浅谈低值易耗品及办公用品管理系统的开发心得

随着计算机在企业中的广泛应用,无纸化办公越来越深入人心。办公自动化,不仅可以节省资源,更是能够简化工作流程,使工作变得轻松高效。鉴于此,公司决定成立项目开发小组开发低值易耗品及办公用品管理系统。该系统的成功运行,将给公司内部各单位领料员和物资发放管理员带来极大的方便。通过该系统,各单位领料员可以在其本单位计算机上提交领料计划申请,并随时跟踪所提交计划申请的执行进度情况,当执行状态显示为‘已购买’时,就可直接去领料,不需要老打电话询问是否可以领料了,节省了时间,也节省了电话开支,采购员可根据提前上报的申请计划量进行定量购买,实现零库存。这样使领料的整个流程更加顺畅。大大减少了领料员和物资发放管理员的工作量,提高了工作效率。该项目是采用功能强大的POWERBUILDE作为开发工具,后台采用目前最为流行的ORACLE数据库开发而成。整个系统划分为:系统管理、计划管理、出入库管理、统计分析、代码维护五大功能模块。本论文意在浅谈一下公司低值易耗品及办公用品管理系统的开发心得,以及该系统正式运行后的切身体会。     

一种高精度Σ-ΔA/D转换器的数字滤波器设计

本文设计并实现了一种适用于高精度Σ-ΔADC的低资源数字滤波器。该滤波器采用多级多采样率结构,由级联梳妆滤波器(CIC)、FIR补偿滤波器以及半带滤波器级联组成。此外,为节约资源,采用乘法器时分复用和CSD编码技术,以降低面积和功耗。基于SIMC 0.18um工艺,对电路进行仿真。仿真结果表明,工作频率6.144MHz,带宽20KHz时,可以实现128倍信号抽取,输出信号信噪比可达16位以上。与同类型抽取滤波器相比,本设计具有高精度、低功耗的优点。     

开放实验教学和管理网络新模式的实践

开放实验教学不仅是时间上的开放,带来的是教学和管理上的实质性改革,它不仅给学生开放了时间,也给学生提供较大的创新思维的自由空间。该文阐述了一种从选课、课前预习,课内辅导、实验信息管理、实验结果提交、实验数据评判到最终的成绩评定等实验教学全过程的网络化管理全新教学模式。     

基于KL-散度的智能电网用户特征提取方法

智能电网技术的发展,使得传统电力系统的规模及复杂度大大增加,同时产生了大量的用电数据,如何有效利用数据挖掘技术,从这些海量数据中挖掘出有潜在价值的信息,成为了当前电力系统分析中的一个挑战性问题。首先根据不同的时间段,将用户的用电数据进行划分,在分析每段时间内用户用电数据的基础上,采用KL-divergence（KL-散度）方法衡量用户差异,并结合基于密度改进的K-means算法,给出了一种新的用户特征提取算法,用以描述电网用户的特征差异,从而实现针对不同类别用户制定不同电力营销策略,这在一定程度上能够提高企业经济效益。最后,算例仿真结果表明,所给出的用户特征提取算法在计算的时间效率和准确性上,较传统方法都有了明显的提升。     

小议热处理工艺在模具制造过程中的应用

模具制作是工业发展中的基础性产业,对模具制作环节中实施的热加工技术展开系统地分析和归纳,可知恰当有效的热加工过程在很大程度上关联着模具制品的制造质量.力学品质、使用周期和制作费用是代表模具品质及使用周期的基本要素.笔者同时对模具热加工技术在模具制品制作环节中的运用趋势展开估判.     

