日本落叶松及其在造纸领域中的应用

日本落叶松是适合在北半球广泛种植的早期速生树种 ,在我国的生长适应范围比较广 ,如今在我国华北、西北、西南和华中亚热带山区的部分地区已有种植。它在造纸领域中的应用研究已经开始 ,而且已经证实是一种很有潜力的造纸木材     

钾钠铌酸锶钡系列晶体自泵浦位相共轭镜的研究

报道了钾钠铌酸锶（ＫＮＳＢＮ）晶体系列自泵浦位相共轭反射镜的最新研究结果。ＫＮＳＢＮ：Ｃｕ、ＫＮＳＢＮ：Ｃｏ和ＫＮＳＢＮ：Ｃｅ自泵浦位相共轭反射镜的反射率分别可达７３％、７３％和８４．３％，ＫＮＳＢＮ：Ｃｕ自泵浦位相共轭反射镜的响应时间在低功率下达２００ｍｓ。     

无粘结预应力卵形消化池的受力分析及设计

本文采用有限元计算分析软件ANSYS对近年来出现的卵形消化池进行计算分析,着重对卵形消化池在多种荷载下的内力与变形进行分析,并采用二次曲线模拟沿高度均匀变化的壁厚。提出适合卵形消化池结构预应力钢筋等效为均布荷载的计算与配筋方法,取得较好的结果。     

α,β,γ,δ-四(5-磺基噻吩)卟啉柱前衍生反相液相色谱法分离测定铜、镉和钴

以α ,β ,γ ,δ 四 (5 磺基噻吩 )卟啉为柱前衍生试剂 ,用含 1.5mmol/LH3BO3-NaOH缓冲溶液 (pH9.0 )和 5. 0× 10 - 3mol/L溴代三丁基胺 (TBA Br)的乙氰 -水 (3 0 :70 ,V/V)溶液作流动相 ,检测波长 43 0nm ,在KromasilC1 8柱上 ,同时分离测定了铜、镉和钴三种金属络合物 ,检出限 (S/N =3 )分别为 0 .2 0 ,0.16,和 0.13ng/mL。方法用于水样分析 ,结果与光度法相符。     

桩土物理模型及结构—桩—土相互作用

本文将工程中常用的密集打桩土体模拟为正交各向异性弹性体。建立了刚性基础-桩-土这一空间相互作用系统的模型。根据圆柱体柱坐标的极点条件。分别选取了两组位移函数来表征桩基和土的位移,并用子区间法分析了结构-桩-土系统的相互作用地震反应。     

基于COM＋技术的Web服务封装研究

早期的信息管理系统都是用于实现企业特定的业务功能而建立的,包括对企业生产、供应、销售以及客户服务等的控制和管理。企业按照职能部门建立了各种企业信息系统,这些信息管理系统被其所在部门所使用,并在实际的工作生产中发挥了巨大作用。该文从整体考虑各个企业信息管理系统,并根据具体业务的需求对这些系统进行统一编排,通过一个合适的集成平台把现有企业信息管理系统进行有机的整合起来,使各＂信息孤岛＂联系起来。     

废塑料配煤炼焦的小焦炉试验

废塑料经分类、筛选和制粒后，用小焦炉进行配煤炼焦试验，结果表明，对焦炭强度的影响不大，还可增加炼焦化学产品的产率，但废塑料的配比宜控制在2％以下。     

三聚氰胺氰尿酸盐阻燃聚氨酯硬泡

将三聚氰胺氰尿酸盐(MCA)作为阻燃剂,采用一步全水发泡法,制备一系列硬质聚氨酯泡沫/三聚氰胺氰尿酸盐复合材料(RPUF/MCA),采用扫描电子显微镜(SEM)、热重分析(TG)、极限氧指数(LOI)、UL-94垂直燃烧、烟密度测试、傅立叶红外光谱(FT-IR)及拉曼光谱表征,研究了MCA对硬质聚氨酯泡沫(RPUF)泡孔结构、热稳定性、阻燃性及燃烧烟气密度的影响。研究表明,MCA能够显著提高RPUF/MCA的阻燃性能,30份的MCA使RPUF/MCA30达到UL-94 V-1级别,极限氧指数达到22.0%。热重测试结果表明,MCA的添加使成炭率降低;同时发现,MCA的添加降低了RPUF/MCA泡沫复合材料的初始热分解温度和复合材料的燃烧烟气密度,有效地提高了复合材料火灾安全性能。     

基于信息流动分析的动态社区发现方法

随着社交网络和微博等互联网应用的逐渐流行,其用户规模在迅速膨胀.在这些大规模网络中,社区发现可以为个性化服务推荐和产品推广提供重要依据.不同于传统的网络,这些新型网络的节点之间除了拓扑结构外,还进行频繁的信息交互.信息流动使得这些网络具有方向性和动态性等特征.传统的社区发现方法由于没有考虑到这些新的特征,并不适用于这些新型网络.在传染病动力学理论的基础上,从节点间信息流动的角度,提出一种动态社区发现方法.该方法通过对信息流动的分析来发现联系紧密、兴趣相近的节点集合,以实现动态的社区发现.在真实数据集上的实验结果表明：相对于传统的社区发现方法,所提出的方法能够更准确地发现社区,并且更能体现网络中社区的动态变化.     

Target re-aware deep tracking based on correlation filters updated online

Pattern Analysis and Applications - Deep trackers often use convolutional neural networks (CNNs) pre-trained to extract features. The training dataset always does not contain the tracking objects....