延安探区山西组页岩气包裹体激光拉曼光谱组分及成藏期次

为研究鄂尔多斯盆地延安探区山西组页岩气藏的成藏期,通过对泥页岩夹层中的包裹体镜下形态观察、冷热台测温及对单包体组分激光拉曼光谱测试,研究包裹体的形态、分类、组分及均一温度等特征,借助于盆地模拟软件,使用均一温度和埋藏史热史模拟结合的方法研究页岩气成藏期次.结果表明,山西组页岩气包裹体类型主要为盐水包裹体和含烃盐水包裹体.激光拉曼光谱主要为饱和烃型拉曼光谱图、烷烃+沥青型拉曼光谱图、荧光型拉曼光谱图3种类型,说明当包裹体被捕获时,地层流体成分中含饱和烃和芳烃.包裹体有两个形成时期,结合沉积埋藏史,研究区天然气存在两期充注,第1期充注时间在208～180 Ma,为早侏罗世,是煤系烃源岩的Ⅲ型干酪根早期生成的少量液态烃+气态烃;第2期充注时间在178～125 Ma,为中侏罗世-早白垩世中期.     

寒武纪的“蚯蚓”——鳃曳动物*

鳃曳动物在寒武纪曾经辉煌一时,但因躯体构型以及生活方式等诸多因素限制,其各大支系随后相继绝灭,唯有鳃曳形目一息尚存至今。研究表明鳃曳形目自寒武纪以来形态未发生较大变化,无论在宏观还是分子水平都属于活化石,这种进化保守性以及新近发现的寒武纪胚胎化石对于了解动物的变态发育起源至关重要。     

一类不确定中立型系统的鲁棒稳定性分析

基于Lyapunov稳定性理论,利用新构造的增广-离散化Lyapunov泛函并结合自由权矩阵方法,提出了用线性矩阵不等式(linear matrix inequality,LMI)表示的时滞相关鲁棒稳定性准则。数值实例表明了结果的有效性和较小保守性。     

钢结构住宅产业化在我国的发展状况

1住宅产业化的定义1994年,时任建设部部长的侯捷对住宅产业化如是定义:住宅产业化,即让住宅纳入社会化大生产范畴,以住宅建筑为最终产品,做到住宅开发定型化、标准化、建筑施工部件化、集约化,以及住宅投资专业化、系列化,以大规模的成型住宅开发来解决城市居民的住宅问题。这一论述关于产业化的概念与联合国经济委员会之定义想吻合,即产业化包括:生产的连续性;生产物的标准化;生产过程各阶段的集成化;     

Nbn、Con（n=2-4）纯簇及NbxCoy（x＋y≤4）混合簇的几何结构研究

采用密度泛函理论(DFT)中的B3LYP方法,选择LanL2DZ基组,对过渡金属Nbn、Con(n=2～4)纯簇及NbxCoy(x y≤4)混合簇的各种可能构型进行了优化,并计算了相应的能量、频率、键长,得到了它们的平衡几何结构.对这些结构的对称性和成键规律进行了分析,结果表明:小团簇的稳定几何构型倾向于平均配位数大的密堆积结构.     

传统营销与创业型营销的差异与融合

由于当今的市场竞争环境高度复杂动态化,传统营销思想已不能很好地适应,企业必须更新营销理念从而创造出更具市场价值的新产品和服务。在创建新理论的过程中人们开始反思传统营销,并在创业型营销与传统营销的关系上发生分歧,尽管两者存在很大差异,却可以相互影响与促进,最终将呈现融合并形成新营销理论的趋势。     

山西企业品牌发展对策研究

山西企业的品牌建设虽取得了一些成绩，但与经济发达省份相比还有很大的差距。推动我省企业品牌的创新和发展，必须围绕产业结构调整，积极培育和扶持名优企业；更新思想观念，增强品牌意识；注重产品质量，拓展品牌市场；立足技术创新，增加品牌动力；充实企业文化，提升品牌形象。     

利用InstallShield实现数据库的自动安装与卸载

随着基于WEB的B／S结构模式应用程序的广泛应用,其数据库安装、设置复杂,且对安装用户的专业技术水平要求较高的问题显得尤为突出。本文主要探讨了利用Install Shield实现SQLServer数据库自动安装和卸载的设计思想,并具体介绍了其实现方法。     

区间时变时滞复杂动态网络的同步准则

目的研究含有区间时变时滞、非时滞耦合及时滞耦合复杂动态网络的同步问题。方法通过构造合适的Lyapunov-Krasovskii泛函,矩阵不等式方法。结果给出了复杂动态网络新的同步准则。结论通过数值实例验证了所给结论的有效性,且具有较小的保守性和复杂性。     

基于数据集元特征的超参数优化方法

超参数优化问题一直是自动化机器学习研究的重点问题,针对特定的需求建立机器学习模型,需要调整大量的超参数。其中,超参数组合形成了大规模的超参数搜索空间,从而需要大量的运行时间。然而,有效探索大量超参数组合具有一定的挑战,现有的自动化超参数优化方法时间复杂度很高。为此,利用相似数据集的最优超参数区间的历史知识,提出了一种基于数据集元特征的超参数优化方法。首先,使用自动化机器学习系统寻找最优超参数的区间范围,然后对历史数据集元特征采用递归特征消除法进行特征提取作为特征向量,将此特征向量与最优超参数区间的对应关系利用XGBoost算法建立预测模型,并使用该模型预测新数据集的最优超参数区间。对OpenML平台的数据集进行实验,结果表明该方法预测的最优超参数区间的精度达87%。同时,把此预测区间作为自动化机器学习系统的搜索空间范围,在很大程度上缩短了运行时间,且确保一定的性能。