跨平台可重用组件开发

以Ｄｅｌｐｈｉ３．０Ｃ／Ｓ开发工具为例，介绍了可重用组件的开发过程，及转化开发好的组件为ＡｃｔｉｖｅＸ控件的相关技术，使其能运行于网页上和其他开发工具，从而创建跨平台可重用软件建筑模块，实现代码重用性。     

真气疗法与活性分子的相关性

真气运行过程中体内一些活性分子水平变化的分析表明,22例健康人经过73天功练后,血清巯基总量增加50％(P<0.05),53天血浆皮质醇含量下降30％(P<0.05),73天后下降达55.3％(P<0.01).25例病人,练功前巯基总量普遍低于正常值,练功35天后全部增高,必血管病人尤为显著,增长23％(P<0.05).     

复杂电力系统鲁棒性协调控制研究

针对现有的电力系统鲁棒控制策略中存在的不足,提出了将关联测量控制理论与鲁棒控制相结合的控制策略,即先建立复杂电力系统中各子系统数学模型,再视各控制器的关联量为扰动项来设计鲁棒控制器,该控制器不仅能显著改善电力系统的小干扰稳定性,而且还无需采集远方测量信号,装置复杂度低.最后,通过对8机36节点测试算例的建模与仿真计算,证明投入该鲁棒励磁控制器,与传统分散协调控制器相比,对运行方式的变化有满意的鲁棒性.     

面向智能控制的软PLC逻辑控制单元模块化设计与实现

为了采用软件实现硬件的功能,改变依靠硬件模块的产品序列化方式。在介绍软PLC系统主要功能与模块的基础上,针对软PLC的逻辑控制单元的可视化设计与实现,给出了控制单元的图形显示、逻辑功能实现、以及数据关联的设计,最后介绍了逻辑控制单元可视化实现效果。     

应用型大学化学实验中心的构建与创新

化学实验室是培养学生实验技能的重要场所,实验室的建设和管理水平直接关系到学校的实验教学水平和人才培养质量。为了更好地为教学服务,合肥学院化学实验教学中心进行了课程体系建设和实验室建设与管理的创新与实践。在课程体系建设方面考虑到专业设置、实验教材建设、教学方式、实验项目内容和成绩考核方式,在实验室建设和管理方面考虑到实验室的师资与管理队伍、实验室的管理模式等情况,提高了实验教学水平和应用型人才培养质量。     

基于预测控制的中药提取工段多目标优化控制策略

针对中药生产提取过程非线性、时变性、大滞后等特点,并结合多目标控制要求,建立中药生产提取过程动态模型,提出一种基于广义预测控制的中药提取工段多目标优化控制策略,即在预测控制的基础上增加经济优化层.预测控制层实现提取过程温度与压力的区域控制,而经济优化层实现提取过程经济性能指标的优化.仿真结果表明,该方法不仅能保证中药提取过程温度、压力的动态特性,而且能有效地降低提取过程的蒸汽消耗.     

基于向量空间的专利类比挖掘方法

摘要：新技术在进行技术突破时,很难找到创新点和技术。针对这一难题,提出一种基于向量空间的专利类比挖掘算法。首先,从源数据中获取描述功能和属性的专利技术方案（PSC）,建立基于PSC的TF-IDF值的向量空间模型（VSM）;然后,根据专利文献间的信息距离制成基于PSC术语的专利地图;最后,分别对PSC进行创新性分析,根据分析结果用类比的思想进行新技术的创新。本文算法的时间复杂性为O((n2+n)/2),低于对比算法的O(n2)。以无线充电技术专利和无线传感技术专利文献为源数据,实验结果表明,所提出的算法比对比算法能更有效的获取更具有创新性的创新方案。     

基于决策空间划分模型的多目标进化算法

为有效利用决定空间中的信息、提高收敛速度与准确度,提出了基于决策空间划分模型的多目标进化算法.该算法将决策空间划分成多个子决策空间并在每个子决策空间内映射出一个超球体,运用某一多目标进化算法完成超球体内个体的1轮次进化,基于粒子群优化算法的粒子移动机制实现超球体间的信息共享、引导超球体质心向最优解集方向移动.对8个测试问题的实验结果表明:基于决策空间划分模型的多目标进化算法在收敛精度和收敛稳定性方面比FastPGA,MOCell,NSGA-Ⅱ和SPEA2算法表现出更好的性能.     

重用抗体优良片断的免疫进化算法

基于克隆选择原理与算法,通过分析具体现象阐述了改进克隆选择算法的思想来源,设计了挖掘抗体中优秀决定基因并生成记忆集、封装优秀决定基片段、用变异抗体群中亲和度高的抗体按概率替换记忆抗体群中低亲和度抗体的方法,获得了重用抗体优良片断的克隆选择算法.借鉴强度Pareto进化算法的进化框架,提出了重用抗体优良片断的免疫进化算法.该算法通过克隆选择替代选择、交叉、重组等遗传操作.在一组0/1背包问题上的测试结果表明,所提出的算法可以有效保持种群多样性,获得较高质量的Pareto非劣解集.
     

基于改进卷积神经网络与动态衰减学习率的环境声音识别算法

环境声音识别在音频检索、监控方面有着广泛的应用,是听觉识别任务中的一个热门研究领域。但由于其声音信号的复杂多变,使得该任务在识别率提升方面依然面临许多挑战。针对这一问题本文提出了基于改进卷积神经网络的环境识别模型（S-CNN）,该模型采用反复堆叠的递减型卷积核提取不同尺度的局部特征,并在每层卷积层后采用Batch Normalization（BN）层对特征进行归一化操作。同时,利用动态衰减的学习率训练模型,以提高模型收敛速度与收敛稳定性。实验结果表明,相比于传统的机器学习与卷积神经网络模型,本文所设计的改进卷积神经网络模型S-CNN具有更好的识别率。在ESC-10环境声音数据库上,识别精度达到91.3%。