供水管网水质模型校核面临的问题及对策

为解决大规模供水管网系统水质模型校核的难题,分析经验校核与自动校核所面临的问题,提出遗传算法并行化、实测确定模型初始参数、模型参数的有效分组等相应的对策.从而减少模型校核的变量,提高遗传算法运行效率,有效缩短模型自动校核的寻优时间.     

“实录”与“虚构”——试论唐叙事诗的叙事手法

唐叙事诗是我国文人叙事诗发展的一个高峰,其虚实相生的叙事手法值得探究。文章从传统诗学和叙事学角度对其进行分析。     

一种构件通用属性的描述方法研究*

提出了一种将构件的通用属性和特殊属性分开描述及管理的构件通用属性描述方法CGADM及其扩展机制,阐述了该描述方法的定义,分析了其特点。基于该描述方法设计实现了一个构件管理实验系统,证明了该描述方法具有良好的描述性能和扩展性能。     

基于偏微分方程的图像修复技术

介绍了图像修复技术的概念和原理,并在修复方法的理论与技术基础上,深入研究了偏微分方程修复模型中几种具有代表性的BSCB模型、曲率驱动扩散(CDD)模型、TV模型等图像修复模型.最后对上述模型进行了分析比较.     

红曲霉发酵米酒工艺条件的研究

以糯米为原料,采用红曲霉液态发酵生产红曲保健米酒,单因素实验结果表明其最适工艺条件为:料水比为1∶2,接种量为10%,温度为25℃,初始pH 5.0,发酵时间为8 d.研制出的红曲酒色泽鲜亮,酒香浓馥幽雅,协调悦人,集风味、色泽及口感于一体.     

启发式探索的协议测试序列生成

为避免可达性分析方法生成协议测试序列状态过程中爆炸问题的出现,提出了一种启发式探索协议状态格局空间的可执行测试序列生成算法. 该算法采用权值扩展有限状态机建模被测协议,以启发式状态格局探索策略替代传统的宽度优先搜索方式生成可执行协议测试序列;把协议可执行测试序列生成转化为在协议状态格局空间中探寻最小权值路径的问题. 实验数据表明,与宽度优先可达性分析方法相比,新算法具有较好的时空特性.     

三(苄基硫醇)锑的合成及其应用性能

以苄基硫醇、三氧化二锑 (或三氯化锑 )等为原料 ,研究了三 (苄基硫醇 )锑的最佳合成工艺条件 ,产率分别达到 90 %和 95 %。用元素分析法及红外光谱技术对产品进行了表征 ,热分析技术 (TG和DSC)研究表明 ,含合成产物的聚氯乙烯 (PVC)制品的初始分解温度在 2 2 0℃以上 ,其热分解效应为 1 1 5 5J/g。热老化研究表明 ,当合成产物添加量达 1 5份 (PVC质量为 1 0 0份 )时 ,PVC树脂的热稳定时间为 1 8min(2 0 0℃ ) ,当其与硫醇钡以质量比 3∶1复配时 ,可显著提高PVC制品的长期热稳定性     

信息化条件下任职士官计算机课程教学改革初探

针对任职士官计算机水平与部队信息化建设要求不相适应的现实问题,深入调查分析了某部队任职士官计算机水平的现状与实际需求,明确了士官任职教育计算机教学的目标,进而有针对性地提出了任职士官计算机课程教学改革的几点新思路,确保课程教学真正服务于部队,服务于实战。     

面向制造任务的云制造虚拟车间构造方法

针对云制造模式下快速选择和组织相关制造资源、保证制造任务执行的问题,提出一种面向制造任务的云制造虚拟车间构造方法。该方法将制造过程抽象为制造任务执行链,链中的节点对应制造设备云服务或检验云服务,链中的有向边对应物流云服务;并通过行业域、地域和类型域来组织管理云服务,以构造规模较小的候选云服务集,同时减少功能匹配、性能匹配、价格匹配和时间匹配的计算量,达到快速构建云制造虚拟车间的目的。算例分析表明,相比其他方法,该方法能够在更短的时间内完成云服务的选择,并保证所选云服务的服务质量（QoS）在相关域中是更好的。     

正则稀疏化的多因子量化选股策略

针对高维度数据集特征之间的复杂性,而传统的L1惩罚项不满足Oracle性质的无偏性,将逻辑回归弹性网（LR-Elastic Net）中的L1惩罚项替换为SCAD（Smoothly Clipped Absolute Deviation）和MCP（Minimax Concave Penalty）惩罚项,分别构建了LR-SCAD和LR-MCP模型,在保留稀疏性的同时满足了无偏性,并利用ADMM（Alternating Direction Method of Multipliers）算法进行求解。通过模拟实验发现,LR-Elastic Net模型能很好地处理特征存在相关性的小样本数据,而LR-SCAD和LR-MCP模型在特征存在相关性的大样本数据中表现较好;建立LR-Elastic Net、LR-SCAD和LR-MCP策略,并应用于沪深300指数成分股数据。回测结果显示,LR-SCAD和LR-MCP策略在股票相关性很强的数据中比LR-Elastic Net策略表现更好。