基于Web的MCALL模式下英语写作教学中的教师中介调查

随着信息化、技术化的发展及大学英语教学改革的进程的加快,教师角色亟须转变。基于Web的MCALL模式下的英语写作教学更需要教师转变角色,发挥中介作用。结合高校英语写作教学实践,在教师和学习者中进行了相关调查,分析了角色转变过程中教师对中介角色作用的看法和具体做法及学习者对教师做法的态度。结果得出,绝大部分教师和学习者认同教师的中介作用,但在实践过程中教师的做法与学习者的看法存在差异。     

论山西焦化行业的可持续发展

论述了山西焦化行业的基本情况和当前面临的问题,对山西焦化行业如何走可持续发展道路提出了4点建议:控制总量、整合产能;落实科学发展观,延伸产业链,实现资源综合利用和发展循环经济;实现“纵向一体化”战略;加大企业技术改造和技术创新的力度,提升产业水平。     

视频数据的存储调度优化策略

文章论述了采用多个代理服务器的视频点播系统中负载平衡的基本原理,指出了现有动态均衡解决方案存在的问题,各节点机的负载评价问题和任务迁移的抖动问题,进一步分析了负载接入量和接入许可问题,以及文件存储的静态调整技术.同时提出了以节目点播概率为参数,周期性调整系统中的节目文件存储,以便使用户的点播请求合理分配到各视频服务器,从而实现整个系统的负载均衡的基于点播率的存储动态调整算法.     

基于融合分析的感应电机轴承故障检测方法

根据感应电机轴承发生故障时的振动信号特性以及定子电流特性，求出三相电流的Park矢量模信号，并将其与电机滚动轴承振动信号经解调处理后的包络信号进行融合分析。可以从振动信号与电流信号的融合谱图中有效地提取轴承故障特征信息，并将其作为故障识别的依据。实验结果表明，本文检测方法具有较高的信噪比，提高了诊断的可靠性。     

人工神经网络在多传感器信息融合中的应用研究

本文通过严格控制的试验和对采样数据的细心处理,将人工神经网络运用于油品水分检测的多传感器信息融合中。BP网络和RBF网络被公认为比较擅长函数逼近处理,大量的试验数据表明,这两种网络确实能够改善信息融合的性能。最后,作者指出,神经网络训练是否成功,除了神经网络的结构设计之外,数据的预处理也同样是十分重要的,适当的信号噪音能够提高网络的精度和适应能力。在进行实际测量时,数据的有效性、完整性等将影响网络的最终结果。因此对于采样数据的预处理以及训练集的选择将影响到人工神经网络的鲁棒性和普适性。     

安徽省火电厂入厂煤采制现状及存在问题浅谈

详细介绍了我省火电厂入厂煤和入炉煤的采样、制样现状和存在的问题。指出了现存的问题既有从业人员对采制标准的理解不够和执行不力等主观上原因，又有标准的某些条款规定过于笼统、欠科学性及缺少可操作性等客观上的原因，并对现行的采制标准中某些内容谈了作者的看法。     

T型高差固定结构中双晶长度最小定位算法

设计双晶单色仪时,为减小T型高差固定结构中双晶长度,提出了一晶长度最小定理与二晶长度最小定理。这两个定理中,前者表明入射光只有掠过转角仪中心O点,一晶长度可取为最小值;后者表明出射光只有掠过两个滑道的交点P,二晶长度可取为最小值。双晶长度最小定位算法使这两个双晶定位条件同时满足,从而使一晶与二晶长度同时最小。结合入射光高度放大法,将此定位算法应用于EXAFS双晶单色仪中,可使双晶长度分别由80mm,180mm都减小到60mm。     

带误差补偿的GPC对网络控制系统时延的解决

针对网络控制系统(NCS)具有不确定时延的特性，提出了将广义预测控制(GPC)应用于网络控制系统的思想。为了克服模型失配和系统不确定性的影响，基于BP神经网络建立一个误差的预测模型，用误差预测值对输出预测值进行补偿，构成新型的广义预测控制算法，并采用了平滑滤波的加权输入控制律。在网络控制系统中，测试了网络数据传输的随机延迟时间特性，比较了GPC和具有BP网络预测误差补偿的GPC两种控制方法，验证了具有BP网络预测误差补偿的GPC在模型失配时的更好的控制性能。     

一种基于参考点和密度的快速聚类算法

数据的规模越来越大,要求数据挖掘算法有很高的执行效率.基于密度的聚类是聚类分析中的一种,其主要优点是发现任意形状的聚类和对噪音数据不敏感.提出了一种新的基于参考点和密度的CURD(clustering using references and density)聚类算法,其创新点在于,通过参考点来准确地反映数据的空间几何特征,然后基于参考点对数据进行分析处理.CURD算法保持了基于密度的聚类算法的上述优点,而且CURD算法具有近似线性的时间复杂性,因此CURD算法适合对大规模数据的挖掘.理论分析和实验结果也证明了CURD算法具有处理任意形状的聚类、对噪音数据不敏感的特点,并且其执行效率明显高于传统的基于R*-树的DBSCAN算法.     

基于最大熵原理的空间特征选择方法

特征选择在模式识别和数据挖掘等领域都有十分广泛的应用.然而,当涉及空间数据时,由于传统特征选择方法没有很好地考虑数据的空间特性,所以会导致特征选择结果性能下降.从空间数据本身的特性出发,提出一种特征选择方法MEFS(maximum entropy feature selection).MEFS在基于最大熵原理的基础上,运用互信息和Z-测试技术,采用两步方法进行空间特征选择.第1步,空间谓词选择;第2步,选择与每个空间谓词对应的相关属性集.最后,分别对MEFS方法和RELIEF方法以及基于MEFS的分类方法与决策树算法ID3分别进行了实验比较.实验结果表明,MEFS方法不仅可以节约特征提取和分类时间,而且也极大地提高了分类质量.