基于板书+幻灯片教学模式的化工制图课探索

幻灯片作为一种先进的信息技术被已被广泛的运用到各级学校的课堂教学中,但对于这种单一课堂教学模式,学生逐渐产生了审美疲劳。有鉴于此,我们在化工制图的教学中采用板书+幻灯片复合教学模式的探索,实践表明,板书与幻灯片放映交替进行的教学模式能够在减轻教师负担的同时,最大化的提高学生识图和作图的能力。寻找更多新颖的教学工具将是我们进一步提高教学质量努力的方向。     

基于冷冻成像技术的防晒化妆品所含纳米成份鉴定方法

防晒化妆品所含纳米成份的安全性问题已在全球范围内引起高度关注,快速、有效的成份鉴定方法是解决这一问题的关键技术。本文建立了以冷冻成像系统直接对乳液/乳霜状化妆品进行原位检测的方法,可以直接观察到产品中所含的纳米颗粒,了解其形貌及尺寸信息,并进行半定量成份分析。采用传统方法对实验结果进行了验证,仅就筛查或普查检测而言,冷冻成像法具有传统方法不可比拟的快捷、直观的优势,将形态观察与成份分析一次性完成,其结果完全可以满足一般性检测的需要。     

干式绝缘母线

绝缘母线是变电站及电厂厂用变电所内裸母线,电缆的最佳替代品,最适用于紧凑型变电站、地下变电站及地铁用变电站, 减少占地面积,运行可靠。母线使用例子见图1: 图1     

银桦叶化学成分预试研究

目的:研究银桦叶的化学成分类型。方法:采用化学反应鉴别法对银桦叶的化学成分类型进行鉴别研究和初步分析。结果:银桦叶的化学反应鉴别法中蛋白质、糖、酚类、蒽醌类、强心苷类、甾体和三萜类成分均显示阳性反应,生物碱类与挥发油显示阴性反应,香豆素类、黄酮类反应中阴阳反应均有。结论:银桦叶中含有蛋白质、糖、酚类、蒽醌类、香豆素类、强心苷类、甾体和三萜类等化学成分,可能含有黄酮类成分。研究结果将为后续银桦叶的化学成分研究奠定了实验基础和提供了参考依据。     

约束满足混合算法求解并行机Job-Shop调度问题

分析并行机Job-Shop调度问题的特点并建立其约束满足优化模型,结合约束满足与变邻域搜索技术设计了一个求解该问题的混合优化算法。该算法采用变量排序方法和值排序方法选择变量并赋值,利用回溯和约束传播消解资源冲突,生成初始可行调度,然后应用局部搜索技术增强收敛性,并通过结合问题特点设计的邻域结构的多样性提高求解质量。数据实验表明,提出的算法与其他两种算法相比,具有一定的可行性和有效性。     

直埋式大直径地脚螺栓的安装定位及应用研究

基于工程实例,对地脚螺栓锚板进行了改进。采用双层定位法对地脚螺栓锚板安装质量及精度进行控制,并结合工程特点,制定出便于操作、切实可行的加固方法,总结出直埋式大直径地脚螺栓预埋安装及质量控制措施,可为类似工程提供借鉴。     

激光频域畸变数据非均匀采集

在数据采集过程中,容易发生数据丢失和存储硬件损坏.为了突破传统采样定理的局限性,实现原始数据的无失真恢复,提高数据存储信息量,提出了激光频域畸变数据非均匀采集的研究.首先,获得激光频域的畸变数据点矢量,建立畸变数据表达式,并协同表示畸变数据特征的概率;其次,为了改善均匀采集的时间函数和时间间隔的缺点,研究了非均匀采集的...     

基于可变阈值和坐标变换融合的红外刑侦重叠手印目标提取算法

红外重叠手印图像是刑侦领域比较复杂的一类红外图像,其本身具有信息不确定性和手印重叠性。如何准确提取重叠的手印目标是刑侦领域处理此类图像的一大难题。针对该问题,提出了一种基于可变阈值和坐标变换融合的红外刑侦重叠手印目标提取算法。首先,采用阈值算法提取整体手印图和手印重叠部分图;然后通过坐标变换方法滤除两部分图像的无关区域;最后利用轮廓融合算法将两部分图像融合,得到整体手印目标的提取结果。为了使提取结果具有更好的可视性,又采用图像旋转操作后的坐标变换方法来提取单个手印目标。实验结果表明,与其他一些目标提取方法相比,本文方法在提取整体和单独手印目标时都具有较高的准确性和完整性。     

Plackett-Burman设计在曲霉Aspergillus sp.GX-0010果糖基转移酶发酵条件主要因子筛选中的应用

试验采用Plackett-Burman试验设计,选取蔗糖、蛋白胨、硫酸亚铁、pH值、温度、培养时间、装液量,接种量共8个相关因素进行设计,统计分析表明,pH(p=0.019)、温度(p=0.003)、装液量(p=0.131)为对曲霉(Aspergillus sp.)菌株GX-0010产果糖基转移酶具有显著影响的因素。     

基于故障判别增强KECA算法的故障检测

基于核熵主成分分析方法的统计模型仅利用正常工况下数据进行建模,而忽略了监控系统数据库中一些已知类别的先前故障数据。为了利用先前故障数据中包含的故障信息来增强故障检测性能,提出了一种故障判别增强KECA (fault discriminant enhanced kernel entropy component analysis, FDKECA)算法。该法通过采用无监督学习和监督学习方法建立模型,同时监测非线性核熵主成分(kernel entropy component, KEC)和故障判别成分(fault discriminant component, FDC)两类数据特征。此外,利用贝叶斯推理将相应的监视统计信息转换为故障概率,并通过加权两个子模型的结果来构建基于总体概率的监视统计量。通过数值仿真和田纳西伊斯曼(Tennessee Eastman, TE)过程仿真实验,证明和传统KECA相比,FDKECA算法能够有效利用故障数据提高故障检测率。