小型蠕动机器人原理与实现

本文阐述了蠕动的原理，在此基础上研制了一套小型蠕动机器人系统，其主要部分由三个Ｌａ：ＰＺＴ电致伸缩微位移器和一套独特的柔性链机构所组成。机器人的外形尺寸为１５０＊６１＊４６ｍｍ，重２ｋｇ，最大步距１０μｍ，行程４０ｍｍ，运动精度０．２μｍ。     

高沸石配比陶瓷纤维复合纸制备中助留剂的选择

考察了沸石复合纸板制备中助留剂对无机物留着的影响。结果表明,PDADMAC或A-PAM单元体系、PVAm/A-PAM二元助留体系的作用效果差,PDADMAC/A-PAM二元助留体系的留着效果显著,PDADMAC的相对分子质量对留着效果的影响不大,PDADMAC与A-PAM的电荷量比是决定无机物留着的主要因素,本研究的条件下,最佳正负电荷量比为3.0～5.0。     

制氢装置转化催化剂失活原因分析及对策

中石化西安分公司制氢装置转化催化剂在短期生产运行过程中,因催化剂积碳导致转化炉管表面出现大面积花斑,近半数炉管出现红管,炉管差压增大,转化出口甲烷含量超标,芳烃穿透.对催化剂失活原因进行细致分析后表明:装置开停车频繁;转化催化剂多次积碳-烧碳使催化剂表面剥蚀破碎、跑损严重为主要原因.针对失活原因制定了相应对策.     

碳沉积法制富氮用炭分子筛的研究

本文提出的碳沉积法是用煤焦油馏分油的有机溶液浸渍煤炭化物,然后热解以进行“孔调变”。确定了最佳工艺条件,制得富氮性能良好的炭分子筛。并用D-A方程求取了各种样品的微孔结构参数。     

聚乙烯电缆料的高速挤出技术

研究了聚乙烯绝缘料的高速挤出特性。结果表明：通过共混改性，添加合理的助剂及良好的工艺条件能较好地实现PE电缆绝缘料的高速挤出。     

铝系阻燃剂阻燃PP的力学性能研究

将用偶联剂处理的碱式碳酸铝镁加入到聚丙烯中，通过对体系阻燃性、力学性能等研究得出：碱式碳酸铝镁能够对聚丙烯起到良好的阻燃效果，碱式碳酸铝镁的加入提高了聚丙烯的冲击强度，当碱式碳酸铝镁质量分数为23％时，体系的冲击强度最高。研究了偶联荆的用量对体系力学性能的影响，结果表明，随偶联荆用量的增加，体系的拉伸强度降低，冲击强度先升高后降低，当偶联荆质量分数为1．0％时，体系的冲击强度最高。     

我国4省农民思想教育现状分析及对策研究

摘 要 加强农民教育,提高农民素质,培养新型农民是建设社会主义新农村的现实需要,是当前农业与 农村工作中一项十分紧迫的任务。该文从社会学视角,结合陕西、河南、山东、江西4省样本,对当前农 民思想素质教育问题进行较为深入的探讨,在此基础上,提出了今后农民思想教育发展的思路。     

轻量化卷积神经网络在SAR图像语义分割中的应用

针对合成孔径雷达图像的语义分割问题,构建了一个全新的TerraSAR-X语义分割数据集GDUT-Nansha。然后,为解决传统深度学习方法模型体积大,难以在样本数量偏少的合成孔径雷达图像数据集上应用的问题,对轻量化卷积神经网络ENet模型进行了分析和改造。提出了一种改进的轻量化卷积神经网络模型(revised weighted loss eNet,RWL-ENet);针对合成孔径雷达图像数据集样本不平衡问题,使用了带有权重的损失函数。通过和其他经典卷积神经网络语义分割模型的对比实验,验证了新数据集的可靠性;同时,在参数量和模型体积远远小于其他网络模型的前提下,RWL-ENet模型在像素精度、平均像素精度、平均交并比三个定量指标上分别达到了0.884、0.804和0.645。     

基于生活日志的情绪识别

抑郁症日益成为影响现代人生活幸福程度的重要因素。实时有效地识别用户情绪的方法对于抑郁症潜在患者的发现和治疗十分有意义。用户情绪的状态及变化会体现在其生活日志数据上。该文从使用可穿戴设备收集的用户生活日志数据出发,对数据进行了特征方面的分析;进一步地,使用以回归树为弱学习器的集成学习模型,设计了使用全部数据、仅用户自身数据以及仅他人数据进行训练的三组实验构成的对比实验框架,以比较使用不同用户数据对识别结果的影响。实验结果表明,基于生活日志数据的集成学习模型可以有效地识别用户的情绪状态。同时,基于实验结果提出了用户认知不一致的猜想,对于心理学上的抑郁分析也有一定的启发作用。该工作是目前所知第一个利用用户生活日志信息进行情绪识别以及抑郁症患者分析的工作,为后续进一步扩大实验规模和改良实验设计提供了思路。     

细节决定成败：推荐系统实验反思与讨论

近些年来,随着互联网的迅速发展,用户在各种在线平台上接收到海量的信息,信息爆炸成为一个关键性问题。在此背景下,推荐系统逐步渗透到人们工作生活的各个场景,已成为不可或缺的一环。它不仅可以帮助用户快速获得想要的信息和服务,还可以提高资源利用效率,从而给企业带来更多效益。因此,个性化推荐算法不仅获得了工业界广泛的关注,也是科研领域的研究热点之一。在个性化推荐的研究中,受限于平台与效率等因素,研究者大多无法将算法部署到在线系统上进行评价,因此离线评价成为推荐领域研究的主要方式。然而个性化推荐涉及到的场景复杂,可获得的数据信息多种多样,用户行为多为隐式反馈且存在许多噪声,这使得推荐系统离线评价的实验设定复杂多变,存在大量易被忽视却十分重要的细节。比如在训练采样负例时,既可以仅从用户没有交互过的商品中采样,也可以将验证测试集的商品视作未知交互加入采样池。同样,从训练到测试在很多其他环节也涉及这样的实现细节（如数据集处理、已知负样本的使用、Top-N排序候选集范围等）。这些实验细节通常不会在学术论文中被显式提及,却潜在影响了模型效果的对比,还决定着实验的科学性,甚至会导致相反或错误的分析结论。本文从数据集处理、模型训练、验证与测试、效果评价等多个角度,系统地讨论与反思了推荐系统实验中的细节设定。对于每个环节,我们枚举了若干常见设定,并在真实数据集上验证了其中某些设定的实际影响。实验结果表明一些细节确实会导致关于模型优劣的不同结论。最终我们形成了关于推荐系统实验细节的指导性总结,包括可选、建议、必须的三类设定,希望帮助推荐算法研究者规避实现细节上的陷阱,更科学合理地设计实验。