基于集成温度传感器的硅微陀螺仪数字化温度补偿研究

提出了一种基于集成温度传感器的硅微陀螺仪数字化温度补偿方法。首先,介绍了集成温度传感器的硅微陀螺仪基本结构原理,分析了硅微陀螺仪动力学方程以及温度变化对硅微陀螺仪谐振频率、品质因数、标度因数和零偏的影响。然后,设计了基于FPGA的硅微陀螺仪数字化补偿电路。最后,经过温度特性实验得到标度因数和零偏随温度变化曲线,建立了温度补偿模型,提出分段温度补偿方法。经过温度补偿后,标度因数和零偏的温度系数分别由316.66×10-6/℃和366.22°/(h·℃)减小为69.67×10-6/℃和115.25°/(h·℃),证明了补偿方法的正确性和可行性。     

融合协同过滤的线性回归推荐算法

针对传统协同过滤算法中存在数据稀疏问题,提出融合协同过滤的线性回归推荐算法。根据用户对项目的评分以及用户和项目自身特征,构建用户间和项目间相似矩阵。基于相似矩阵,选出用户和项目最近邻集合,分别通过基于用户和基于项目的协同过滤算法来预测用户已评分项目的评分,将预测评分与真实评分的差值作为特征,组合在一起生成新的训练数据。把新的训练数据作为线性回归模型的输入,根据训练好的模型预测未知评分,采用Top-N算法产生推荐列表。在MovieLens数据集上进行实验。实验结果表明,新算法的推荐准确性较传统协同过滤算法有显著提高。     

不同形貌ZnO气敏材料的制备及影响气敏性因素分析

以锌盐和碱为原料,采用水热和溶剂热法合成了三种形貌的氧化锌粉体,利用X射线衍射仪(XRD)、扫描电子显微镜(SEM)和X射线光电子能谱仪(XPS)对产物的结构和形貌及表面化学状态进行了表征,并将粉体制备成厚膜型气敏元件,测试了其对几种还原性气体的气敏性能,结果表明:在工作温度为395℃时,三种形貌氧化锌对相同浓度的同种测试气体的灵敏度大小顺序为:菜花状氧化锌﹥棒状氧化锌﹥六棱柱状氧化锌。并对影响氧化锌材料气敏性的各种因素进行了分析。     

多样化软件工程人才培养模式研究

针对国内软件工程人才培养机制的主要不足之处,提出多样化软件工程人才培养模式,从专业培养定位、人才培养定位、课程平台架构、专业课程体系、教学方法设计、实践教学体系等方面阐述培养满足我国信息产业发展需要的高素质软件工程人才的措施。     

两亲性超支化聚（胺-酯）对PVC／PP共混体系的增容作用

研究了两亲性超支化聚（胺-酯）（A-HPAE）对PVC／PP共混体系的增容作用，讨论了其用量对PVC／A-HPAE／PP共混体系力学性能和复数黏度的影响。结果表明，在PVC／PP共混物中加入2份（质量份，下同）A-HPAE时，能很好地改善共混体系的相容性，使共混物的拉伸强度和断裂伸长率分别达到26．18mPa和18．72％，比未加的分别提高了107．67％和34．68％；共混体系的绝对复数黏度随着A-HPAE用量的增大而降低；扫描电子显微镜分析表明，A-HPAE增强了PVC和PP之间的界面黏结作用，减小了共混体系中分散相的尺寸。     

一种基于PE文件的信息隐藏方法的研究与实现

通过研究PE文件的格式,分析了目前存在的冗余空间进行信息隐藏的不足,利用PE文件资源结构提出一种基于PE文件的信息隐藏方法,通过将信息隐藏于PE文件资源节中,隐藏后PE文件的大小没有改变,而且也不破坏原PE文件的执行,最终达到将信息分散隐藏的目的,提高信息的隐蔽性.     

减负增效之优化作业设计

"减负增效"的本质是切实推进素质教育,让学生更加生动活泼、主动、全面地得到发展。"减负增效"是项系统工程,涉及教师转变思想,改进课堂教学模式,改进作业设计思路等很多方面。     

计算机网络安全隐患探讨

在计算机技术的广泛应用过程中,其安全问题受到人们越来越多的关注,网络中的安全隐患问题严重影响了人们的正常工作和生活,网络安全隐患问题成为人们首要解决的问题。本文主要简述了现在计算机网络存在的安全隐患问题及如何采取正确的措施解决安全隐患问题。     

基于优化BP神经网络光伏出力短期预测研究

太阳能拥有丰富的资源,而且分布广泛,现已被广泛应用到各种应用中,光伏发电已是一种可靠可行、可扩展的重要可再生能源利用的方式,因此对光伏出力进行精准的预测意义重大;从宁夏市某光伏发电站获得了一年的光伏发电数据与气象等因素,选取四月至五月的数据进行研究预测;针对BP神经网络的收敛时间长,容易陷入局部极小值等缺点;建立单一BP神经网络预测模型,基于遗传算法(GA)优化BP神经网络的GA-BP预测模型与基于狼群算法(WPA)优化的BP神经网络的WPA-BP预测模型;选择平均相对误差作为误差评估指标,结果表明,3种预测模型均能对光伏电站的发电功率进行预测,但是单一的BP神经网络模型误差较大,晴天时,误差为5.1%,经遗传算法改进后的预测误差为4.9%,较单一模型提高了0.2%的精度,而WPA-BP预测模型误差为4.4%,预测精度高于前者;同时多云天和雨天的时候,均为WPA-BP模型的预测误差小,稳定性高,具有一定的研究价值。     

光伏电站短期功率区间预测

为了解决因天气因素导致的光伏出力预测不确定性和随机性问题,更好地量化光伏出力预测偏差的波动范围.提出了基于自适应噪声的集合经验模态分解(CEEMDAN)-排列熵(PE)和改进的蚁狮算法(IALO)优化核极限学习机(KELM)的光伏发电功率区间预测模型.利用CEEMDAN将历史功率信号分解为多个模态函数(IMF)分量,然后,计算各IMF的熵值,相近的熵值重新组合新序列.借助采用IALO调整输出层权重的KELM网络建立预测模型,对各序列进行区间构造并根据区间预测偏差调整区间模型,再叠加区间预测结果.以实际数据为算例,将组合预测模型与IALO-KELM模型和粒子群算法-反向传播算法(PSO-BP)模型进行对比实验.结果表明,CEEMDAN-PE-IALO-KELM模型的区间预测结果准确性和可靠性更高.