TURBO C对汇编语言程序的调用

从ＰＣ系列机的内部结构，剖析了ＴｕｒｂｏＣ调用汇编语言程序的原理。通过分析ＡＳＭ文件与汇编语言程序的格式，以及ＴｕｒｂｏＣ使用存贮器的特点，说明了采用相互兼容的方法，遵循相应的各项约定，就可将汇编语言程序当作Ｃ语言的一个过程来处理，实现ＴｕｒｂｏＣ对汇编语言程序的调用，从而得到相应的程序设计方法。     

英语构词活前缀anti-的剖析

英语活前缀anti-是现代英语中构词力最强的词缀之一。随着其构词力的不断增强，这个前缀的构调特点有了新的变化，语义范围也得以进一步的扩展。本文对前缀anti-的构词特点与变化进行探讨，对其语义特点和范围进行研究，以阐明这个前缀的应用规律，便于人们在阅读、翻译和撰写英语文章时，能正确理解和运用这个前缀及其派生词。     

一种求欧氏空间子空间的标准正交基的新方法

本文对欧氏空间的Ｓｃｈｍｉｄｔ正交化过程加以分析，利用正交矩阵可以表示成若干个初等旋转矩阵的乘积，给出了化欧氏空间子空间的一组基为标准正交基的方法。     

线性有源网络的混合分析法

以电压控制电源的控制电压、电流控制电源的控制电流以及无源支路的电流为变量，建立有源网络的混合变量方程。这种分析方法对任一有源性网络都普通适用。     

外资引进中多元政府混合贷款的综合评价方法

文章简单要介绍了多元政府混合贷款的含义及对其评价的传统方法，指出了传统评价方法的缺陷，提出用群组ＡＨＰ理论构造新的评价模型。在专家的选择及评价上采用问卷测试的客观内容来计算各专家权重，对专家评议结果的处理采用不等权专家信息后处理技术.     

基于预训练模型和混合神经网络的医疗实体关系抽取

医疗文本具有实体密度高、句式冗长等特点,简单的神经网络方法不能很好地捕获其语义特征,因此提出一种基于预训练模型的混合神经网络方法。首先使用预训练模型获取动态词向量,并提取实体标记特征;然后通过双向长短期记忆网络获取医疗文本的上下文特征,同时使用卷积神经网络获取文本的局部特征;再使用注意力机制对序列特征进行加权,获取文本全局语义特征;最后将实体标记特征与全局语义特征融合,并通过分类器得到抽取结果。在医疗领域数据集上的实体关系抽取实验结果表明,新提出的混合神经网络模型的性能比主流模型均有提升,说明这种多特征融合的方式可以提升实体关系抽取的效果。     

基于混合团树的贝叶斯网络智能推理算法

提出了一种基于混合团树的智能推理体系架构,利用原始贝叶斯网络中变量之间的依赖关系对连接树进行改造,使得在推理过程中满足以下两个优势：(1)它能直接消除与证据和查询的无关的变量集,使得混合团树得以缩减为更小规模的二级树状结构,进而使消息不必在所有节点中传播;(2)它继承了连接树传播算法中可以重复利用混合团树中预先储存的信息进行加速推理.     

Al2O3-TiO2复合氧化物负载的钴基催化剂光热费托合成性能研究

选用Al₂O₃和TiO₂的复合物作为催化剂的载体,通过浸渍法合成了不同TiO₂含量(0%,5%,10%,15%)的负载型钴基催化剂,采用XRD、TEM、TPR、BET、UV-Vis、XPS、CO-TPD等技术对催化剂进行了表征,并考察了其光热催化费托合成性能。结果表明,含量较少的TiO₂是激发光催化反应的决定因素,引入紫外光照能够激发光生电子从TiO₂向金属钴转移,有利于反应物CO分子的解离活化,致使CO转化率大幅提升。产物分布方面,抑制产生CO₂,促进低碳数烷烃生成。当TiO₂含量为5%时,光照引起的CO转化率提升幅度最高,可达68.8%。此研究有助于理解光热催化费托反应体系中催化剂构效关系和反应过程。     

融合电池温度和寿命的深度强化学习PHEV能量管理策略

针对当前插电式混合动力汽车能量管理策略忽略电池老化成本和电池温度变化过大而导致的热失控问题,制定融合电池寿命和电池温度的深度Q-Learning神经网络(DQN)强化学习能量管理策略.首先,从融入能量管理策略的角度,建立动力电池热模型和老化模型,引入调节目标价值函数的严重因子和量化电池老化程度的安时通量.其次,建立由超温惩罚、等效电池老化成本和燃油消耗组成的目标价值函数,进而构建深度强化学习能量管理策略.最后,通过仿真实验对所制定的控制策略进行验证.结果表明：融合了电池老化和电池温度的能量管理策略能够有效抑制电池老化和温度.在4个随机工况中,DQN策略下的电池有效安时通过量相较于CD-CS最大下降了35.75%;与CD-CS相比,DQN策略下单个驾驶任务的行驶总成本最大降低10.36%,证明了所制定策略的有效性.     

基于神经网络的船舶稳性预报研究

为省略船舶稳性计算中横摇阻尼以及船舶阻力等参数的复杂计算过程,提出一种采用径向基函数(RBF)神经网络对第二代完整稳性失效概率预报的方法.研究包括过度加速度、瘫船稳性以及骑浪/横甩3种失效模式.通过研究船舶相关参数对各失效模式失效概率的影响,确定采用RBF神经网络对每种失效模式进行预报时输入特征的选取,从而降低训练时长.使用训练后的网络对样本船稳性进行预报,采用均方误差和平均绝对百分比误差对预报结果进行评估.对3种失效模式预报结果的平均绝对百分比误差分别为6.49%、7.09%、5.70%,均小于10%,表明采用RBF神经网络可较为精准地对船舶稳性进行预报.