13、芬兰中世纪记忆的纪念与呈现

芬兰中世纪记忆的纪念与呈现

在1899年8月中旬的中世纪小镇波尔沃(Porvoo),一场成功的庆典举行,人们在其中呈现并体验着过去的记忆和历史叙事。整个庆典聚焦于芬兰作为瑞典王国一部分的过去,尽管此时芬兰已成为俄罗斯帝国的一部分近100年。庆典组织者避开芬兰自治大公国历史事件的呈现,很可能是因为半年前沙皇尼古拉二世启动了芬兰的“俄罗斯化”进程,取消了芬兰的自治权,在当时,与俄罗斯帝国的共同历史过于敏感,提及它并非明智之举,因此庆典选择聚焦于被吞并之前的事件。

芬兰中世纪记忆的研究视角

芬兰对中世纪的记忆在二战前较为集中。在芬兰的记忆文化中,内战(1918年)、冬季战争(1939 - 1940年)和继续战争(1941 - 1944年)占据核心地位,有许多纪念这些历史事件的纪念物。不过,也存在一些纪念芬兰中世纪事件、地点或杰出人物的纪念物。这些纪念物如何反映国家的政治历史以及国家和地方层面的记忆文化,尚未得到深入分析。

本文将重点关注代表芬兰中世纪过去的纪念物,特别比较位于奥斯特罗波赫尼亚(Ostrobothnia)的纪念物与芬兰其他地区的纪念物。选择这样的研究视角,是因为在奥斯特罗波赫尼亚的历史记载中,中世纪(广义上到16世纪末)并非该地区的决定性时期,当地历史主要关注近代和现代时期,如焦油贸易、锯木厂和造船业等现象。相比之下,芬兰南部有中世纪建立的城市。通过比较奥斯特罗波赫尼亚北部边缘地区的纪念物与南部的纪念物,能提供一个全新的视角。

我们会探讨奥斯特罗波赫尼亚纪念物的建造时间、所传达的信息、纪念的中世纪事件或人物以及背后的推动人群。总体而言,这些纪念物是否反映了芬兰的中世纪主义,以及与当今的中世纪主义是否存在联系,都是我们研究的内容。

MATLAB代码实现了一个基于多种智能优化算法优化RBF神经网络的回归预测模型,其核心是通过智能优化算法自动寻找最优的RBF扩展参数(spread),以提升预测精度。 1.主要功能 多算法优化RBF网络:使用多种智能优化算法优化RBF神经网络的核心参数spread。 回归预测:对输入特征进行回归预测,适用于连续值输出问题。 性能对比:对比不同优化算法在训练集和测试集上的预测性能,绘制适应度曲线、预测对比图、误差指标柱状图等。 2.算法步骤 数据准备:导入数据,随机打乱,划分训练集和测试集(默认7:3)。 数据归一化:使用mapminmax将输入和输出归一化到[0,1]区间。 标准RBF建模:使用固定spread=100建立基准RBF模型。 智能优化循环: 调用优化算法(从指定文件夹中读取算法文件)优化spread参数。 使用优化后的spread重新训练RBF网络。 评估预测结果,保存性能指标。 结果可视化: 绘制适应度曲线、训练集/测试集预测对比图。 绘制误差指标(MAE、RMSE、MAPE、MBE)柱状图。 十种智能优化算法分别是: GWO:灰狼算法 HBA:蜜獾算法 IAO:改进天鹰优化算法,改进①:Tent混沌映射种群初始化,改进②:自适应权重 MFO:飞蛾扑火算法 MPA:海洋捕食者算法 NGO:北方苍鹰算法 OOA:鱼鹰优化算法 RTH:红尾鹰算法 WOA:鲸鱼算法 ZOA:斑马算法
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值