微软的“功臣”Edward Roberts与“罪人”——个人电脑之父爱德华·罗伯茨

姓 名:(中文)爱德华·罗伯茨(英文)Edw ard Roberts出生年月:1942 年出生国家、地点:美国乔治亚州教育背景:1988 年,获得M ercer大学医学博士学位1968 年毕业于俄克拉荷马州立大学电气工程专业职业背景:1977 年,以 800 万美元出售 M ITS 公司1974年,推出第一台个人电脑 Altair1968 年,共同成立M ITS 公司,生产可编程计算器谁是世界上第一台电子计算机的发明者?这个问题已成为计算机史上一个永恒的争议话题。同样,谁是世界上第一台 PC 的创造者?也可以引发无尽的考据和争论。目前想一争的至少有:英特尔公司用自家的 4004 微处理器搞出…     

迈克尔·戴尔: PC艺术大师

也许是最年轻的"首富",戴尔从1000美元和一间大学宿舍起家,经过十多年的发展成为PC业1000亿美元传奇故事的主角.不依靠技术的领先,只是依靠一种观念、一种商业模式,而且还是一个不被看好的模式,戴尔公司扶摇直上.戴尔公司奉行的是一种最朴素最实际的哲学:组装和销售计算机.但现在面对后PC时代,戴尔的法宝不知能否奏效.但也许激发戴尔干劲的,正是这种令人窒息的不断的挑战.     

埃里克·施密特:互联网业新盟主

有人说,是Google得到了施密特。但是,我们应该说,是施密特得到了Google。反正,2001年3月,他正式加盟Google,既是得到了一份梦幻般的工作,也是一只脚踏入了质疑和寒冷的海水之中。从此,他与Google不再可分了,他的成功也势不可挡。一个“施密特时代”开启了。机遇的超级“搜索引擎”一个人要成功,到底是需要运气还是底气?这实在是一个复杂的问题。但是,对于埃里克·施密特(Er icSchmidt)来说,这个问题会变得非常简单。因为,他就是一个永远在搜索机遇的“超级搜索引擎”,有了这个特异功能,似乎运气和底气都成为了他的好朋友。因此,想不成功…     

草酸钠—高锰酸钾返滴定法快速测定锰矿石中MnO2

用稀硫酸溶解试样,用草酸钠还原法,以定量的草酸钠还原锰矿石中的MnO2,再用高锰酸钾标准溶液滴定剩余的草酸钠,求出MnO2的含量。实验结果表明,分析误差完全在国标分析误差允许范围内。     

光度法快速测定铌铁中铌

铌铁易溶于硝酸和氢氟酸的混合酸中,当用酸分解试样时,铌极易水解析出沉淀;但在氢氟酸存在下,又能成为可溶性络合物(H2NbF7),在分析铌铁中铌时,利用此特性,使铌保持于溶液中而用光度法进行铌的测定,实现光度法高速分析铌铁中的铌。     

谁能打破英特尔在中国的垄断

英特尔在中国寻求国民待遇的同时,又谋求并贯彻着一种“事实上的垄断”。那么,为什么我们在为微软垄断拍案而起的时候,独独视而不见英特尔?事实上,和后者在中国所使用的手段和收效比较,微软只能算小巫     

水蒸气蒸馏—酸碱滴定法测定氮钒合金中氮

样品用硫酸、磷酸溶解,样品溶液用氢氧化钠溶液碱化后,以水蒸气蒸馏,蒸馏出的氮用硼酸溶液吸收。以甲基红—次甲基蓝为指示剂,用氨基磺酸标准溶液滴定,根据氨基磺酸标准溶液消耗量,计算样品中的氮含量。方法精密度高,结果准确,相对标准偏差(n=6)<0.736%,加标回收率在99.2%～100.5%。     

基于多维精益管理的电价预测与电费风险控制分析研究

随着电力系统电价改革的深化以及多维精益管理体系变革力度的不断加大,电网企业需要对购售电策略进行优化,促进电力资源大范围优化配置,提高经营水平.在多维精益管理的体系下,构建了电价预测与电费风险控制分析模型,并结合不同影响因素对电量电费预测的影响情况进行有效分析,最后以实例验证算法,证明提出的基于多维精益管理的电价预测模型的实际效果,相比较传统人工预测的方法,不但精准度高,而且大大减少了人工工作量,具有一定社会效益.     

EGTA滴定法测定萤石中碳酸钙含量准确度的研究

将经典方法用稀醋酸加热处理试样改为在室温下用稀醋酸定体积、定时间浸取处理试样测定钙总量。将第一次浸出后的残渣,再按前次相同的操作条件浸出一次,在浸出溶液中测定其钙含量即为校正值。从含有部分CaF2的钙总量中减去校正值即得到CaCO3,的真实含量,提高了CaCO3测定的准确度,满足了冶金生产的需要。     

基于影像组学和机器学习的脑部胶质瘤分级模型研究

本文将影像组学的方法和机器学习算法结合起来,对脑部胶质瘤进行分级预测。利用BraTS2019公开数据集,从多模态MRI图像中分别提取肿瘤的448维影像组学特征:肿瘤形态学特征、一阶灰度特征、纹理特征等;然后通过最小绝对收缩和选择算子(Lasso)算法筛选出15个最佳的影像组学特征;最后根据筛选出的最佳特征集,利用随机森林分类算法构建脑部胶质瘤的分级预测模型。基于机器学习建立的模型在训练组患者中预测胶质瘤级别的准确率达到95.6%,ROC曲线下面积(AUC)达到0.99;在验证组患者中预测胶质瘤级别的准确率达到89.3%,AUC达到0.96。可见,基于机器学习算法,利用影像组学的方法可以对脑部肿瘤的高低级别进行准确的预测和分类。