日用瓷杯把手开裂的原因分析

日用陶瓷的生产过程中经常会出现多种缺陷．但是对于杯类产品来说,把手开裂是最为常见的一种。一般来说,把裂2～3％的数量还属于正常范畴,但是我公司曾出现一次高达20-30％的把裂情况．笔者就此展开了分析并提出了相应的解决方案。     

基于类龙伯格与时滞扰动观测器综合的摩擦补偿

针对摩擦扰动的非线性特性及传统摩擦补偿方法的不足,利用LuGre动态摩擦模型对摩擦现象描述的准确性,分析了类龙伯格状态观测器及时滞扰动观测器的设计过程,提出了综合类龙伯格状态观测器与时滞扰动观测器的摩擦补偿方案.从实验结果看,利用类龙伯格状态观测器观测摩擦状态,并通过LuCre模型估计摩擦扰动起到了较好的摩擦扰动抑制作用,解决了时滞扰动观测器用于摩擦补偿的扰动慢时变限制的问题.同时,TDE扰动观测器不仅消除了摩擦扰动补偿残差,而且起到了抑制了外界扰动的作用.     

非过渡金属催化芳香二炔和二硅烷基苯制备聚(硅苯-芳炔)树脂

以芳香基双炔和1,4-二(二甲基硅烷基)苯为原料,乙二醇二甲醚(DME)为溶剂,NaO H为催化剂,空气氛围下,一步反应制备得到含硅芳炔树脂(SPAR).并进一步探讨了催化剂、反应溶剂、温度、时间对聚合反应的影响.通过凝胶渗透色谱(GPC)、红外光谱、核磁分析确定产物的分子量和化学结构.实验结果表明:使用20 mol％...     

Surge:一种新型、低资源、高效的轻量级分组密码算法

目前,适合资源约束的轻量级密码算法已成为研究热点。提出一种低资源、高性能与高安全性的新轻量级分组密码算法Surge。Surge密码分组长度为64位,使用64位、80位和128位3种密钥长度,且基于SPN结构。轮函数分为5个模块,密钥扩展模块采用无扩展方式;轮常数加模块采用0到15的数字组合成轮常数,构造高效且高度混淆的轮常数加变换;列混合模块利用易于硬件实现的(0,1,2,4)组合矩阵,从而可以在有限域GF(2⁴)上构造硬件实现友好型矩阵。将Surge算法在FPGA上进行了实现,实验结果表明,相对于目前SPN结构的轻量级密码算法,Surge算法占用的面积资源更小,同时有着良好的加密性能;安全性实验证明了Surge可以有效抗差分与线性攻击、代数攻击。     

植物油的化学改性

从脂肪酸羧基和不饱和碳链两个方面介绍了对植物油进行化学改性的方法,经化学改性后的植物油热氧化安定性、低温性能和润滑性能均得到明显改善.     

新型U3Si2-Al燃料板的正电子湮没寿命谱研究

用正电子湮没寿命谱仪对U3Si2-Al燃料板样品的正电子湮没寿命进行了测量及分析,得到不同工艺状况下燃料包壳材料微观缺陷的形态及变化趋势.回火态燃料板包壳基体中的微观缺陷以单空位的点缺陷为主;冷作态中的缺陷以双空位、位错等缺陷为主;冲刷态中的缺陷以层错、小的空位团等缺陷为主.3种样品中,均未发现影响燃料板安全的大空位团缺陷.回火和冲刷等工艺或运行工况,会使燃料板包壳基体中的微观缺陷发生转变,并改变了燃料板的宏观力学性能.     

基于GWO-SVM的行人跌倒检测方法

随着老龄化问题日趋严重,老年人的安全问题越来越受到重视,跌倒行为就是导致老年人死亡或发病的主要原因之一。基于此,提出了一种基于灰狼算法(Grey Wolf Optimizer, GWO)优化支持向量机(Support Vector Machines, SVM)的行人跌倒检测方法。选择了行人运动行为中的加速度、角速度和高度作为特征参数,构建了一种基于GWO-SVM的跌倒检测模型,使用MATLAB对模型进行训练及验证。并选择其他三种模型进行对比,使用混淆矩阵对四种模型的效果进行评估。结果表明,经灰狼算法优化的支持向量机对跌倒行为的检测精确度达到95.00%,F1-Score值同样达到95.00%。     

基于SVM期望间隔的多标签分类的主动学习

分类是数据挖掘领域研究中的核心技术之一。得到一个性能良好的分类器需要大量的训练样本,而对样本进行标记是一个十分消耗资源的过程,对多标签样本进行标记就更加困难。为了尽可能降低标记样本的成本,需要找出最能代表类别信息的样本。在基于SVM的分类方法中,分类器间隔越大,分类的精度就会越差。提出了一种基于期望间隔的主动学习方法,即依据当前分类器,选择最快缩小分类间隔的样本。通过实验证明,基于期望间隔的学习策略比基于决策值以及基于后验概率的策略有着更好的学习效果。     

远程考试程序开发中几个限制因子的实现方法

介绍了在实现远程考试的ASP程序中,如何实现时间限制、限制多次提交、限制没有登录考试和取消考试资格考生的考试的原理、方法及实现过程.     

基于参数反演的网络舆情传播趋势预测——以新浪微博为例

针对现有的舆情传播模型研究与实际舆情数据结合较少以及难以从舆情大数据中挖掘舆情传播内在规律的问题,提出一种基于实际网络舆情大数据采用神经网络的舆情传播模型参数反演算法。改进经典SIR传染病传播模型,构建一种网络舆情传播模型,基于该模型对实际案例进行参数反演,预测网络舆情的后续传播趋势,并与马尔可夫预测模型对比,所提算法可以精确预测舆情的具体热度值。实验结果表明,所提算法在预测性能上具有一定的优越性,可以用于网络突发事件传播的数据拟合、过程模拟和趋势预测。