首钢的信息化跨越

首钢ERP一期共投资1亿元，这个项目的上线成功，让首钢实现了信息化方面的一个大跨越。     

Interwoven坚守中国

Interwoven公司是从2001年开始开拓大中华区市场的．在中国内地办事处人员的绝对数量一直不多。但是Interwoven全球市场营销副总裁Mark A.Hale博士仍很骄傲的表示．与很多在中国市场上来去匆匆的内容管理厂商相比．Interwoven显得很专注．他一直保持了设在中     

朱冠舟：乐观进取ERP

相熟的人称，朱冠舟是一个很能“折腾”的人，他自己办过公司，在外企投资银行部干过投融资业务，进入ERP产业后，把和佳软件的品牌工作做得有口皆碑，之后又发挥个人专长为和佳成功融入数百万美元的海外风险投资，两年前又担任和佳销售总监，同样做得有声有色。不过就是这样一个能“折腾”的人，却在和佳一呆就是5年，让人感觉到他也有“安稳”的一面。     

IDC机房中心系统网络架构设计

介绍了互联网数据中心(IDC)的设计原则及目标,从IDC的网络结构,以及Internet接入层、核心层、服务器接入层、后台管理平台等方面入手,提出了IDC机房中心系统的网络解决方案.该方案能够满足实用性、先进性、可靠性、灵活性、可扩展性、标准化和可管理性等要求.     

水煤浆气化有效气含量的影响因素

通过对气化炉运行参数比较,研究了水煤浆气化有效气含量的影响因素,分析了原料煤质量、水煤浆浓度、气化氧煤比以及烧嘴雾化效果对水煤浆气化有效气含量的影响。结果表明:高质量原料煤、高浓度水煤浆、合适的氧煤比以及较佳雾化效果的烧嘴均能提高有效气含量。同时,操作条件调控还受到生产安全条件制约。因此,需要综合考虑多方面因素的影响,尽可能在安全的前提下提高水煤浆气化有效气含量,提高经济效益。     

话题二：面向方面编程[AOP]——AOP的本质和意义

AOP(Aspect-Oriented Prog ramming)是一种超越OOP(Object—Oriented Programming)的编程模型，它允许程序员将横切关注点(Crosscutting Concems，散布在多个模块中的一致概念如同步处理、持久化(Persistence)、日志等都是典型的横切关注点)封装成清晰的可重用模块，然后通过组合这些模块和功能性组件获得系统的实现。     

AOP的本质和意义

AOP(Aspect-Oriented Programming)是一种超越OOP(Object-Oriented Programming)的编程模型,它允许程序员将横切关注点(Crosscutting Concerns,散布在多个模块中的一致概念如同步处理、持久化(Persistence)、日志等都是典型的横切关注点)封装成清晰的可重用模块,然后通过组合这些模块和功能性组件获得系统的实现。AOP通过促进另一种模块性补充了面向对象的编程,使得我们可以很自然地处理一些传统面向对象技术不能     

基于深度学习的直流配电网分布鲁棒优化调度方法

随着分布式资源的大规模接入,直流配电网能量损耗小、控制灵活的优点凸显。针对直流配电网传统物理优化模型效率低的问题,提出了一种基于深度学习的直流配电网分布鲁棒优化(DRO)调度方法,其采用深度学习方法替代了基于场景的DRO模型的迭代求解过程,通过直接预测典型场景的最恶劣概率分布来提高模型求解效率。构建直流配电网基于场景的DRO物理模型,采用列与约束生成算法迭代求解生成深度学习的训练数据;以光伏出力、负荷、范数置信度为输入,以最恶劣概率分布为输出,构建深度神经网络模型;基于训练好的神经网络预测实时输入的光伏出力、负荷、范数置信度的最恶劣概率分布,构建最恶劣概率分布下的单层随机规划模型,获取等效的基于场景的DRO调度策略;采用33节点直流配电网系统为算例,验证所提方法在求解效率和计算精度方面的有效性。     

多层次感知的多视图三维模型重建

针对基于体素表征的多视图三维模型重建过程中,存在二维视图所包含的空间信息离散,空间网格中体素分布稀疏的问题,提出基于多层次感知的多视图三维模型重建方法,旨在通过对视图级、体素级与物体级信息的多层次感知,重建具有完整结构与局部细节的三维模型。在视图特征提取阶段设计了上下文感知的通道注意力模块来最大限度获取二维视图中潜在空间信息;在三维模型生成阶段,通过体素感知的VoxFocal Loss来促进空间网格中体素生成;在三维模型细化阶段,通过具有物体感知能力的三维判别器来自适应地消除三维模型中冗余体素,生成更具真实感的三维模型。在大型合成数据集ShapeNet和真实世界数据集Pix3D上验证了该方法的有效性与先进性。     

基于卷积神经网络联合多域特征提取的干扰识别算法

干扰识别技术是智能抗干扰通信系统中的关键技术,通过对接收信号中干扰类型的准确判别,可为无线通信系统生成最佳的抗干扰方式提供决策依据。针对无线通信系统中典型压制式干扰的识别问题,本文提出了一种基于卷积神经网络联合多域特征提取（Convolutional Neural Network-based Joint Multi-Domain Feature Extraction,CNN-JMDFE）的干扰识别算法,通过CNN同时对两种预处理增强的数据对象:时频图像与频域序列提取干扰特征,有效利用了两种数据对象的优势,提升了干扰识别性能。仿真结果表明,在对于包含动态和参数随机的干扰识别场景下,CNN-JMDFE算法在干噪比（Jamming-to-Noise Ratio,JNR）≥-2 dB时可准确识别14种类型的干扰,识别性能明显优于基于时频图像或频域序列单一数据对象的基于卷积神经网络自动特征提取（Automatic Feature Extraction-based Convolutional Neural Network,AFE-CNN）算法;与传统的人工特征提取的深度神经网络（Manual Feature Extraction-based Deep Neural Network,MFE-DNN）相比,本文算法显著提升了在低JNR下分类准确率,增强了干扰特征的抗噪性能;对于复合干扰,本文算法同样可取得良好的分类效果,当JNR≥0 dB时可准确分类10种复合干扰。