基于附加质量的混凝土重力坝地震仿真分析

为了研究混凝土重力坝在地震过程中的动态响应规律,采用ABAQUS三维附加质量法模拟桃林口大坝在迁安波作用下的动态响应,并研究了3个方向地震加速度在地震过程中的影响程度。计算发现:坝体虽未发生震损,但下游断面突变处最大拉应力达到2.56 MPa,临界于混凝土的动态抗拉强度值2.6 MPa,应引起注意,在设计中折坡处宜做成圆弧形,以减少应力集中;在地震过程中,坝体横河方向位移量达到了17.87 mm,极易造成相邻坝段发生碰撞破坏,工程中可进行横缝灌浆用以加固;同时计入3个方向的地震作用是对坝体最不利的计算方案,横河向地震加速度和垂直地震加速度在整个抗震分析中都有着重要影响,单纯考虑其中某一方向地震作用的做法严重失真。     

基于深度学习的用户投诉预测模型研究*

用户投诉预测模型能有效的降低电信用户投诉率,对企业提高用户满意度和竞争力有着至关重要的作用。在模型训练过程中,由于人工设计特征的缺陷和设计过程中存在难以预估的复杂性,使得模型预测的精度和设计特征的效率不能有很大的提升。针对上述问题,本文提出了一种基于深度学习的用户投诉预测模型。该模型通过深层网络特征学习单元能从电信用户原始数据中自动学习到适合分类器分类的高层非线性组合特征,并将这些高层特征输入到传统分类器中来提高模型的精度。通过实验结果分析,本文的预测模型在AUC指标上比以往用户投诉模型提升了7.1%,证明了该模型自动学习特征的有效性和深度学习在电信大数据领域的可用性。     

基于EMD-DFA-NLM的电涡流传感器信号去噪方法

针对电涡流位移传感器输出信号中的非稳态噪声,提出一种基于经验模态分解(EMD) －去趋势分析(DFA)－非局部均值(NLM)原理的去噪方法。该方法解决了EMD去噪方法信号、噪声模态不易确定的问题,并且可在滤除高频背景噪声的同时保留信号细节。首先通过EMD将信号分解得到若干本征模态(IMF)分量,然后使用DFA区分噪声主导IMF分量和信号,主导的IMF分量,对噪声主导分量进行NLM去噪处理,最后与信号主导分量一起重构信号,分别对仿真信号和电涡流传感器输出信号进行去噪处理。结果表明,相较EMD去噪法和EMD－小波阈值去噪法,所提方法去噪性能更优SNR(MSE)值提升(减小)明显,去噪后信号的毛刺与高频震荡大大减少。     

深度随机森林在离网预测中的应用

在电信运营商领域,离网预测模型是企业决策者用来发现潜在离网用户(即停用运营商服务)的主要手段。目前离网预测模型都是基于逻辑回归、决策树、神经网络及随机森林等浅层机器学习算法,但是在大数据的背景下,这些浅层算法在预测问题上很难取得更高的精度。因此,提出了一种新型的深层结构模型——深度随机森林,通过将传统浅层随机森林堆积成深层结构模型,获得更高的预测精度。在运营商真实数据上进行了大量实验,结果证明深层随机森林模型比传统浅层机器学习算法在离网预测问题上可以得到更好的效果。同时,增大训练数据量可以进一步提升深层随机森林的预测能力,从而证明了在大数据环境下深层模型的潜力。     

基于滑动窗口的主题模型

LDA(Latent Dirichlet Allocation)是一个分层的概率主题模型,目前被广泛地应用于文本挖掘。这种模型既不考虑文档与文档之间的顺序关系,也不考虑同一篇文档中词与词之间的顺序关系,简化了问题的复杂性,同时也为模型的改进提供了契机。针对此问题提出了基于滑动窗口的主题模型,该模型的基本思想是文档中的一个单词的主题与其附近若干单词的主题关系越紧密,受附近单词主题的影响越大。根据窗口和滑动位移的大小,把文档切割为粒度更小的片段。同时,针对大数据集和数据流问题,提出了在线滑动窗口主题模型。在4个数据集上的实验表明,基于滑动窗口的主题模型训练出来的模型在数据集上有更好的泛化性能和精度。