LNG气化站供配电方案选择及设计的浅析

LNG气化站是一个接收、储存和分配LNG的卫星站,也是城镇或燃气企业把LNG从生产厂家转往用户的中间调节场所,其电源的供电可靠性决定了LNG气化站是否可以正常运行给区域内的用户提供燃气。文章总结了LNG气化站的供配电设计中负荷等级的确定、供配电方案的选择,以及自备柴油发电机的容量选择及考虑因素,为今后相关设计提供参考及借鉴。     

阴离子膜燃料电池阴极非贵金属催化剂研究进展

与质子交换膜燃料电池相比,阴离子交换膜燃料电池不仅能显著提高阴极氧还原反应(ORR)动力学,而且可采用非贵金属催化剂大幅降低成本和减少极板腐蚀,成为新能源领域中的研究热点。对阴离子膜燃料电池中阴极非贵金属氧还原催化剂的研究进展进行了详细评述,在此基础上提出杂原子掺杂的多孔纳米碳材料和以其为载体担载合金化的非贵金属是阴离子交换膜燃料电池阴极催化剂今后的发展方向。     

时间序列部分周期模式的更新算法

针对在线增量部分周期模式挖掘中计算复杂度过高的问题,提出了一种带移动时间窗的时间序列部分周期模式挖掘算法.在时间序列的数据挖掘过程中,某些应用场合只要求对近期的时间序列数据进行挖掘发现部分周期模式,作为时间序列未来行为趋势的预测.因此在挖掘过程中,利用时间窗口,在先前挖掘结果的基础上,对最近的时间序列进行部分周期模式挖...     

自适应模糊PID轧机厚度自动控制系统设计

针对在AGC板厚控制系统中存在时滞、时变、大惯性、非线性等问题和传统PID控制参数整定不易的局限,提出了将模糊控制和PID控制结合起来,构造了一个模糊自适应PID控制器,通过模糊控制规则在线调整PID控制器的参数.经Matlab仿真实验表明,模糊自适应PID控制器比传统PID控制器的动态响应曲线好,响应时间短,超调量小,稳态性能好,动静态性能好,取得了令人满意的控制效果.     

移动Agent系统通信安全性研究

本文讨论了Agent的概念,移动Agent的特点,移动Agent系统的安全问题以及如何通过密码体制来保障Agent的通信安全,并给出了使用RIM（RSA＋IDEA＋MD5）密码体制来解决移动Agent系统的通信安全问题主要的工作过程。     

用有限元法对原子力显微镜力传感器结构优化的研究

应用有限元法对原子力显微镜(AFM)力传感器进行了力学分析,并计算了它的固有频率和力弹性常数。在此基础上,对力传感器基于减小应力和应力集中的原则提出了一种优化结构,并得出了可以作为力传感器设计的依据和原则。     

骨科植入物不良事件发生原因分析及预防措施:1309例可疑医疗器械不良事件报告分析

目的归纳总结骨科植入物常见不良事件表现,分析发生的原因,并提出针对性的预防措施。方法对1309例骨科植入物可疑医疗器械不良事件进行统计分析,并结合国内外文献分析结果进行归纳总结。结果骨科植入物常见的不良事件包括表现为断裂、排异反应、伤口不愈合、松动、疼痛、弯曲变形等,这些事件的发生可能包括产品自身、操作者以及患者等方面的原因。结论骨科植入物可疑医疗器械不良事件表现种类较多,原因较为复杂,需要进一步加强骨科植入物的医疗器械不良事件监测工作。     

一种快速的时间序列相似性算法的研究及其在股票管理中的应用

提出了一种新的股票时间序列相似性的研究方法,该方法与已往的算法相比,具有很高的计算效率.首先将时间序列分段线性化,将近似直线的端点按时间顺序排列形成转折点序列来描述原始序列,从而降低了数据的数量和复杂度,提高了快速性.基于分段线性化,提出了一种相似性计算方法,可以从时间序列中搜索用于传统股票分析的基础模型.将基础模型的谷点和峰点的位置按照某种规律重新排序,然后从转折点序列中寻找重新排序后与基础模型排序相同的子序列（即相似性搜索）,用该基础模型可以对股票后续趋势做出预测.与通常的相似性算法相比,该算法不考虑时间尺度和数据的幅值的变化,因此,大大提高了相似性的计算精度.     

正则化训练的神经网络与粗集理论相结合的股票时间序列数据挖掘技术

论文提出将正则化神经网络与粗集理论相结合应用于股票时间序列数据库的数据挖掘.首先对时间序列数据库进行预处理,除去高频干扰信号,然后将股票时间序列数据按照收盘价的变化趋势分割成一系列静态模式,每种模式代表股票价格的一种行为趋势(上涨或下跌),把决定各种模式的相关属性组成一系列信息,形成一个适用于粗集方法的信息表.然后使用正则神经网络对信息表进行学习,用粗集理论从正则神经网络所存储的知识中抽取规则,得到的规则可以用于预测时间序列在未来的行为。该方法融合了正则神经网络优良的泛化性能和粗集理论的规则生成能力,实验表明,该方法预测效果比较准确。     

一种高效的分类规则挖掘算法

提出了一种高效的分类规则挖掘算法,它结合神经网络的容错性能和决策树的规则生成能力,采用神经网络从样本集中删除不相关的和弱相关的特征属性,同时删除训练样本集中的噪声数据。然后采用决策树从处理过的训练样本集中抽取规则,由于去除了噪声数据,因此使得所挖掘的规则精确度大大提高,同时减少了规则的数目。实验证明所提出的算法,具有很高的分类精度。