无规纤维集合体热传递性能的研究

本文通过理论分析和实验测试研究了无规纤维集合体的热传递性能，探讨了集合体结构参数与其热传递性能之间的关系。     

基于OrcaFlex的水下采油树钻杆下放影响因素敏感性分析

针对东方1-1气田的海况,基于OrcaFlex专业海工软件建立平台钻杆下放采油树的仿真模型,研究了水下采油树在下放过程中钻杆的受力情况,以及采油树的运动响应问题。研究结果表明:在钻杆受力方面,下放过程中所受到的Von Mises应力以及弯矩都主要集中在钻杆上部靠近钻杆顶端处,在钻杆与采油树连接处有较小的应力集中和弯矩。在敏感性参数分析方面,风速对下放过程钻杆受力、弯矩以及水下采油树的运动响应影响很小; 海流流速、浪高、海况的方向角度对其影响较大,其中海流流速和浪高都是正影响; 不同的海况方向角度对钻杆的受力和采油树的运动响应有不同程度的影响。研究结果将对国内水下采油树的安装提供一定指导作用。     

企业管理的现状及创新性研究

随着经济建设的不断变化与发展,企业作为市场经济活动的重要组成部分在国民经济建设发展中起到了重要影响。市场竞争的日趋激烈,企业面临着严峻地机遇与挑战,如何在激烈的市场竞争中站稳脚跟,是企业目前亟待解决的重要问题之一,文章主要针对我国现阶段企业管理现状进行简要的分析与总结,并通过分析存在的问题提出了合理化的解决措施,仅供参考。     

非织造复合土工膜抗渗性能影响因素研究

非织造复合土工膜抗渗性能由耐静水压力指标表征。通过微观结构的分析 ,阐述了材料的水渗透破坏机理 ,对其抗渗性能影响因素进行了研究 ,提出一些提高抗渗性能的措施。     

羊毛角蛋白纤维化再生的研究进展

根据羊毛资源和利用的现实情况，认为羊毛价值的提升，既可以充分利用改性技术来实现，也可考虑羊毛角蛋白的纤维化再生。羊毛角蛋白的纤维化再生不仅有着很好的科学意义和明显的应用前景，而且通过研究是可行的。文章详细介绍了目前国内外对羊毛角蛋白纤维化再生的研究结果及进展。     

非织造复合土工膜拉伸性能的影响因素

非织造复合土工膜的主要力学性能为拉伸性能,其影响因素较为复杂。文章从材料的破坏机理入手,对这些影响因素进行分析和研究,并对有关问题提出解决办法和建议。     

四川盆地川西坳陷须家河组硅质碎屑颗粒溶蚀作用及机理

以四川盆地川西坳陷上三叠统煤系地层的须家河组优质储层为对象,运用普通薄片、主体薄片、阴极发光、扫描电镜和激光拉曼探针分析,对其中发育的硅质碎屑溶蚀机理进行了探讨。川西须家河组硅质碎屑存在酸性地层水条件下有氟参与发生的溶蚀。在须家河组石英包裹体中测到的F成分,是F^-、HF₂^-、未离解的HF分子及（HF）₂等含F成分的总和,并且以未离解的HF分子和（HF）₂为主。硅质溶蚀过程中,活性成分（HF）₂或HF₂^-吸附于硅质颗粒表面,H⁺对反应起催化作用。其他矿物组合同时发生物质的交换与变化,包括长石、岩屑的溶蚀、硅质胶结等。硅质溶蚀的识别标志主要包括：地球化学标志、硅质颗粒的部分溶解、致密砂岩背景下颗粒间接触缝的开启和矿物组合标志。     

基于目标紧密性与区域同质性策略的图像显著性检测

针对基于图模型的显著性检测算法中节点间特征差异描述不准确的问题,该文提出一种目标紧密性与区域同质性策略相结合的图像显著性检测算法。区别于常用的图模型,该算法建立更贴近人眼视觉系统的稀疏图结构与新颖的区域同质性图结构,以便描述图像前景内部的关联性与前景背景间的差异性,从而摒弃众多节点的冗余连接,强化节点局部空间关系;并且结合聚类簇紧密性采取流形排序的方式形成显著图,利用背景区域簇的相似性,引入背景置信度进行显著性优化,最终得到精细的检测结果。在4个基准数据集上与4种基于图模型的流行算法对比,该算法能清晰地突出显著区域,且在多种综合指标评估中,具备更优越的性能。     

v-软间隔罗杰斯特回归分类机

坐标下降(Coordinate Descent, CD)方法是求解大规模数据分类问题的有效方法,具有简单操作流程和快速收敛速率。为了提高罗杰斯特回归分类器(Logistic Regression Classifier, LRC)的泛化性能,受v-软间隔支持向量机的启发,该文提出一种v-软间隔罗杰斯特回归分类机(v-Soft Margin Logistic Regression Classifier, v-SMLRC),证明了v-SMLRC对偶为一等式约束对偶坐标下降CDdual并由此提出了适合于大规模数据的v-SMLRC-CDdual。所提出的v-SMLRC-CDdual既能最大化类间间隔,又能有效提高LRC的泛化性能。大规模文本数据集实验表明,v-SMLRC-CDdual分类性能优于或等同于相关方法。     

一般化最小包含球的大样本快速学习方法

标准最小包含球(Minimum enclosing ball, MEB)模型的对偶问题可视为MEB问题并能够利用核心集向量机(Core vector machine, CVM)实现大样本的快速训练,但对于一般化MEB模型,对偶问题中的不等式约束发生了变化而不能视为MEB问题, 不能方便地使用CVM来解决大样本的快速训练.为此,提出了一般化MEB快速学习方法(Fast learning of generalized MEB, FL-GMEB),首先放松对偶问题中的不等式约束条件,使其等价于中心约束的MEB问题,从而利用CVM获得其核心集(Core set, CS);然后利用局部线性嵌入(Locally linear embedding, LLE)的逆思想将CS扩充为拓展核心集(Extended core set, ECS);最后将ECS及其对应的优化权作为一般化MEB模型的逼近解. UCI和USPS数据集上的实验结果表明, FL-GMEB在大样本快速训练方面具有较好的性能优势.