一种基于新型事件驱动机制的Java构件交互方法

提出了一种基于新型事件驱动机制的构件交互方法。这种方法使用统一的事件模型，以一致的方式处理各类事件，包括自动触发的自动事件，显式地调用事件服务API生成的手动事件以及反映事件路由器工作状态的路由事件。这种方法不要求修改构件源代码，且能够以灵活的事件路由器网络作为构件交互的核心，为Java构件交互问题给出了一个新的解决途径。     

AEM对EVA电缆材料性能影响的研究

应用乙烯-丙烯酸酯橡胶(AEM)与乙烯-醋酸乙烯酯共聚物(EVA)、氢氧化镁(MH)、氢氧化铝(ATH)以及沉淀法白炭黑(SiO2)进行熔融共混复合,制备出系列EVA基电缆材料。应用扫描电镜(SEM)、差示扫描量热仪(DSC)、万能试验机和极限氧指数测试仪对EVA材料的结构和性能进行表征和测试。研究结果表明,AEM明显提高了EVA电缆材料的耐油性能,当AEM含量为3. 0%时,电缆材料综合性能优良,其LOI达到39. 3%,拉伸强度和断裂伸长率分别为11. 6 MPa和142%。     

基于最优簇首数划分单元格的改进GAF算法

为构造良好的拓扑结构, 降低节点能耗, 延长网络生存期, 对传统的GAF算法进行了改进。改进算法中考虑到连通度和最优簇首数的问题, 提出了新的虚拟单元格划分方法。在簇首选择阶段, 不仅考虑到节点剩余能量及节点距基站的距离, 还考虑到节点吞吐率的问题, 并通过定义簇首选择函数来进行簇首选择。仿真结果显示, 改进的GAF算法有效地节省了节点能耗, 延长了网络生存期。该算法的各项性能均优于传统的GAF算法。     

烟曲霉素发酵培养基的优化

目的:以烟曲霉CEA-1701为生产菌株,对烟曲霉素发酵培养基进行优化。方法:运用HPLC测定发酵液中烟曲霉素含量,通过单因素实验选择发酵碳源和氮源种类,进一步用Plackett-Burman(PB)和Box-Behnken Design(BBD)设计优化各成分在培养基中的浓度。结果:单因素实验筛选到适宜烟曲霉素合成的碳源和氮源分别为甘油和酵母提取粉。PB实验表明,甘油、玉米粉和酵母提取粉是影响烟曲霉素产量的主要因素;BBD实验优化得到产烟曲霉素的适宜培养基成分为:甘油33.5 g/L、酵母提取粉3.1 g/L、玉米粉1.7 g/L、MgSO₄·7H₂O 0.5 g/L、K₂HPO₄ 1.5 g/L、KCl 0.5 g/L、FeSO₄·7H₂O 0.013 g/L。以此培养基发酵144 h测得发酵液中烟曲霉素含量达到68.51 mg/L,较优化前提高了122.4%。结论:实验优化了发酵烟曲霉素的培养基成分,显著提高了烟曲霉CEA-1701菌株合成烟曲霉素产量,为烟曲霉素的发酵生产提供了参考依据。     

压电材料中螺型位错偶极子与圆弧形界面裂纹的电弹干涉效应

研究了在无穷远力电荷载作用下广义螺型位错偶极子与圆弧形界面裂纹的电弹干涉作用。运用复变函数方法,导出了该问题的一般解答,并获得了界面上只有一条裂纹时的封闭形式解,求得了基体及夹杂区域复势函数、广义应力场、裂纹尖端的广义应力强度因子以及作用在螺型位错偶极子上的位错力和力偶矩。讨论了裂纹长度、压电材料电弹常数以及位错偶极子的位置对裂纹尖端应力强度因子、偶极子中心的位错力和像力偶矩的影响。     

SDC99钢盐浴碳化钒覆层生长动力学及其摩擦磨损性能的研究

本文研究了SDC99钢TD法盐浴渗钒在不同温度,不同时间下的覆层厚度,建立了覆层生长动力学模型,并以Cr12MoV和T10钢作为对比试样,表明基体中的固溶碳含量控制覆层厚度及生长速率.覆层的力学性能测试结果显示,经TD渗钒后材料表层的硬度超过24 GPa,较渗钒前提高了约4倍,且耐磨损性能得到大幅度提高.     

改进的激光成像制导有源干扰仿真研究

目前,激光成像制导作为一种新型的精确制导方式,在战场上发挥着越来越大的作用。然而,针对激光成像制导的干扰方法效果却并不理想,具体表现为:方式被动、成功率低、干扰效果不明显等。针对激光成像制导系统输入信号的激光有源干扰技术是近几年提出的新型干扰方式。在其研究基础上,对光学仿真,特别是激光光学仿真进行了较为深入的研究,并提出了一种改进的激光有源干扰方式:利用截获的敌方激光探测信号相关信息,复制其激光信号作为干扰信号,对敌方激光成像制导系统进行干扰,掩盖重要军事目标,具有成本低、方式主动等优点,从而提高对激光成像制导输入信号的干扰能力,干扰成功率可达98%以上。     

成本估算参数方法研究

武器装备制造成本是军事部门对装备建设进行决策的重要依据。如何在满足武器装备战术技术指标的同时,合理有效地估算制造成本,是武器装备决策和研制部门迫切需要解决的问题。参数法是较为有用的新型武器系统制造成本估算方法。该文应用回归分析和灰色系统预测理论建立参数方程,解决武器系统制造成本估算问题。     

基于深度学习的乳液泵缺陷检测算法

为了实现对工业产品乳液泵的缺陷检测,本文采集泵顶、泵上端、泵下端、尾管4个角度的样本图像,并基于深度学习中迁移学习和卷积神经网络的原理分别构建各角度的分类模型以检测缺陷样本。首先,使用Mini-ImageNet数据集预训练网络模型。然后,调整模型结构并加载预训练网络的参数,并将乳液泵各角度的训练集和验证集经过图像预处理算法后输入至卷积神经网络中训练,根据训练过程中验证集准确率的变化调整网络超参数,得到最终网络模型。最后,将预处理后的乳液泵测试样本输入至训练好的模型中,检测最终模型的缺陷识别效果。最终4个角度检测准确率均在93%以上,单样本检测用时为2.52s,优于传统方法。本文算法可用于设计乳液泵缺陷检测系统,该系统能与工业结构相结合筛选出有缺陷的泵体,也可拓展到工业其他物件的缺陷检测。