Epson打印机升级

信息科技高度发达的今天,一提起升级,人们自然而然将其与计算机联系在一起。从计算机刚出现在世人面前时那上百吨重的笨重模样发展到今天速度至快、功能至强的个人电脑,在这并不太长的过程中,不管是计算机硬件,还是软件都经过了无数次的升级、换代,并成了人们生活和工作中不可缺少的设备。“升级”这个词己是PC时代的人们常挂在嘴边的词语。打印机作为计算机最重要的外设之一,为了顺应用户的要求,自然也需要跟上升级的步伐。打印机需要升级 针式打印机之后,打印速度与打印精度均高一畴的喷墨打印机和激光打印军异军突起,尤其是喷墨打印机,以其低廉的技术成本和大为改观的打印表现逐渐占据     

固相微萃取在发酵酒香气检测上的应用

1香气物质的萃取方法-固相微萃取和顶空固相微萃取 1.1固相微萃取(SPME)简介[1] 固相微萃取法(Solid-Phase Microextraction,SPME)是加拿大学者Arhturhe和Pa wliszyn首创的一项样品分析前处理新技术.     

搅拌棒吸附萃取-气质联机分析(SBSE-GC/MS)在葡萄酒香气分析中的应用

采用搅拌棒吸附萃取(SBSE)与气相色谱/质谱(GC/MS)联用技术,针对半干白葡萄酒香气成分提取中时间、温度、加盐量等进行了优化,结果表明,室温下搅拌萃取1h能够有效提取到香气成分,且加盐能明显增强萃取效果。此方法能够分析得到香气成分约90种,其中包括醇类13种、酸类12种、酯类31种、萜烯类21种,以及挥发性酚及酮类。采用优化的方法,葡萄酒中的多种组分能够得到有效的萃取及分离。     

葡萄酒有机酸的HPLC分析中色谱条件的优化

本文优化了反相高效液相色谱测定葡萄酒有机酸的色谱条件.研究表明,采用Waters Atlantis T3反相C18色谱柱(4.6mm×150mm,5μm),保护柱为Waters Atlantis T3 Security Guard(4.6mm ×1.5mm,5μm),含1%甲醇的0.02mol/L磷酸二氢钾(pH2.7)为流动相,等度洗脱,流速为0.8mL/min,UV紫外检测器,柱温40℃,检测波长为210nm和243nm,能将7种有机酸有效分离.精密度和回收率分析表明,该方法操作简单、准确率高.     

GMTI雷达载机姿态角校正算法研究

对GMTI雷达波束在运动平台上的覆盖情况进行了分析研究,利用相控阵雷达灵活的波束控制方式,实时校正雷达波束指向,提出了一种软件补偿校正平台运动姿态角的算法.通过仿真分析和试飞试验,证明了该方式的可行性和实用性.     

服务也是一种产品

这两年,国内外出现另一种独立于软、硬件厂家之外的系统服务商,为客户提供可基于各种硬件平台、软件平台的服务,他们不仅提供本公司产品的服务,同时也为其它软硬件厂家的产品提供服务。近日,记者采访了国内专门从事独立服务提供商-ServiceOne公司的总裁黄文琦先生。黄先生曾经负责AST在整个亚太区的业务。     

面向服务架构下的仿真试验规划设计

仿真试验规划是仿真试验的核心部分,试验人员根据试验方案在试验规划阶段完成试验设计,包括硬件及软件环境的规划、仿真软件与应用程序的部署规划、试验采集数据与评估数据的规划等,进而实现试验闭环.在仿真试验规划设计中,引入正交试验设计方法完成指标设计,可以简化试验方案,达到优化效果.此外,面向服务体系架构(SOA)具有灵活性与标准化的特点,其应用于仿真试验规划设计,有利于功能的组合、扩展以及大系统仿真的集成、试验.     

顶空固相微萃取-气相色谱质谱联用技术比较赤霞珠干化葡萄和干化葡萄酒香气成分

采用顶空固相微萃取-气相色谱质谱联用技术,对赤霞珠干化葡萄和干化葡萄酒香气成分进行分析比较。检测出干化赤霞珠葡萄的香气成分34种,包括12种醇类、8种酯类、5种有机酸、5种醛类和4种其他类物质;干化葡萄酒得到香气成分45种,包括16种醇类、22种酯类、5种有机酸、2种酮类。     

一种基于SCHMM的手语识别方法

手语识别的研究具有重大的学术价值和广泛的应用前景.在近些年的手语识别工作中,隐马尔科夫模型(HiddenMarkov Models,简称HMMs)起到了重要的作用.基于HMM的统计框架是当前动态识别领域的主流方法,同时也是该文的研究工作的理论基础.提出将半连续隐马尔科夫模型(SCHMM)用于手语识别,在理论上证明了SCHMM优于离散隐马尔科夫模型(DHMM)和连续隐马尔科夫模型(CHMM),可以避开DHMM中因矢量量化造成的信息损失,在保证识别率的前提下降低模型的复杂性和运算量.     

基于SCHMM的手语识别方法的实验研究

在近些年的手语识别工作中,HMM起到了重要的作用。提出将SCHMM用于手语识别,实验结果表明SCHMM优于离散隐马尔科夫模型（DHMM）和连续隐马尔科夫模型（CHMM）,可以避开DHMM中因矢量量化造成的信息损失,在保证识别率的前提下降低模型的复杂性和运算量。