高校师资队伍建设的SWOT分析和对策建议——以浙江科技学院为例

建设“高素质、高水平、有特色”的师资队伍是学校实现内涵提升和跨越式发展的根本保证。通过师资现状的比较分析,SWOT模型的归纳推演,简略提出契合学校发展特色的师资队伍建设方针,探讨学校“十二五”期间师资队伍建设的战略着眼点、改革关键点和重要切人点,为建设特色鲜明的高水平应用型大学如何发挥人才的支撑和引领作用提供一些思考和建议。     

改性纤维素增强丙烯酰胺水凝胶的合成与拉伸性能研究

采用水媒法制备了低取代度羧甲基纤维素,并用接枝聚合法制备了改性纤维素/丙烯酰胺水凝胶,考察了单体质量比、取代度等对水凝胶拉伸性能的影响.结果表明:对于接枝聚合反应,采用低取代度羧甲基纤维素可以提高纤维素的有效用量;当交联剂用量为180 mg/L、引发剂1 300 mg/L、低取代度羧甲基纤维素和丙烯酰胺质量比在1∶4 ～ 1∶4.5之间、单体质量分数为30%时,合成水凝胶的拉伸强度达到0.28 MPa;在此基础上,适量添加15%的淀粉可使水凝胶拉伸强度达到0.47 MPa;添加1%二氧化钛可使水凝胶拉伸强度达到0.38 MPa.     

一种有效的拖尾噪声处理复合算法

为有效地去除拖尾噪声,研究了拖尾噪声的消噪方法．针对拖尾噪声的特点,提出了中值滤波B样奈经验模态分解算法．仿真实验结果表明,与处理拖尾噪声的传统算法相比,该算法可行有效,而且去噪效果更好．     

基于宽度学习的结构沉降预测

结构监测是确保工程结构建设在施工和运营阶段安全的关键因素,因此采用合理有效的预测模型对结构沉降监测数据进行科学准确的预测成为了当前结构沉降预测研究的重点。针对传统预测方法与深度学习方法用于结构沉降预测存在的预测精度不够高、模型结构复杂、训练耗时等问题,提出了一种基于宽度学习的结构沉降时间序列预测模型。通过实测地铁地下隧道沉降监测数据对宽度学习、人工神经网络、支持向量回归和深度置信网络-支持向量回归预测模型的预测结果进行对比分析。实验结果表明:宽度学习系统(broad learning system,BLS)应用于结构沉降预测具有良好的效果,其训练速度更快,预测精度更高。验证了所提出的宽度学习算法应用于结构沉降预测的可实施性和有效性。     

电站锅炉烟气余热利用现状分析

介绍了电站锅炉烟气余热回收的现状,指出了余热回收、利用、发展3个阶段的特点,表明余热方案系统越来越复杂,节能效果越来越好,方案可选择性越来越多,需要优化.总结了余热方案优化常用的优化目标和优化方法.     

电磁起重机调磁保磁系统常发故障及改进

介绍了电磁起重机在马钢H型钢厂的应用情况,阐述了调磁保磁系统的作用和功能。针对在实际使用过程中的常发故障,进行了分析和改进。     

Al_2O_3包覆对富锂锰基正极材料Li_(1.2)Mn_(0.54)Co_(0.13)Ni_(0.13)O_2的电化学性能影响

采用水热法合成富锂三元正极材料,探究了最佳包覆比例下Al_2O_3包覆对材料的电化学性能影响.采用扫描电镜(SEM)和X射线衍射仪(XRD)表征了富锂三元正极材料的表面形貌和结构,通过循环伏安(CV)、交流阻抗(EIS)技术分析了材料电化学性的影响因素.结果表明,通过异丙醇铝水解制得了氧化铝包覆层,提高了材料的比容量,稳定了材料的结构.     

基于曝光适度评价的多曝光图像融合方法

针对数字相机在拍摄宽亮度范围场景时动态范围不足的问题,提出一种高效的多曝光图像融合方法.该方法通过场景的多次采样曝光,分析不同像素的亮暗变化,利用高斯数学模型计算评价数值.将结合图像亮度信息的曝光适度评价方法应用于图像分块区域,并计算每个像素的权重值,消除图像块效应.将不同曝光度下成像的图像序列融合为一幅局部自适应曝光的高动态范围(HDR)图像,实现动态范围扩展.与另外3种方法进行对比分析,结果表明:该方法简便有效,细节纹理与颜色信息具有更强的表现能力,且熵值更高.     

近海大气环境下低矮RC剪力墙抗震性能试验

为了解近海大气环境下低矮RC剪力墙的抗震性能,采用人工气候实验室对6片剪跨比1.0的低矮RC剪力墙试件进行模拟近海大气环境腐蚀试验,进而对其进行拟静力试验,得到不同轴压比和不同锈胀裂缝宽度下腐蚀试件的滞回曲线,绘制出各个试件的骨架曲线,分析轴压比和锈胀裂缝宽度对腐蚀试件强度、刚度、延性、耗能能力等抗震性能指标的影响.结果表明:随轴压比增加,腐蚀试件的承载力和刚度不断提高,而延性和变形恢复能力却降低,表明在近海大气环境下对低矮RC剪力墙进行抗震设计时需要严格控制其轴压比;随锈胀裂缝宽度的增加,试件的开裂荷载和峰值荷载不断降低,刚度、延性和耗能能力均变差,当遭受腐蚀较为严重时,脆性破坏更为显著,说明在近海大气环境下低矮RC剪力墙内部钢筋锈蚀越来越严重,抗震性能越来越差.     

Unsupervised SAR image segmentation using TMF and belief propagation

To solve the problem that the traditional statistical inference approach for the triplet Markov fields (TMF) model cannot balance segmentation accuracy and computational efficiency, an efficient statistical inference approach for the TMF model using belief propagation is proposed, and then applied to unsupervised synthetic aperture radar (SAR) image segmentation. The algorithm combines the TMF model and the statistical property of the SAR image, and translates the segmentation problem into maximization of the posterior marginal (MPM) estimation. For the two label fields in TMF, the belief propagation algorithm is generalized to the bivariate case to estimate the joint posterior marginal probability of the two label fields through message passing. The two label fields can be simultaneously estimated according to the MPM criterion. Experiments on both simulated and real SAR images demonstrate that the proposed algorithm can efficiently suppress the influence of the speckle, and obtain accurate segmentation results with a reasonable computational cost.