引入5S管理方法 加强创新实验站管理

介绍了5S管理方法应用到创新实验站管理中的具体做法。实践表明,不但有助于创新实验站的管理,而且有利于提高学生的综合素质。     

"诚"及儒家之"诚"

诚是一个道德范畴,是在表我对本我关系这一基本问题上的一致性或曰真性原则主张,要求体现物念及言行与自我本心相一致。诚在儒家之前一直是作为一项重要的德目而被表彰的,儒家在继承和总结前人基础上将它提升为一个哲学的范畴,使之具有了宇宙观本体的意义。这不仅为儒家诚的道德思想提供了理论依据,同时也为儒家哲学宇宙观体系的形成奠定了理论基础。     

温度对油,水,石英体系润湿性的影响

用量子场论方法计算了固－液界面的吸附自由能导出了油,水,石英三相体系的润湿系数与温度的关系。计算表明,当系统的温度升高时,石英的亲水性增强,降低了多孔介质的残余油饱和度,这对热力采油机理研究有参考价值。     

海洋生物遗传多样性研究现状

综述蛋白质（酶）多态性和ＤＮＡ多态性在海洋生物种质鉴定,系统进化、及群体遗传结构分析等方面的研究成果。     

抗磨液压油抗磨性能分析与模糊评价研究

通过对高压叶片泵和柱塞泵摩擦副磨损元件的磨损机理、摩擦副形貌、颜色、失重等诸方面的测试和分析研究,提出了抗磨液压油台架试验中靡擦副磨损的多评价目标的模糊评价方法,建立了对摩擦副磨损的模糊评价目标进行定量化处理的数学模型,并从评价目标的加权、评价分级、隶属度大小的确定等方面对不同试验油品进行了综合评价。这对促进我国抗磨液压油应用技术研究具有很深远的现实意义。     

关于铁路运输景气警告指标的研究

利用现代统计学的分析方法,提出了反映铁路运输宏观景气状况的警告指标,给出了反映铁路运输景气发展正常与否的重要标志和临界区间,以此来评价铁路运输景气运行的冷热程度和正常与否,并揭示铁路运输宏观景气状况中各种因素之间相互影响的关系和铁路运输景气变化的内在规律     

空间线面拓扑关系的推理

基于Egenhofer的19种线面拓扑关系, 提出OR算法并证明了OR算法的正确性, 使用OR算法可求解复合线段与同一区域的拓扑关系矩阵. 利用OR算法在19种拓扑关系中找到5种具有相互独立关系的集合SM, 证明了集合SM是表达19种线面拓扑关系的元数最小集, 集合SM有助于推导复杂的线面拓扑关系, 使线面拓扑关系的表达更加简洁. 为进一步研究线面拓扑关系的推理, 给出了从SM推导出其他拓扑关系的推导图.     

单摄像机立体视觉测量的研究

立体视觉测量的单摄像机结构相对双摄像机结构在结构尺寸、检测速度和经济成本上有明显的优势,有着广泛的应用前景。从原理和结构方面分析了单摄像机立体视觉测量的结构精度。结合双目立体视觉的基础与单摄像机测量结构的具体组成,用数学方法解析各个因素的影响情况,得出较为直观的数学描述;对结构尺寸和精度要求进行综合考虑,针对大视场角结构设计的复杂性,完成结构设计过程,提出较合理的结构形式;通过相应的实验进行精度验证和分析,验证了设计和分析方式合理性。     

气化压力对煤气化过程中痕量元素迁移规律的影响

在一台0.1 MW加压喷动流化床煤气化炉上,维持气化温度940℃,静止床层高度300mm,气化风量9 m3/h、蒸汽量1.7 kg/h、给煤量4.56 kg/h等参数不变,测定了煤和气化产物中Co,Mn,Cr,V,Se,Hg,As,Ni,Cd,Cu,Zn,Pb等12种痕量元素含量,研究了气化压力对痕量元素迁移规律的影响.结果表明:加压有利于改善煤气品质;在旋风焦中,Cr,As,Ni,Cd,Cu,Zn,Pb富集,Co,V,Se,Hg耗散,随着气化压力的增加,Cr,Cd,Zn,Pb的地球化学富集因子(MGEF)减小,As,Ni,Cu的MGEF增加,Co,V,Se,Hg的MGEF基本不变;在底渣中,所有痕量元素均耗散,随着气化压力的增加,Cd,Zn,Pb的MGEF增加,Co,As,Cu的MGEF减少,V,Se,Ni的MGEF基本保持不变;在煤气中,随着气化压力的增加,Co,As,Cu含量总体上呈增加的趋势.     

GPS数据驱动的车辆跟驰行为建模与分析

为研究道路交通流特性,基于车载高精度GPS跟驰试验数据进行车辆跟驰建模研究,结合深度学习理论和数据驱动方法,构建了基于粒子群优化(particle swarm optimization, PSO)的长短期记忆(long short term memory, LSTM)车辆跟驰模型。首先,清洗和平滑车辆轨迹数据,并对驾驶特征行为参数及相关关系进行研究,如加速度、车头时距以及速度与跟驰距离特性关系等。在此基础上,制定跟驰状态筛选规则;其次,构建考虑时间序列的PSO-LSTM模型,识别跟驰数据样本集,将当前时刻的前车速度、车头间距和上一时刻的车头时距作为模型输入,预测当前时刻的跟驰车速度;接着,选用25辆车跟驰试验的高精度GPS数据验证PSO-LSTM模型性能;最后,为验证该模型的优越性,选用传统机器学习SVR(support vector regression)模型以及深度学习LSTM模型作为对比。结果表明,基于粒子群优化的长短期记忆模型预测精度高达0.993,整体预测效果高于SVR模型和LSTM模型,其中预测误差指标MAPE(mean absolute percentage error)较SVR和LSTM分别降低了60.02%、1.52%。PSO算法进行超参数优化后的PSO-LSTM模型,能更好地模拟车辆的跟驰行为。