气流式加速度传感器的敏感机理

介绍了在研制气流式加速度传感器过程中，为对气流式加速度传感器进行建模，作者对气流式加速度传感器的工作机理进行了理论性探讨。在分析过程中以流体力学、传热学和惯性理论为基础并结合实验结果，建立了适合于气流式加速度传感器的气体运动方程和能量方程。同时还讨论了热线测量加速度的方法及根据实验分析了输入加速度对腔体内温度及传感器输出电压的影响，从而为进一步研究一系列气流式传感器的工作机理提供了方法。     

GaAs Mach－Zehnder型光波导开关／调制器

采用非对称Ｘ结耦合器代替传统的Ｙ分支器，研制了ＧａＡｓＭａｃｈ－Ｚｅｈｎｄｅｒ型２×２光开光，得到了小于－２２．４ｄＢ的串音比和１２Ｖ左右的开关电压，器件的波导传输损耗小于７ｄＢ／ｃｍ。预计该器件可广泛应用于ＧａＡｓ开关列阵及高速光调制等领域。     

大浓度范围内PV型旋风分离器粒级效率的计算方法

探讨了旋风分离器入口含尘浓度对其分离性能及粒级效率的影响机理。对旋风分离器内部气固两相运动进行了相似分析,得到了包括入口含尘浓度在内的一系列影响分离性能的相似准数。通过相似试验及试验数据的多元回归分析,建立了各相似准数与粒级效率的关系,得出了能精确估计大浓度范围内PV型旋风分离器粒级效率的计算公式。     

煤矿企业应急管理体系构建研究

从应管理的组织指挥系统、应急预案系统和资源保障系统的角度,全面地阐述了煤矿企业应急管理系统的构建,希望对提高煤矿企业的应急能力提供一定的指导和借鉴.     

新建本科院校学生管理工作的"破"与"立"

新建本科院校的发展是高等教育改革发展的产物,较之过去其培养层次、培养方式、培养目标、管理模式都将随之发生相应变化.从"破"和"立"两个视角指出了具体在学生管理工作中直接影响人才培养质量的诸多突出问题,重点从转变育人理念、加强学风建设、学生活动与教学科研联动发展3个方面提出了学生管理工作的突破方向与创新思路.     

湖南高等教育结构合理性分析

湖南省高等教育结构发展的现状表现为规模大、速度快、水平高、工科强、集中于长沙市的特点，从高等教育与经济社会发展水平、产业结构、就业结构等方面来看，二者并不十分协调，甚至可以说是不合理．但如果从历史、文化传统、社会心理等方面看，湖南高等教育结构又有其合理性。     

借助汉-越双语词对齐语料构建越南语依存树库

由于对越南语的研究工作相对较少,因此还没有建立规模相对较大的依存树库。相对于已经拥有了形态丰富、语料成熟的汉语,越南语的依存句法分析要困难得多,所以该文提出了一种借助汉-越双语词对齐语料构建越南语依存树库的方法。首先对汉语-越南语句子对进行词对齐处理,然后对汉语句子进行依存句法分析。最后结合越南语本身的语言特点和有关的语法规则将汉语的依存关系通过汉-越双语词对齐关系映射到越南语句子中,从而生成越南语的依存树库。实验表明,该方法简化了人工收集和标注越南语依存树库的过程,节省了人力和构建树库的时间。实验结果表明,该方法相比采用机器学习的方法准确率明显提高。     

支持车联网的无线光信道副载波调制方法

传统载波调制方法存在较高的误码率缺陷,为此提出了支持车联网的无线光信道副载波调制方法。首先建立车联网环境下的无线光信道模型,从频率和时间两个方面分析无线光信道的选择性衰落特性,然后设计无线光信道副载波调制框架,以子符号加和的方式,调制无线光信道副载波信号,支持车联网运行。实验结果:相对对比方法,在不同信道信噪比条件下,所提方法的误码率均值较三组对比方法分别减小0.000 079 5 bit/s、0.000 044 5 bit/s、0.000 002 bit/s;在不同副载波调制阶数和传输速率条件下,所提方法的无线光信道通信时具有较小的误码率。     

脉冲激光沉积VN/Ag复合薄膜的组织及摩擦学性能研究

利用脉冲激光沉积技术制备了不同Ag含量的VN/Ag复合薄膜,利用扫描电子显微镜、X射线衍射仪、纳米力学测试系统等设备表征薄膜的组织结构、成分、表面形貌及力学性能,利用UMT-3摩擦试验机考察薄膜在室温至900℃下的摩擦学性能。结果表明,随着Ag含量的增多,薄膜的组织形貌变差,硬度及弹性模量降低。当Ag含量为16%(原子分数)时薄膜在试验温度范围内的摩擦学性能最佳。由于Ag在低温的润滑特性及高温摩擦化学反应生成了新的润滑相,如V2O5、V6O11、V6O13、Ag3VO4、AgVO3等,使得摩擦系数随温度的升高而逐渐降低,在900℃下取得最低值0.08,实现了宽温域内的连续润滑。     

Pose-and-illumination-invariant face representation via a triplet-loss trained deep reconstruction model

Face recognition under variable pose and illumination is a challenging problem in computer vision tasks. In this paper, we solve this problem by proposing a new residual based deep face reconstruction neural network to extract discriminative pose-and-illumination-invariant (PII) features. Our deep model can change arbitrary pose and illumination face images to the frontal view with standard illumination. We propose a new triplet-loss training method instead of Euclidean loss to optimize our model, which has two advantages: a) The training triplets can be easily augmented by freely choosing combinations of labeled face images, in this way, overfitting can be avoided; b) The triplet-loss training makes the PII features more discriminative even when training samples have similar appearance. By using our PII features, we achieve 83.8% average recognition accuracy on MultiPIE face dataset which is competitive to the state-of-the-art face recognition methods.