胶原蛋白多肽功能特性的研究

对胶原蛋白多肽的功能特性进行了测定,结果表明胶原蛋白多肽具有良好溶解性、吸水性、保水性、湿润性、吸油性和起泡性,一定的乳化性和较弱的凝胶性和泡沫稳定性。     

基于数据立方体的多维关联规则的挖掘方法

总结了现有基于数据立方体的多维关联规则挖掘算法，在此基础上将联机分析处理(OLAP)的钻取操作引入关联规则挖掘过程，提出Apriori_cubc算法的改进算法。通过动态调整立方体的维层次，来挖掘出用户感兴趣的关联规则。     

自动参比流动注射光度法测定环境水样中硫化物

利用亚甲基兰光度法与自动参比流动注射分析（FIA）联用直接测定环境水样中的硫化物而不需对样品进行H2S的固定处理,建立了快速、简便、准确和高灵敏度的在线分析硫化物的方法。结果表明,在最佳检测条件下利用该方法测定硫化物可以得到线性良好的工作曲线,该曲线线性范围为0．017～0．05、0．051～1．62和1．62～2．16μg／mL,检测限为16．9ng／mL,相对标准偏差（RSD）为2．5％（n=8）。利用该方法分析环境水样中的硫化物,回收率为94．0％-102．5％,结果令人满意。     

面向多源社交网络的社团结构特征研究（研究生论坛）

为了研究社交网络社团结构对舆情传播的影响,本文对比分析了多源社交网络的社团结构特性及传播特性,并且利用COPRA算法和LFM算法进行了社交网络重叠社团研究,提出一种基于节点度过滤的LFM改进方法——NF-LFM算法。该算法对好友关系网络中节点度小于某一阈值的节点进行过滤,再对剩下的好友关系网络进行社团划分。实验结果表明：1）人人网、QQ空间、新浪微博都具有明显的社团结构特性,其中人人网和QQ空间的社团结构特性强于新浪微博;2）在不考虑社交网络用户活跃度的情况下,舆情信息在人人网上扩散范围最广,新浪微博次之,QQ空间扩散较慢。本文提出的改进方法能解决现有算法社团划分结果分辨率低的问题,且有效弥补了LFM算法在大规模社团发现时陷入无限的迭代过程而导致时间复杂度高的缺点,将其应用于经典数据集中也符合理论预期结果。本文的研究结果将有助于进一步理解和认识社交网络社团结构对舆情传播的影响,同时对于网络群体事件发现和舆情监控及引导等具有重要意义。     

VAX和PC之间任务——任务的通信

本文介绍了ＶＡＸ和ＰＣ之间透明的任务－任务的通信和不透明的任务－任务的通信，以及它们的程序设计方法。     

挤压加工条件对玉米淀粉酶转化程度的影响

为了探讨淀粉酶法挤压转化规律,以耐高温α-淀粉酶为催化剂,利用双螺杆挤压机对玉米淀粉进行了糊化和液化试验研究,获得了不同转化程度(DE值为17~36)的挤出物。采用响应面分析方法研究了螺杆转速、机筒温度、物料水分和酶质量分数对挤出物DE值的影响规律。结果表明:淀粉酶转化程度不受螺杆转速影响,但随物料水分、酶质量分数和机筒温度增加而增大;在机筒温度95℃时DE值达到最大,且随温度进一步升高而降低。     

MIS对SCADA系统的监测处理

提出了用电力管理信息系统(MIS)监测电力实时自动监控系统(SCADA)信 息的方法和思路。在MIS软件设计开发中，阐明与SCADA系统的“无缝”联接，以自适应的方 式全方位地完成对实时信息的共享，并对设计开发内容加以探讨。     

基于隐主题分析的中文微博话题发现

针对高维、稀疏的中文微博数据, 提出一种多步骤的新闻话题发现方法。首先结合微博的传播特点, 选取出不同时间窗口中具有较高新闻价值的微博文本; 再利用隐主题模型挖掘微博内容中隐含的主题信息, 并在此基础上进行文本聚类; 最后使用频繁项集挖掘技术获取话题关键词集合。该算法能够较好地实现对中文微博数据的降维与话题发现。真实的微博数据集实验结果验证了该方法的有效性。     

片状食品微波干燥特性及温度和水份变化模拟

为掌握片状食品物料微波干燥规律并为生产应用提供参考 ,选择土豆为实验材料 ,在不同微波能水平 (2 .2～ 3.6W/g)和切片厚度 (2～ 6mm)下进行微波干燥实验 ,测定了微波干燥过程中物料温度和湿含量的变化。基于热量平衡方程和扩散方程建立相应的模型并采用有限差分法求解 ,实验结果与模型计算结果基本吻合。片状物料微波干燥经历预热、恒温、快速升温 3个阶段 :在预热阶段物料脱水少 ;在恒温阶段物料失去大部分水份 ,温度随切片厚度和微波功率 /质量比增大而增高 ;在快速升温阶段物料干燥速率减小 ,其温度快速上升。干燥速率不受物料切片厚度变化影响 ,但随微波功率 /质量比增加而增大。     

基于特征关联度的K-means初始聚类中心优化算法

针对K-means算法在进行文本聚类时对初始聚类中心敏感的问题,提出基于特征关联度的初始聚类中心选择算法.由于在原始文本集中不易找到类别代表性都较强的多个独立文本作为初始聚类中心,因此先从降维后的文本特征集合中,选取关联度大的特征构造新的文本集,再利用“或运算”合并其中的相似文本得到初始聚类中心候选集,最后通过计算文本密度并结合“最小最大”原则从候选集中选取最优的初始中心.在5个数据集上进行对比实验,该算法在多数聚类结果中的F-score值都高于90％,熵值低于0.5,明显优于Mahout提供的K-means算法,表明该算法可选出高质量的初始聚类中心,得到更好的聚类结果.