主编的话——祝贺第四届编辑委员会成立

《计算机辅助设计与图形学学报》第四届编辑委员会成立暨工作会议于2004年2月27日在北京中国科学院计算技术研究所召开．计算机学会理事长李国杰院士到会讲话并代表中国计算机学会向编委会成员颁发了聘书．会上对如何提高刊物质量、使刊物办出特色，     

以语言教育管理为焦点的光复前后台湾教育

日本占据台湾后期,对台湾人民施行了严厉的同化教育政策,其焦点之一便是语言的同化教育.台湾人民虽不断抗争,但到日据末期,使用日语者人数日益增多,善用汉语者人数日益减少已成为无奈的事实.台湾光复后的＂国语运动＂,意图清除皇民化教育毒素,而其重心即在推广国语,施行国语教育,禁止日语教育.由此,光复前后的台湾形成了一个以争夺语言教育权为焦点的教育发展和教育管理的独特面貌.     

5.20:计量在世界各地生辉

随着社会进步、经济发展,以及经济全球化趋势,计量在社会和经济发展中的重要作用日益被各国广泛关注。现代社会的很多生产和生活都依赖于准确、一致的计量,如欧洲生产的一个汽车部件可以组装在中国制造的汽车中;眼镜镜片符合验光师给定的度数等,都取决于一致标准下的准确测量。为了使各国政府和公众了解计量,鼓励和推动各国计量领域的发展,加强各国在计量领域的国际交流与合作,1999年10月在第21届国际计量大会(CGPM)上决定设立世界计量日,以米制公约的签约日5月20日作为世界计量日,并将此决定通知了联合国教科文组织。作为重要的国际计量…     

基于融合进化算法的用户日负荷曲线聚类分析

负荷分类对电网调度、负荷预测、用户用电行为分析等具有重要意义.针对传统负荷分类算法易陷入局部最优解而无法确定最优初始聚类中心,导致分类结果不准确问题,提出一种融合进化算法优化模糊C均值(FCM)的负荷聚类算法.首先使用重心Lagrange插值法填充负荷曲线缺失点,其次利用线性函数将不同行业负荷曲线归一化,最后结合遗传算法全局搜索效率高以及模拟退火算法计算时间短的特点优化FCM进行负荷聚类,弥补了传统FCM易陷入局部最优解的问题.算例表明：所提算法聚类中心距离较远,用户日负荷曲线分类结果较准确;相较于传统FCM不易陷入局部最优解,且具有一定的鲁棒性.     

孤岛油田注聚同心分注工艺应用效果分析

聚合物驱是一项完善的提高采收技术,在矿场广泛使用。储层发育的非均质性影响了聚合物驱的效果,笼统注聚是矿场普遍使用的,但是不能满足生产需,本文论述了分层注聚的必性,通过矿场实际应用情况摸索,总结出适宜推广的同心分注工艺,对分注工艺的设计、应用条件及应用效果进行了分析总结,对推广应用效果进行了评价。     

PBM算法在近场爆炸数值模拟中的运用研究

为探究爆炸粒子算法(PBM)在近场爆炸问题中的适用性,分别采用PBM法及任意拉格朗日-欧拉算法(ALE&S-ALE),开展AL-6XN不锈钢板近场爆炸的仿真模拟.结合T B?rvik的试验结果,对比了ALE、S-ALE和PBM方法的计算精确度和运算效率;采用PBM算法对不同爆心距的钢板近场爆炸工况进行仿真计算,分析了粒...     

标准提高效率 促进降耗增益——吉林省质量技术监督局开展2012年“世界标准日”宣传活动

2012年10月14日是第四十三个世界标准日,国际标准化组织(ISO)、国际电工委员会(IEC)和国际电信联盟(ITU)联合发出世界标准日祝词,主题是"减损耗增收益——标准提高效率",旨在以最少的损耗、最低的成本和最小的投入生产或提供最优质的产品和服务。按照本届世界标准日的主题以及省局转发的《关于开展2012年世界标准日宣传活动的通知》要求,吉     

自动站气温数据异常的补偿方法

为了保证气象资料的完整性与准确性,针对含有间断噪声的自动站日平均气温数据提出了3种隶属度函数,设计了基于平方平均隶属度函数的模糊支持向量机(FSVM)补偿算法,建立了补偿模型,并与传统支持向量机(SVM)方法进行了对比。实验结果表明:基于平方平均隶属度函数的FSVM方法对噪声点有较强的识别能力,插补后的数据精度达到了1.4℃,优于传统SVM方法的1.6℃;整体预测精度达到了1.13℃,同样优于传统SVM方法的1.42℃。     

主动式太阳能追日系统设计

摘要：设计一种主动式太阳能追日系统。通过对太阳运行轨迹理论的分析和研究,确定了追日系统的天文算法公式,以保证系统的跟踪精度。在此基础上,针对追日系统的控制原理,提出了系统的控制方案,阐述了控制系统硬件电路的设计过程和软件平台的操作。经验证,设计的主动式太阳能追日系统的性能指标完全满足应用要求,运行稳定可靠,能适应各种复杂环境。     

基于相似日和SAE-DBiLSTM模型的短期电力负荷预测

提高短期电力负荷预测精度有助于电力公司高效地管理能源和更加经济可靠地运行。随着信息通信技术在电力系统的广泛应用,可获得的电力系统数据迅速增多,为数据驱动的电力负荷预测提供了数据基础,但这些数据通常结构性较差且特征不明确。由此,提出了基于相似日和SAE-DBiLSTM模型的短期电力负荷预测方法。首先,对获得的电力负荷数据进行预处理,并利用栈式自编码网络无监督提取由相似日、基准日负荷数据和天气信息构成的数据隐含用电特征;再将所得的隐含用电特征输入深度双向长短期记忆网络(Deep bi-directional long short-term memory,DBi LSTM)进行训练学习;最后用2016年全国大学生电工数学建模竞赛数据集,将所提模型与其他模型进行对比测试(包括DBiLSTM、SAE-ELM、SAE-DGRU、SAE-DLSTM和SAE-DBiLSTM)。试验结果表明,SAE-DBiLSTM组合模型在不同地区均具有更高的预测精度,该方法简单可靠且能更好地预测短期区域电力负荷。