二滩水电站油、水、风系统设备运行与改造

水电站辅助设备的运行直接影响水电站运行的安全性和可靠性。二滩水电站投运初期，油、水、风系统先后出现了许多问题，通过应用新产品和新技术对其进行了改造。为水电厂辅助设备的设计、选型、安装提供了宝贵的经验，并对水电厂辅助设备的检修、调试和运行维护有一定的指导作用。     

渗硼工艺提高造锁模具寿命的研究

采用渗硼淬火工艺对造锁模具进行强化，提高模具抗磨料磨损的能力。结果表明，用该工艺能使模具平均提高两倍以上。     

浅谈标准资料的计算机管理—标准资料管理系统开发实例

本文以标准资料管理系统开发过程为基础，从标准资料管理的实际需求出发，系统论述了标准资料的管理过程，以及利用Visual Basic6.0和Microsoft Access2000数据库开发软件建立标准资料管理系统的基本设计思路和方法。该系统以准确、高效、可靠为其基本出发点，在标准资料现代化管理方面，进行了新的尝试。     

鲁迅爱吃的四种蔬果(上)

诗甲之二一为《菱》云:妇孺皆知驼背白,雷门名物至今称。新鲜酒醉皆佳品,不及寻常煮大菱。自注道:“菱角通称大菱,驼背白为四角菱之一种,色青白而拱背,出雷门坂一带。”另一种为水红菱,也是四角的,上市最早,色红骄美动人,所以被商人居为奇货,摆在店头,当作水果出售。周作人早年写一篇《菱角》,其中对水红菱说过这样一段话:“水红菱只可生吃,虽然也有人把它拿去作蔬。秋日择嫩菱瀹熟,去涩衣,加酒酱油及花椒,名“醉大菱”,为极好的下酒物(俗名过酒坯),阴历八月三日灶君生日,各家供素菜,例有此品,几成不文之律。”二、罗汉豆罗汉豆即蚕豆,可以说大半个中国有之。但是罗汉豆之名只通行于绍兴一地。后经鲁迅多次应用,才四海名扬。清范寅著《越谚》三卷,卷中“罗汉豆”项下云:“此豆扁大,只能用菜,吴呼蚕豆。”上面又有一项“蚕豆”曰:“此豆细圆,吴呼寒豆。”这样意思就很明确了。     

黑龙江省工业固体废物及城市生活垃圾状况分析

本文通过对黑龙江省工业固体废物及城市生活垃圾状况的分析，使读者了解我省固体废物的发展趋势及加强固体废物的科学管理和治理的必要性。     

程控电话交换机过电流保护元件用高性能PTC陶瓷的研制

阐述了高性能ＰＴＣ陶瓷材料制备的基本要点，并以基方固溶体化学组成、原材料选择、复合添加物改性以及特定烧结工艺等方面开展工作，制得了居里温度为９０℃左右、室温体积电阻率为３０Ω·ｃｍ，电阻率突变ρνｍａｘ／ρνｍｉｎ＞１０５、电阻率温度系数α≈１５％／℃、耐电压强度≥１５０Ｖ／ｍｍ的高性能ＰＴＣ陶瓷材料。此材料制得的元件能满足程控电话交换机过电流保护的要求。     

甲基异氰酸酯制备方法评述

甲基异氰酸酯是一种重要的有机中间体,广泛用于氨基甲酸酯类农药合成.对甲氨基甲酰氯生产甲基异氰酸酯制备方法进行了评述.     

基于3D scSE-UNet的肝脏CT图像半监督学习分割方法

针对分割神经网络需要大量的高质量标签但较难获取的问题,提出基于3D scSE-UNet的半监督学习分割方法. 该方法使用自训练的半监督学习框架,将包含改进的并行空间/特征通道压缩和激励模块（scSE-block+）的3D scSE-UNet作为分割网络. scSE-block+可以从图像空间和特征通道2个方面自动学习图像的有效特征,抑制无用冗余特征,更好地保留图像边缘信息. 在自训练过程中加入全连接条件随机场,对分割网络产生的伪标签进行边缘细化,提升伪标签的精确度. 在LiTS17 Challenge和SLIVER07数据集上验证所提出方法的有效性. 当有标签图像占训练集总图像的30%时,所提方法的Dice相似系数(dice score)为0.941. 结果表明,所提出的半监督学习分割方法可以在仅使用少量标注数据的情况下,取得与全监督分割方法相当的分割效果,有效减轻肝脏CT图像分割对专家标注数据的依赖.     

单螺杆挤出机混炼效果研究

作者研究了具有混炼头的不同形式的单螺杆挤出机的混炼效果。结论对单螺杆挤出机的设计和应用具有指导意义。     

基于机器学习的肺部CT图像非刚性配准误差预测方法

配准误差评估通常由人工完成,耗时费力;常用的Dice测度只关注组织边缘的配准误差,难以评估组织内部配准结果。针对以上问题,提出一种基于机器学习的肺部CT图像非刚性配准误差预测方法(PREML)。该方法首先构建形变场统计特征、形变场物理保真度特征和图像相似性特征三类特征,然后通过池化方法扩充特征数量,最后使用随机森林回归方法预测非刚性配准误差,并且使用自适应随机扰动方法模拟肺部配准误差空间分布,进一步提升形变场统计特征的配准误差表征能力。在三个肺部CT图像数据集上进行训练与测试,其配准误差预测结果与金标准之间的平均绝对差异为1.245±2.500 mm,预测性能优于基线方法。结果表明,PREML方法具有预测精度高、鲁棒性强的特点,可提升配准算法在临床应用的有效性和安全性。