生物表面活性剂对菌XD-1降解原油的作用

目的：利用正交实验优化的培养基培养菌XD-1，提取生物表面活性剂，确定此生物表面活性剂对菌XD-1降解原油的影响．方法：用化学法和红外光谱扫描确定表面活性剂的结构特征，用重量法(质量法)测定原油的降解率及菌的生物量变化．结果：生物表面活性剂为脂肽类和糖脂类物质的混合物；预先投加生物表面活性剂可以使菌XD-1降解原油的诱导期缩短一半，并提高了菌对原油的降解率．结论：生物表面活性剂的投加对原油的生物降解有促进作用．     

喷丸强化对不同组织状态下60Si2Mn钢多冲疲劳寿命的影响

研究了喷丸强化对不同微观组织状态下的60Si2Mn钢多种疲劳寿命的影响，结果表明喷丸可大大提高钢的强度，而且喷丸强化效果与组织状态密切相关，随着马氏体（M）由针状向板条状转化，喷丸强化效果增加。     

分数阶时滞微分系统的能控性判据

本文主要考虑一类分数阶时滞微分系统的能控性问题,这类系统有两个不同阶数的分数阶导数。首先将微分系统转化为积分系统,然后运用Laplace变换得到系统的解,最后给出该类系统完全能控的充要条件。     

垃圾焚烧厂周围优势植物的重金属污染特征研究——以深圳市清水河垃圾焚烧厂为例

以深圳市清水河垃圾焚烧厂为例,研究城市垃圾焚烧厂周围不同植物类别(乔木、灌木和草本)的重金属污染特征,探讨工作区重金属污染环境植物修复的物种选择方案及群落构建模式。采集了垃圾焚烧厂周围22个科34个物种的叶片样品,分析重金属Hg,Cr,Cd,Pb的含量和富集系数。结果表明:该垃圾焚烧厂周围优势植物在一定程度上受到了重金属的污染,不同植物类别受重金属的污染状况不同。乔木主要受Cr的污染,灌木和草本的Hg污染状况较为严重。乔-灌、乔-草之间的重金属含量及富集系数均存在差异(Pt≤0.028)。不同重金属污染植物修复可供选择的潜在物种分别是:1)Hg:乔木植物大叶相思(Acacia auriculiformis)和柠檬桉(Eucalyptus citriodora);2)Cr:草本五节芒(Miscanthus floridulus)和灌木叶子花(Bougainvillea spectabilis);3)Cd:灌木梅叶冬青(Ilex asprella)和乔木降真香(Acronychia pedunculata);4)Pb:草本酢浆草(Oxalis corniculata)和芒萁(Dicranopteris dichotoma)。构建乔-灌-草多层次的群落结构,对多种重金属复合污染区域的修复具有综合效果。     

投资组合分散风险能力的度量及应用

用信息论中熵的概念度量投资组合对风险的分散能力，提出了最大熵和最大广义熵投资组合的概念，并与Markowitz的均值一方差理论进行了比较，同时做了数值模拟。表明了熵投资组合的可行性。     

结合本体的贝叶斯网络信息检索模型的研究与实现

针对信息检索模型检索性能的问题,将本体及本体语义相似度度量方法运用于基于贝叶斯网络的信息检索模型中,通过利用领域本体表达信息的规范性及本体语义推理的准确性对查询需求进行扩展,提高查询的性能。给出了信息检索模型和概念语义相似度计算及查询检索方法与过程,实验证明该方法在一定程度上能够提高检索系统的性能。     

保护熔剂对熔体温度处理工艺及效果的影响

研究了保护熔剂对亚共晶Al-Si合金A319熔体温度处理工艺及其细化晶粒效果的影响．结果表明，使用保护熔剂可以较好地解决熔体温度处理工艺高温氧化问题，并能细化合金中的共晶硅相，起到覆盖保护、精炼、除渣、细化一次性完成的效果．从而使熔体温度处理工艺对铝相组织形貌的改善和细化效果能够得到更加明显的体现．     

基于整数规划下遗传算法的P码直接捕获算法优化

P码直接捕获算法包含诸如平均点数、相干积累时间、非相干积累次数、频率步进量、唐检参数及快速傅里叶变换(FFT)运算单元数等10多个参数. 当在算法检测概率、虚警概率和捕获时间满足要求的约束下,对算法消耗的多种资源进行优化时,具有多约束、多变量、非线性和整数取值等难点. 为解决如此复杂的参数优化问题,提出一种整数规划下遗传算法应用于P码直接捕获算法. 该方法借鉴遗传算法的思想,并考虑P码直接捕获算法参数的整数取值要求,适合各种条件下的算法参数优化. 数值分析结果表明,该方法获得了最优的参数值,有助于实际应用.      

基于自适应高斯混合模型的图像稳定方法

提出了一种基于自适应高斯混合模型(Gaussian mixture model)的运动滤波器的图像稳定方法.首先采用多分辨力金字塔技术,通过特征跟踪进行运动估计;然后分析前n帧图像的统计特征,求取GMM参数;最后利用GMM运动滤波器对运动参数进行滤波,输出稳定的图像序列.实验结果表明,该方法对于图像的不规则运动的参数补偿是有效的,并且可以实现实时处理.     

基于机器学习的数据库小数据集并行集成方法

为了解决传统方法不能按照训练样本量设计最优网络模型,集成效率低的弊端,通过机器学习方法研究数据库小数据集并行集成方法。机器学习选用朴素贝叶斯算法,依据条件独立性假设,通过计算目标先验概率,采用贝叶斯定理求出其后验概率,对后验概率进行比较,完成决策分类,对基分类器进行训练,把不同朴素贝叶斯基分类器当成集成分类器,在原始数据库上对基分类器进行训练,依据分类结果对数据库中小数据集样本分布进行调整,将其当成新数据集对基分类器进行训练,按照基分类器的表现,通过加权将其组合在一起,产生强分类器,实现对数据库小数据集的集成处理。通过MapReduce并行处理完成并行数据集成,输出并行集成结果。通过仿真实验与实例分析验证所提方法的有效性,结果表明:所提方法在训练样本规模相同的情况下有最高的分类精度和最小的波动,在不同集成规模下的分类精度一直最高,波动最小;所提方法可达到数据的最优集成,数据失效比降低,合成比提高。可见所提方法集成精度高,计算稳定性强,集成效果好,效率优。