氯化钙改善羊毛织物抗皱性能的研究

用氯化钙、水、乙醇(1:8:2摩尔比)的二元体系溶液对精纺毛织物进行抗皱整理,在三种处理温度(50℃、60℃、70℃)和两档时间(20min、40min)的条件下,分别测定整理后毛织物的折皱恢复角和断裂强度。结果表明,毛织物的折皱性能都有不同程度的改善,而且温度越高越不利,时间越长越不好,温度影响尤为显著,但断裂强度都略有下降。在本次实验条件下,处理温度50℃,时间20min最为有利;同时,通过对毛纤维的进一步处理也验证了这一点。     

出口小麦淀粉品质指标结果情况分析

对出口小麦淀粉企业实验室检测结果进行质量控制,防止在检验过程中产生质量隐患。对2005年1～4月份间出口的小麦淀粉抽取水分、灰分、二氧化硫等项目的实验室数据进行统计分析,绘制质量控制图。发现第18组水分数据失控,发现灰分数据从第10组起连续5个数据有位移的倾向。对于实施过程检验的企业,检验检疫部门应加强对生产过程控制的同时,更要对实验室进行质量控制,从而真正有效地保证检验工作质量。     

升平气田产能预测方法

依据升平气田的试井资料，建立了气井产能与压差之间的二次项产能方程。运用此方程可以预测升平气田的单井产能，并且建立了压差平方与kh值相关的气田综合产能方程。当求得气田的平均kh值后，利用该方法可以求得气田的平均产能或生产压差。     

投影寻踪分类模型在膜下滴灌模式评价中的应用

针对综合考虑产量、品质、水分利用效率等指标的灌水模式优选问题,本文提出了融入加速遗传算法的膜下滴灌灌水模式投影寻踪评价模型。该模型通过高维数据向低维空间的转换,把样本的多个评价指标转化成一个综合指标,实现了对膜下滴灌多种灌水模式的评价。最后应用该模型于新疆的大田试验中,对9种灌水模式进行了评价和优选,结果表明,对整体考虑产量、品质、水分利用效率的最优灌水模式的选择与大田实验方案选择相符,能客观、真实地反映各评价指标的贡献率和方向性。     

针对任意传感器失效的反馈设计新方法

本文针对任意传感器的失效，给出了一种反馈设计方法，通过解Ｌｙａｐｕｎｏｖ方程及判定一个不等式的成立，即可给出反馈增益阵的设计，最后用这种方法研究了一个例子。     

基于FR的远程考试身份认证系统研究

在远程教育考试系统中,如何实时有效地验证考生身份非常重要。本文提出一种基于FR(Face Recognition)的远程考试身份验证系统,首先利用肤色信息检测人脸图像,经过预处理后提取特征点,然后通过与报名库中人脸图像进行几何特征比对,从而完成考生的身份验证。实验表明该系统具有较好的识别率,能有效地识别出考生信息。     

基于粗糙集与改进KNN算法的文本分类方法的研究

KNN算法是文本自动分类领域中的一种常用算法,对于低维度的文本分类,其分类准确率较高。然而在处理大量高维度文本时,传统KNN算法由于需处理大量训练样本导致样本相似度的计算量增加,降低了分类效率。为解决相关问题,本文首先利用粗糙集对高维文本信息进行属性约简,删除冗余属性,而后用改进的基于簇的KNN算法进行文本分类。通过仿真实验,证明该方法能够提高文本的分类精度和准确率。     

基于互补原理确定黄土高原Budyko方程的流域特性参数

Budyko方程的流域特性参数一般根据植被覆盖度等下垫面特征进行确定,但相关资料不易获取。本文针对黄土高原地区29个小流域,通过分析流域特性参数、植被覆盖度和互补关系中大气湿润指数之间的关系发现,大气湿润指数能够间接反映植被覆盖度的大小,进而能够利用常规气象数据确定流域特性参数,并拟合出了经验公式。相比采用固定流域特性参数,这种方法能够提高Budyko方程对实际蒸散发量的模拟效果。相比于植被覆盖度等下垫面资料,常规气象数据时间序列长、且更易获取,因此本方法具有较好的应用前景。     

以地形为基础的HSC产流模型在辽西半干旱丘陵流域的适用性

采用以地形为基础的HSC产流模型(HAND-based storage capacity curve),以典型半干旱丘陵区的辽宁省叶柏寿流域为研究区,检验模拟效果。在只改变产流模块的情况下,把HSC线型同HBV(hydrologiska byrans vattenbalansavedlning)模型的beta函数、新安江模型的蓄水容量曲线、基于雨强阈值的超渗模型进行比较后发现,在进行长时间序列模拟时,极端高洪峰流量过程对径流的模拟结果有很强的影响。传统模型依赖参数率定,普遍存在参数过拟合现象,即为了提高洪峰流量模拟精度,导致优化的产流参数严重背离物理意义和假设。研究提出的产流模型基于HSC线型并耦合根系区蓄水容量反演的MCT方法,参数物理意义明确且无需率定,可避免传统模型存在的为提高对少数洪峰流量的模拟精度而产生的参数过拟合现象,因此在率定期和验证期其洪水模拟精度表现更为可靠和稳定。     

基于社交圈层和注意力机制的信息热度预测

社交网络现已成为现实世界中信息传播与扩散的主要媒介,对其中的热点信息进行建模和预测有着广泛的应用场景和商业价值,比如进行信息传播挖掘、广告推荐和用户行为分析等.目前的相关研究主要利用特征和时间序列进行建模,但是并没有考虑到社交网络中用户的社交圈层对于信息传播的作用.本文提出了一种基于社交圈层和注意力机制的热度预测模型SCAP(Social Circle and Attention based Popularity Prediction),首先对社交圈层进行定义,通过自动编码器提取用户历史文本序列的特征,对不同用户的社交圈层进行聚类划分,得到社交圈层特征.进而对于一条新发布的文本信息,通过长短期记忆网络与嵌入层提取其文本特征、用户特征和时序特征,并基于注意力机制,捕获到不同社交圈层对于该文本信息的影响程度,得到社交圈层注意力特征.最后将文本特征、用户特征、时序特征和社交圈层注意力特征进行特征融合,并通过两个全连接层进行建模学习,对社交信息的热度进行预测.在推特、微博和豆瓣等四个数据集上的实验结果表明,SCAP模型的预测表现相比于多个对比模型总体呈优,在不同数据集上均方误差(MSE)分别降低了0.017,0.022,0.021和0.031,F1分数分别提升0.034,0.021,0.034和0.025,能够较为准确地预测社交信息的热度.本文同时探究了不同实验参数对于模型的影响效果,如用户历史文本序列的数量、社交圈层的数量和时间序列的长度,最后验证了模型输入的各个特征和注意力机制的引入对于模型预测性能提升的有效性,在推特数据集中,引入社交圈层和注意力机制,模型的MSE指标分别降低了0.065和0.019.