转炉炼钢静态模型的初步探讨

根据转炉炼钢的物理化学反应机理，从质量平衡和能量平衡的计算出发，通过小参数变动，导出了增量式静态模型中矿石方程和供氧方程的系数。所得结论与新日铁资料基本相符。同时，还进行了炉料和产物的计算，分析了改变废钢比对生产的影响。     

UMAX Astra 3400

Astra 3400是力捷公司最新推出的一款CCD智能扫描仪,它为用户提供了方便的安装,便捷的操作,高扫描速度,多捆绑软件和高质量的扫描影像。 Astra 3400采用乳白色外壳,线条简洁流畅,机身轻薄纤巧,厚度不超过8CM,它的光学分辨率为600dpi,通过软件插值达9600dpi,42位真彩色输出,14位灰度,最大扫描范围为A4     

LED的脉冲驱动

主要介绍了Hewlett-Packard研究AIlnGaP LED脉冲驱动的一些实验数据，并简要地介绍了不同应用产品的使用条件，目的是方便大家初步了解LED在脉冲驱动条件下的一些性能，为LED电路设计提供一些思路，可以作为广大LED使用者的参考。     

UMAX Astra340

Astra3400是力捷公司最新推出的一款CCD智能扫描仪，它为用户提供了方便的安装，便捷的操作，高扫描速度，多捆绑软件和高质量的扫描影像。     

巴西提议建立区域一体化共同应对全球能源危机

面对当前潜在的全球能源危机,巴西政府提出了一项区域一体化计划,以实现整个拉美地区能源的有效利用和电力的有效管理。目前,此项计划的一个主要合作伙伴锁定为玻利维亚。     

大功率白光LED封装技术可靠性研究

首先介绍了大功率白光LED封装的前景和其主要功能,然后对大功率白光LED封装的关键技术,包括荧光胶封装工艺、外封胶选取、大尺寸晶片封装、可靠性测试与评估方面做了阐述。并对光斑改善和光通量提高做了一些具体的研究。     

LED显示屏的远程控制

LED显示屏的应用越来越广,数量越来越多.LED显示屏用户迫切需要实现对LED显示屏的远程控制.本文详细叙述了利用动态域名解析、通过VNC软件进行远程控制的实现方法,为LED显示屏的远程控制提供了切实可行的方案.     

基于标签权重的协同过滤推荐算法

针对传统协同过滤推荐算法中由于相似度计算导致推荐精度不足的问题,提出一种基于标签权重相似度量方法的协同过滤推荐算法。首先,通过改进当前算法中标签权重的计算,并构成用户-标签权重矩阵和物品-标签权重矩阵;其次,考虑到推荐系统是以用户为中心进行推荐,继而通过构建用户-物品关联矩阵来获取用户对物品最准确的评价和需求;最后,根据用户-物品的二部图,利用物质扩散算法计算基于标签权重的用户间相似度,并为目标用户生成推荐列表。实验结果表明,与一种基于"用户-项目-用户兴趣标签图"的协同好友推荐算法（UITGCF）相比,在稀疏度环境为0.1时该算法的召回率、准确率和F1值分别提高了14.69%、9.44%、17.23%。当推荐项目数量为10时,三个指标分别提高了17.99%、8.98%、16.27%。结果表明基于标签权重的协同过滤推荐算法可有效提高推荐结果。     

基于注意力机制的卷积-双向长短期记忆模型跨领域情感分类方法

针对现有跨领域情感分类方法中文本表示特征忽略了重要单词的情感信息，且在迁移过程中存在负迁移的问题，提出一种基于注意力机制的卷积-双向长短期记忆（AC-BiLSTM）模型的知识迁移方法。首先，利用低维稠密的词向量对文本进行向量表示；其次，采用卷积操作获取局部上下文特征之后，通过双向长短期记忆（BiLSTM）网络充分考虑特征之间的长期依赖关系；然后，通过引入注意力机制考虑不同词汇对文本的贡献程度，同时为了避免迁移过程中出现负迁移现象，在目标函数中引入正则项约束；最后，将在源领域产品评论训练得到的模型参数迁移到目标领域产品评论中，并在少量目标领域有标注数据上进行微调。实验结果表明，与AE-SCL-SR方法和对抗记忆网络（AMN）方法相比，AC-BiLSTM方法的平均准确率分别提高了6.5%和2.2%，AC-BiLSTM方法可以有效地提高跨领域情感分类性能。     

基于引力模型的多标签分类算法

针对多标签分类算法不能充分利用标签相关性的问题,通过建立标签的正、负相关性矩阵来挖掘标签间不同的相关关系,提出一种基于引力模型的多标签分类算法（MLBGM）。首先,遍历训练集中所有样本并分别求取每个训练样本的k个近邻样本,组成该样本的近邻集合;其次,根据每个样本的近邻集合中所有近邻样本的标签分布情况,分别为每个训练样本建立正、负相关矩阵来获取标签间的相关性;然后,为每个训练样本的近邻集合计算其近邻密度和近邻权重;最后,采用计算数据粒子间相互作用力的方式构建多标签分类模型。实验结果显示,MLBGM与5种未考虑标签负相关的对比算法相比,汉明损失（HammingLoss）平均降低了15.62%,微平均F1值（MicroF1）平均提升了7.12%,子集准确率（SubsetAccurary）平均提升了14.88%。MLBGM充分利用了标签间不同的相关性,获得了有效的实验结果且分类效果优于未考虑标签负相关的对比算法。