子，重子由封闭的单极连接的闭合弦形成。 我们的构造提供了“反向全息”的示例。

各国文化距离——Hofstede的文化维度数据

本研究基于中国英语学习者口笔语语料库和本族语者口笔语语料库的对比研究,探究我国英语学习者认知立场副词的使用特征。研究结果显示与本族语者相似,中国英语学习者无论在口语或书面语中都更倾向于使用确定立场副词。同时中国英语学习者显现出区别于本族语者的中介语特征,如语域特征不清晰,口语和笔语中最高频的3个立场副词为really,never,actually;口语中过度依赖高频词maybe,将其作为一种交际补偿策略,并不具有表述判断评价的意义;同时书面语和口语中句法单一,立场副词主要位于句首。

数据仓库工具箱——维度建模的完全指南 (英文）是数据仓库建模方面的经典著作， 1996年第一版出版被认为是数据仓库方面具有里程碑意义的事件。作者kimballl是数据仓库方面的权威，他将多年的数据仓库建模实战经验、技巧融入本书。他提出的许多维度建模概念被广泛应用于数据仓库的设计和开发中。

图像相似度 使用Resnet50+KNN在数据集中查找相似图像以获取新图像。 为了解决curse of dimensionality使用PCA来降低特征的维数。 Resnet50（在imageNet上训练） 在没有toplayer的情况下从keras创建Resnet50，以获取卷积特征（2048维）作为输出，而不是图像分类概率。 为数据集的每个图像提取卷积特征（Feature_size：[number_images，2048]）。 KNN（不是分类问题） 将最近邻算法拟合到从数据集中提取的特征 提取测试图像（新）的卷积特征，并计算测试图像与数据集的每个图像之间的距离（image_Similarity）。 PCA 将PCA应用于提取的特征并减小尺寸。 使最近邻算法适合新功能

关于服务拆分的切入点，我们先从MartinL.Abbott所著《架构即未来》中所介绍的AKF扩展立方体出发寻找一些灵感，然后给出本文中关于服务拆分的三大维度。 一、AKF拆分原则 AKF扩展立方体（Scalability Cube）是一种可扩展模型，这个立方体有三个轴线，每个轴线描述扩展性的一个维度（见下图），分别是： Y轴 关注应用中功能划分，基于不同的业务拆分。 Z轴 关注数据分区，通常是指基于请求和用户独特的需求，进行系统划分，并使得划分出来的子系统相互隔离，但又是完整的。有些类似于对表数据的拆分。 X轴 关注水平扩展，其实就是将微服务运行多个实例，做集群加负载均衡的模式。做负载均衡其实