基于扫描电子显微镜的单根一维纳米材料原位场发射性能研究

基于扫描电子显微镜和纳米探针技术,展示了一维纳米材料原位场发射的测量方法和实例。实验以钨针尖为接收极,纳米材料为发射极,通过结合扫描电子显微镜的实时成像功能,纳米探针的精确操纵及电学测量技术以及激光辐照功能,系统研究了极间距离D、形貌变化、吸附气体和激光注入对单根多壁碳纳米管和氧化锌纳米线场发射性能的影响。结果表明,当D远小于纳米材料长度L的3倍时,D越小,开启场强和阈值场强越大,场发射性能越弱。此外,纳米线尖端曲率半径越大,场增强因子越小,场发射性能越弱。研究还发现O2的脱附和激光辐照有助于纳米材料场发射性能的提高。     

门店选址对到店自取意愿的影响

随着越来越多的零售商开通到店自取功能,本研究专注于探讨社区店和商场店这两种不同门店位置形式对消费者到店自取意愿的影响,应用联想网络理论提出了研究假设,并通过两项实验研究发现,门店位置与消费者调节定向类型之间存在显著的交互作用。具体来说,对于促进定向的消费者,商场店的门店位置能够提高其到店自取意愿,其中感知多样性起到了中介作用。相反,对于预防定向的消费者,社区店的门店位置更能提高其到店自取意愿,感知便利性在此起到中介作用。这一发现对于提升消费者到店自取意愿和优化零售商的选址布局具有重要意义。     

图书馆馆藏建设与高校快速发展的同步需求探讨

从教参书信息总体状况和馆藏满足情况两方面探讨了馆藏建设如何与高校快速发展需求保持同步。     

结合信任和项目的抗攻击协同过滤算法

为提高基于项目协同过滤推荐方法的抗评分攻击能力,提出结合用户信任等级和项目进行资源协同过滤算法。提出根据用户兴趣相关性、评分相似性和评分相关性构建用户关联图,然后提出用户信任等级计算模型,并将用户信任等级值作为用户的权重结合到经典协同过滤推荐算法Slope One的项目差异性的计算中,形成基于用户信任等级的协同过滤方法。实验数据表明新算法在不影响推荐的预测准确性的基础上,比传统的过滤推荐算法具有更好的抗攻击能力。     

时空感知下基于结构相似度的Web服务质量预测

随着云计算等新型服务计算的兴起,Web服务数量日益增长,相同或相似功能的Web服务也逐渐增多.为了向用户推荐更高质量的服务,精确地预测Web服务的QoS值成为亟待解决的重要问题.传统的协同过滤方法已经被广泛应用于QoS预测和Web服务推荐中,但因为数据稀疏和噪声问题导致QoS预测性能不好.为提高QoS预测的性能,文中通过分析用户服务QoS矩阵的时空特征,提出了一种基于全局和局部结构相似度的稀疏矩阵分解模型.该方法将QoS矩阵的相邻时间相似用户的网络环境相似性这一特征融入到矩阵分解中,并利用分解的因子对QoS矩阵进行低秩填充.这种方式在一定程度上消除了数据稀疏和噪声的影响.在真实Web服务调用数据集上进行实验,结果表明,该方法在预测精度上优于典型的协同过滤算法(相比于NMF,其MAE值最大下降了3.25％,RMSE值最大下降了6.65％;相比于SVD,其MAE值最大下降了3.67％,RMSE值最大下降了7.01％),能够有效地解决数据稀疏和噪声的问题.     

ETL技术在部门预算决策分析领域的应用

针对财政部门预算编制的特性及发展方向,提出了辅助决策分析系统在财政行业中应用的ETL基础功能的解决方案,为建立行业数据仓库提供了一种方法.该方法作为财政部门预算决策分析系统的重要模块,为财政辅助决策分析系统的建设构建了较好的基础平台.     

印刷型期刊与电子期刊消长趋势研究

在介绍印刷型期刊与电子期刊优劣势的基础上,分析了两种形式期刊今后一段时期内的消长趋势.     

框架计算塑性力学方法

文章通过对 Levy‐Mises及Prandtl‐Reuss塑性理论、Rice‐Hill等大变形弹塑性理论及二阶材料的研究,认为所有的变形均为塑性变形,不存在弹性变形。假定混凝土的破坏准则为M ises屈服准则,运用塑性力学原理推导出结构的劲度矩阵 Dep ,按照混凝土结构设计规范进行框架结构的全过程塑性分析。     

高职院校学报发展的困境与出路

高职院校学报存在着先天不足和营养不良的状况，其中有大环境的制约，同时也有自身在成长过程中的困惑和不足，定位不准、人手有限、经费不足、各行其是、忽视期刊统计数据等现象不同程度地存在于各编辑部，造成稿件质量不高，期刊影响力难以提升的后果。要突破困境，走出一条适合高职院校学报健康发展之路，就必须在四个关键环节上下大气力。     

基于个性化情境和项目的协同推荐研究

为提高基于项目的协同过滤推荐SlopeOne算法的预测结果,在算法的项目相异性计算和评分预测过程中引入个性化情境因素.首先对基于项目的协同推荐方法进行综述,然后针对不同情境下的评分记录进行项目间相异性计算,根据此结果计算检验集中的项目在不同情境下的预测评分,并以预测结果为依据为每个用户得到个性化情境,进而为用户对新的资源项目进行评分预测.最后在标准的Movielens数据集上进行实验,其中,U2的训练集和测试集用来训练个性化情境,其他数据集用来检验算法的预测结果.通过对改进的推荐算法与经典的基于项目的协同过滤算法SlopeOne进行比较,实验数据表明改进后算法的推荐结果有较大提高.