一种在ASP.NET中调用存储过程的新方法

提出了一种新的在ASP.NET中调用存储过程的方法。该方法和通用方法相比,具有可以提高开发速度,代码容易维护的优点。     

航空发动机压力畸变试验影响因素分析

为探索航空发动机压力畸变试验的影响因素,对畸变发生器及畸变试验参数测量和处理方法进行了研究。在相同插板深度和发动机状态下,通过详细分析试验结果中气动测量截面（Aerodynamic Interface Plane,AIP）上的压力参数和畸变指数发现：畸变发生器的连接气密性差会直接造成低压区压力升高和影响面积缩小的后果,导致试验结果与理论值的综合畸变指数最大偏差达到18%;测量截面参数处理方式是影响畸变试验结果的重要因素,通过镜像对称的处理方式能够细化测量截面参数,使畸变指数提高接近9%,可更好地反映压力畸变水平。该研究可为后续发动机压力畸变研究提供借鉴。     

一种基于无线射频通讯的共享雨伞系统

目前,以资源优化可利用和绿色出行为理念的共享经济蓬勃发展,基于此,本发明针对用户遇到突发性降雨天气时对雨伞临时需求,本文设计并实现了一款共享雨伞。本设计发明设计一类伞上装有电子标签的雨伞及雨伞借还系统,使用射频识别技术读取电子标签,使用Java技术编写微信小程序,利用STM32单片机控制伞桩的内部运行,便捷用户突遇突发性天气时及时满足用户对伞的需求,还提高社会资源的利用率。     

基于级联加性噪声模型的因果结构学习算法

现有级联非线性加性噪声模型可解决隐藏中间变量的因果方向推断问题,然而对于包含隐变量和级联传递因果关系的因果网络学习存在全局结构搜索、等价类无法识别等问题。设计一种面向非时序观测数据的两阶段因果结构学习算法,第一阶段根据观测数据变量间的条件独立性,构建基本的因果网络骨架,第二阶段基于级联非线性加性噪声模型,通过比较骨架中每个相邻因果对在不同因果方向假设下的边缘似然度进行因果方向推断。实验结果表明,该算法在虚拟因果结构数据集的不同隐变量数量、平均入度、结构维度、样本数量下均表现突出,且在真实因果结构数据集中的F1值相比主流因果结构学习算法平均提升了51%,具有更高的准确率和更强的鲁棒性。     

一种任意分布下的隐变量因果结构学习算法

因果发现旨在通过观测数据挖掘变量间的因果关系,在实际应用中需要从观测数据中学习隐变量间的因果结构。现有方法主要利用观测变量间的协方差信息（如四分体约束）或引入非高斯假设（如三分体约束）来解决线性因果模型下的隐变量结构学习问题,但大多限定于分布明确的情况,而实际应用环境往往并不满足这种假设。给出任意分布下隐变量结构的识别性证明,指出在没有混淆因子影响的情况下,两个隐变量的因果方向可识别所需要的最小条件是仅需要其中一个隐变量的噪声服从非高斯分布。在此基础上,针对线性隐变量模型提出一种在任意分布下学习隐变量因果结构的算法,先利用四分体约束方法学习得到隐变量骨架图,再通过枚举骨架图的等价类并测量每一个等价类中的三分体约束来学习因果方向,同时将非高斯约束放宽到尽可能最小的变量子集,从而扩展线性隐变量模型的应用范围。实验结果表明,与MIMBuild和三分体约束方法相比,该算法得到了最佳的F1值,能够在任意分布下学习更多的隐变量因果结构信息,且具有更强的鲁棒性。     

LS-DYNA模拟爆破中时间步长对计算结果影响探讨

为减小LS-DYNA软件模拟工程爆破时产生的误差,探讨了不同输出时间步长Δt对计算结果的影响。通过三个经典算例,数值比较不同时间步长Δt下相应的单元压力、质点速度与加速度的时程曲线的形状与峰值变化规律,并结合实例进行验证。结果表明:Δt值设置越小,绘制出的曲线越平滑,Δt值取1、2或3时的曲线几乎重合;Δt值不为1时,输出的坐标点都包含在Δt值为1的坐标点内;随Δt值增大,结果误差有增大的趋势,但并非严格递增;Δt值等于1时模拟的精确度较高,但求解时间长,且输出数据存储空间大。采用LS-DYNA模拟工程爆破中,Δt值取3~5是比较合理的。     

电流互感器故障分析及诊断

介绍了一起电流互感器故障的现场情况,分析诊断出了故障发生的原因为生产制造过程中,人工操作误差导致二次绕组间绝缘裕度过小,长时间运行后发生绝缘劣化击穿,并给出了预防此类故障的建议.     

kμ-Tree:一种空间有效的嵌入式闪存数据库索引

μ-Tree是直接建立在闪存之上的索引,它克服了传统B+树应用于闪存时引起的"游走树"现象,避免更新一页累及多页的现象.但μ-Tree也存在缺点:占用空间比传统B+树多.为克服μ-Tree存在的缺点,本文提出一套机制改进μ-Tree:k分法模型.在此模型中,我们分析了在给定扇出度F时,k值与总记录数n的关系,以及给定记录数n时,不同大小的索引记录项对k的影响;给出了确定k值的基本方法.实验结果表明,k比例划分可以有效地节省索引所占空间,空间节省最大达50%左右,平均可达39%.所提方法在空间资源受限的环境下具有良好的空间特性.     

OPLS在非线性偏最小二乘回归模型的应用

为了解决隐含潜变量回(implicit non-linear latent variable regression,INLR)建模方法中加入自变量的非线性项使系统中出现了与因变量y无关的信息或者噪音的问题,提出了基于正交投影(orthogonal projection to latent structures,OPLS)方法,时INLR数据进行预处理.OPLS算法能有效去除预测矩阵中与因变量y无关的信息,在不影响INLR建模效果的同时减少有意义的成分,改善了模型的解释性和真实性.模拟实验结果表明,改进后算法的建模效果优于INLR、偏最小二乘回归(partial least squares regression,PLSR)算法得到的模型.