十大趋势将迫使你重整网络

一、虚拟化 死亡和纳税是将来你仅关心的两件事,对不对? 来看一下这些数据,你所关心的事肯定会增加一件,那就是虚拟办公室。种种迹象表明,这种虚拟化现象将给网络专家带来极大的痛苦。事实上,你完全可以摆脱这些痛苦而只考虑最初的两件事。     

酶领生物洗涤未来——更清洁、更环保、更可持续的商业发展

文章从洗涤性能、环境和成本方面,阐述了生物酶能够优化洗涤剂配方的可能性。鉴于新兴市场愈发受人瞩目,且液体洗涤剂正经历高速增长,因此研究重点放在面向亚太市场的液体洗涤产品。结果表明,使用酶作为表面活性剂的替代品可以提升去污效果、让洗涤剂更绿色,且不会导致成本增加。原因在于,酶的使用量要比它所替代的表面活性剂少得多,而酶的生产和使用对气候和水环境的影响也相对少得多。     

FastCUT~套料软件在剪床锯床下料车间中的应用

~~FastCUT~套料软件在剪床锯床下料车间中的应用@吴达$发思特软件(上海)有限公司!上海201203 @李浩$发思特软件(上海)有限公司!上海201203~~~~     

加工中心程序编辑器的设计与实现

讨论了一种数控系统中程序编辑器的设计方法.简单说明该数控系统的系统结构,根据ANC_45M加工中心的需求和系统的设计原理,着重阐述编辑器字符的输入处理和程序段的查错、容错和格式化处理的设计原理和具体实现算法.该编辑器具有操作简单,运行速度快等优点.     

二硫化钼填充PTFE蠕变性能

为提高聚四氟乙烯(PTFE)抗蠕变性,选用二硫化钼(MoS2)填充改性PTFE,制备PTFE/MoS2材料并研究其蠕变性能。结果表明:材料应变时间曲线表现出双线性特征,压缩试验前期应变量线性增加,应变量增速在2.176%/min左右,载荷作用20min后应变量增速急剧降低,降到0.014%/min时,增速趋于稳定,试样应变量以0.014%/min的增速线性增加。试样应力应变曲线呈四个阶段特征,分别是:初次线性增加、屈服,再次线性增加、蠕变,初次线性增加与再次线性增加与PTFE分子链上键长、键角振动有关,达到载荷设定值后,随着时间延续,试样表现出明显的普弹变形。MoS2在屈服阶段通过物理交联限制PTFE链段运动使得应变量增速急剧降低,相同载荷作用下,随着MoS2填充量增大,试样应变量逐渐降低,回弹率逐渐增大,MoS2填充能够提高PTFE抗蠕变性。     

在线社交网络的UNI64采样方法

在对社交网络采样方法进行研究时,常以拒绝-接受采样法得到的样本作为对照来评价其他采样方法的优劣.由于各种在线社交网络陆续将其用户ID系统由32位升级为64位,导致拒绝-接受采样法的采样命中率近乎为零.本文根据在线社交网络的特点,以新浪微博为例,对其用户ID分布情况进行分析,提出了一种改进的拒绝-接受采样法UNI64.该方法通过分析网络有效ID样本的分布情况,结合聚类的方法将整个样本空间划分为有效区间和无效区间,并使采样算法避开无效区间,仅在有效区间内生成待测样本,从而有效提高了拒绝-接受采样法在有效样本极为稀疏的样本空间内采样的命中率.     

丙烯酸酯增韧聚乳酸的制备与性能

采用1,6-己二醇二丙烯酸酯(HDDA)和聚乳酸(PLA)为原料,通过反应共混法制备了PLA/HDDA共混物,并利用拉力试验机、冲击试验机、扫描电子显微镜、差式扫描量热仪和偏光显微镜研究了HDDA含量对共混物力学性能、断面形貌、热性能和结晶性能的影响。结果表明,HDDA对PLA具有良好的增韧效果,随着HDDA含量的增加,共混物的断裂伸长率和冲击强度显著提高;当HDDA含量为20%时,冲击强度达到8. 2 kJ/m~2,断裂伸长率为62. 8%,而拉伸强度仍保持在较高水平(39. 8 MPa)。HDDA的加入使共混物的冲击断面变粗糙,断裂形态为韧性断裂;随着HDDA含量的增加,共混物中PLA相的玻璃化转变温度逐渐降低,冷结晶温度先升高后降低,结晶度则先减小后增大。     

某遥测设备伺服复合控制方法应用研究

某遥测设备因转动惯量大、机械谐振频率低和伺服系统带宽低,导致在跟踪加速度较大目标时,伺服系统产生较大动态滞后的问题,在原有环路分析的基础上,通过在位置环增加欠补偿的一阶微分前馈信号,对伺服实现复合控制,有效改善天线动态滞后,提高了跟踪的稳定性.     

基于融合变分图注意自编码器的深度聚类模型

聚类作为数据挖掘和机器学习中最基本的任务之一,在各种现实世界任务中已得到广泛应用.随着深度学习的发展,深度聚类成为一个研究热点.现有的深度聚类算法主要从节点表征学习或者结构表征学习两个方面入手,较少考虑同时将这两种信息进行融合以完成表征学习.提出一种融合变分图注意自编码器的深度聚类模型FVGTAEDC(Deep Clustering Model Based on Fusion Varitional Graph Attention Self-encoder),此模型通过联合自编码器和变分图注意自编码器进行聚类,模型中自编码器将变分图注意自编码器从网络中学习(低阶和高阶)结构表示进行集成,随后从原始数据中学习特征表示.在两个模块训练的同时,为了适应聚类任务,将自编码器模块融合节点和结构信息的表示特征进行自监督聚类训练.通过综合聚类损失、自编码器重构数据损失、变分图注意自编码器重构邻接矩阵损失、后验概率分布与先验概率分布相对熵损失,该模型可以有效聚合节点的属性和网络的结构,同时优化聚类标签分配和学习适合于聚类的表示特征.综合实验证明,该方法在5个现实数据集上的聚类效果均优于当前先进的深度聚类方法.     

一种基于改进图波网的双重自回归分量交通预测模型

随着智慧城市的建设,城市交通流量预测在智能交通预警和交通管理决策方面至关重要.由于复杂的时空相关性,有效地对交通流量进行预测成为了一项挑战.现有的对交通流量进行预测的方法大多采用机器学习算法或深度学习模型,而它们各有优缺点,若能够将两者优点结合起来,将进一步提高交通流量预测的精度.文中针对交通时空数据,提出了一种基于改进图波网(Graph WaveNet)的双重自回归分量交通预测模型.首先,通过门控3分支时间卷积网络有效融合3个时间卷积层,从而进一步提升了捕获时间相关性的能力;其次,首次引入自回归分量,将自回归分量和门控三分支时间卷积网络、图卷积层有效融合,使模型能够充分反映时空数据之间的线性和非线性关系.在METR-LA和PEMS-BAY两个真实的公共交通数据集上进行实验,并将所提模型与其他交通流量预测基准模型进行比较.结果表明,不管是短时间还是长时间的预测,文中所提模型在各个指标上都优于基准模型.