具有厚大断面的大型球墨铸铁铸件的生产

首先通过电炉—LF精炼炉—VD精炼炉—包内球化的工艺路线获得了足够的优质铁液,然后通过选取合适的分型面、设置合理的浇注系统、设计专用的冷铁、安放足够大的保温冒口和上表面加大加工余量来去除夹渣等措施,成功生产了具有厚大断面的大型球墨铸铁铸件。     

袖珍计算机放射性总量测量系统

本文介绍以PC-1500(A)型袖珍计算机为主体的地面放射性总量数据采集及处理系统的方案、硬件、软件及应用。     

次生伽马能谱分析方法的实验研究

本文指出一种地化学闭合模型的热中子瞬发活化伽马分析方法，它是地球化学测井的核心技术，标准谱的获得，基于标准谱的加权最小二乘解谱方法、灵敏度刻度及地球化学闭合模型是这一方法的关键环节。     

TiO_2对ZrO_2－NiCr金属陶瓷烧结特性和相稳定性的影响

本文研究了ＴｉＯ２掺入对ＣａＯ稳定ＺｒＯ２（简称ＣａＳＺ－ＮｉＣｒ）金属陶瓷烧结特性的影响，测定了ＣａＳＺ－ＮｉＣｒ－ＴｉＯ２金属陶瓷烧结样品的密度和显微硬度，结果表明，ＴｉＯ２的掺入能提高ＣａＳＺ－ＮＩＣｒ金属陶瓷的烧结密度和显微硬度，对ＣａＳＺ－ＮｉＣｒ金属陶瓷有助烧结作用．金相观察表明，ＴｉＯ３的掺入改变了ＮｉＣｒ相在金属陶瓷中的形貌，说明了ＮｉＣｒ与ＣａＳＺ的浸润性有一定的改善．ＸＲＤ和ＥＰＭＡ分析结果显示，ＴｉＯ２偏聚在ＮｉＣｒ金属相中，不影响ＣａＳＺ的稳定性．     

基于整体特征的快速英文字母识别方法

文章提出了一种基于整体特征的小写英文字母识别方法.首先根据字母图像的赋值背景提取其整体特征,然后构建7个模板进行模板匹配.该方法不需要对图像作复杂的细化处理、轮廓提取等,减少了可能带来的误识和拒识,也不需要现有神经网络方法的长期训练,因而简单快速.同时,不同字体的字母图像其整体特性基本相同,因此识别率较高.     

基于模糊修正熵权TOPSIS的战时装备供应链风险评估

针对战时装备供应链的特点,以远程精确打击、敌特后方袭扰和恶劣天气等三个因素为主要风险指标,运用修正的模糊信息熵权对TOPSIS法进行改进,提出了一种新的战时装备供应链风险评估方法。首先利用原始数据产生的模糊信息熵权进行客观赋权,并引入专家因素对权重进行主观修正,利用逼近理想解排序方法进行运算,最后通过实例计算与分析,验证该评估方法简便易行,结论合理,有效降低了指挥员决策的主观随意性。     

锡膏激光扫描三维测量系统光强自适应调节技术

根据锡膏激光扫描三维测量系统在测量PCB电路板时底板和锡膏对激光光强的散射效果不同,设计并研制了一套光强自适应调节光源。该光源以程控电源为基础,分析光条中心提取效果与激光光强的关系,应用小波分解与频带能量比相结合的光强自适应调节算法实现测量系统光强自适应调节功能。进行了相关实验,实验结果表明该光源能够很好地实现锡膏激光扫描三维测量系统的激光光强自适应调节,并能选出最适合测量的激光光强,具有很好的适用性。     

编程思维训练通用模型研究与实现

程序设计类课程是培养学生逻辑编程能力的基本课程之一,但目前普遍反映出学生对此类课程的学习兴趣不浓,对程序设计与实现的逻辑思维混乱不清,学习效果较差。如何脱离编程语言本身,运用模拟现实生活的思维训练模型来形象地展示编程的原理与逻辑流程,以提高学生对程序设计的逻辑思维能力和学习效果是本文研究的重点。     

CoGCN: Combining co‐attention with graph convolutional network for entity linking with knowledge graphs

Entity linking is a fundamental task in natural language processing. The task of entity linking with knowledge graphs aims at linking mentions in text to their correct entities in a knowledge graph like DBpedia or YAGO2. Most of existing methods rely on hand‐designed features to model the contexts of mentions and entities, which are sparse and hard to calibrate. In this paper, we present a neural model that first combines co‐attention mechanism with graph convolutional network for entity linking with knowledge graphs, which extracts features of mentions and entities from their contexts automatically. Specifically, given the context of a mention and one of its candidate entities' context, we introduce the co‐attention mechanism to learn the relatedness between the mention context and the candidate entity context, and build the mention representation in consideration of such relatedness. Moreover, we propose a context‐aware graph convolutional network for entity representation, which takes both the graph structure of the candidate entity and its relatedness with the mention context into consideration. Experimental results show that our model consistently outperforms the baseline methods on five widely used datasets.