“去掉最高分与最低分”的启示

本文从实际中得出平均数、中位数和众数作为其代表数的特点，并讲述三者的区别与联系，得到实际中如何选用这三个数作为其代表数。     

东营生态塘中有机物降解机理的研究

建于东营的日处理水量可达105m3的生态塘对有机物有较好的处理效果。2002年平均BOD5、COD、SS的去除率分别为78.6%、68.6%、90.8%。本文依照进水的先后顺序对该系统各处理单元中有机物的降解机理进行了探讨。对影响生态塘中有机物降解的因素进行了分析。综合各塘的情况,在藻类生长旺盛的曝气养鱼塘中,由于溶解氧较高,水力停留时间长,对有机物降解的贡献最大。     

浅析活性污泥膨胀及其影响因素

污泥膨胀是在污水处理过程中常常遇到的重大难题.文章系统介绍了活性污泥膨胀的特点和类型,总结分析了污泥膨胀的影响因素,为有效控制实际运行中出现的污泥膨胀问题提供了依据.     

微室-高效液相色谱测定汽车零部件及材料中醛酮类物质含量的不确定度评定

根据《测量不确定度评定与表示》,采用室提取样品中挥发性有机化合物,用高效液相色谱法测定汽车零部件及材料中醛酮类物质的含量,对测量结果的不确定度进行评定。分析了影响不确定度的因素,对各不确定度分量进行了分析,结果表明测量不确定度主要来源于标准曲线拟合和测量重复性。     

固体推进剂湿热老化研究进展

综述了国内外在固体推进剂湿热老化研究领域的最新进展和主要成果。重点就湿热老化对推进剂性能的影响、湿热老化机理、老化动力学及推进剂寿命评估几个方面进行了分析和总结。根据近期的研究动态和相关技术的发展,对今后在这一领域开展工作提出了建议。     

聚季铵盐调理污泥深度脱水过程与中试效能

采用聚季铵盐[P(DM-AM)]取代传统化学调理剂聚丙烯酰胺（polyacrylamide,PAM）,通过分析污泥脱水性能、胞外聚合物含量以及抽滤液水质指标,验证P(DM-AM)作为污泥调理剂的效果。结果表明,P(DM-AM)作为阳离子型高分子絮凝剂能够提高污泥的脱水性能,在最适投加量为0.4%～0.5%（按污泥干固量计算）时,毛细吸水时间（capillary absorption time,CST）和污泥比阻（specific resistance of sludge,SRF）分别下降48%和40%,污泥热值可达2686cal/g（1cal=4.18J）。当P(DM-AM)协同生石灰（CaO）和氯化铁（FeCl₃）作为调理剂调理污泥时,处理后的污泥水分去除率可升高55%左右,与污泥紧密结合型胞外聚合物（tightly bound-EPS,TB-EPS）中的多糖含量降低了74%,且污泥中Cl^-浓度约为92.3mg/gDS,较采用PAM调理的污泥下降约6%,可缓解污泥焚烧对焚烧炉腐蚀的影响。同时,P(DM-AM)调理污泥后,其抽滤液化学需氧量（chemical oxygen demand,COD）由2120mg/L降低至1941.8mg/L,可有效减轻污水处理厂运行负担。     

面向社交媒体立场检测的数据增强方法

现有的公开立场检测评测中标签语料规模较小,制约深度学习立场检测模型的训练效果。数据增强技术能一定程度缓解训练数据不足带来的困扰。对于现有的数据增强技术易将社交媒体语言中的冗余信息进行扩充,无法有针对性增强的问题,提出一种基于层次注意力的数据混合增强方法。该方法首先从粗粒度段句出发,将决定立场判断的关键信息筛选出来;然后再进行细粒度词语变换,从而实现数据增强。实验表明,相较于另外两种数据增强方法,所提方法对立场检测模型的检测效果提升更加明显,证实了该方法的有效性。     

跨语言摘要研究综述

跨语言摘要能将一种语言的文本总结为另一种语言的摘要，旨在帮助人们快速准确地获取陌生语言文本的关键信息.目前，针对该研究的全面综述工作十分稀缺.因此，本文回顾跨语言摘要的研究发展，在全面调研和深入分析的基础上，从研究方法、数据集、评价方法以及未来方向等4个方面对跨语言摘要的研究工作展开综述.首先，全面梳理了现有跨语言摘要方法，概括为“先翻译后摘要”、“先摘要后翻译”、间接学习方法、辅助学习方法以及特征增强方法等5大类，并进行了优缺点分析.其次，归纳和分析了跨语言摘要数据集的构建方法，并对现有数据集进行了详尽整理.然后，系统地总结和分析了跨语言摘要评价方法.最后，进一步讨论了未来研究方向.     

Windows系统功能限制技巧

介绍了通过个性注册表和进行API函数编程的两种方法来实现限制Windows操作系统功能。     

数据库系统参数调优方法综述

数据库系统具有大量的配置参数，参数配置不同会导致系统运行时很大的性能差异.参数优化技术通过选择合适的参数配置，能够提升数据库对当前场景的适应性，因此得到国内外研究人员的广泛关注.通过对现有的数据库参数调优方法进行总结分析，根据参数优化方法是否具有应对环境变化的能力，将现有工作分为固定环境下的数据库参数优化方法和变化环境下的数据库参数优化方法 2类.对于固定环境下的参数优化方法，按照方法是否具有从历史任务中学习的能力将研究工作分为传统的参数优化方法和基于机器学习的参数优化方法 2类并分别进行介绍.对于变化环境下的参数优化方法，按照不同的变化场景对现有工作进行分类介绍.最后，总结了现有工作中各类方法的优缺点，并对目前研究中待解决的问题和可能发展的方向进行了讨论.