对提高学报质量的思考与建议

针对高校学报中普遍存在的问题，从加强选题组稿，搞好栏目设置及缩短文论文发表时滞三个方面，对提高学报的质量提出了建议与看法。     

多媒体在大学生物实验教学中的应用

本文扼要地阐述了在大学生物实验教学中多媒体的作用以及正确使用应该注意的问题。     

基于交流异步电机驱动磨床进给位移的自学习控制

提出了一种利用PC机对普通磨床进行数控改造的方案,并设计了基于PC的控制系统,该系统利用PC机控制交流异步电机实现对普通磨床进给机构进给量的控制,并且采用自学习控制原理和变速度、变加速度位移指令生成方法,因此可使磨削加工实现快速进给,慢速切入,从而减小了目标点处惯性对加工精度的影响·该系统可实现一般精度要求零件的自动磨削加工·     

Internet／Intranet网络防火墙结构分析

对于想要通过接入Interner获取利润的企业来说,Internet/Intranet的安全性至关重要。这篇论文通过对防火墙的分析,集中介绍了各种防火墙结构和目前防火墙的一些最新技术。     

地下水环境脆弱性的模糊综合评判

地下水环境脆弱性研究是防止地下水污染,保护地下水资源,实现地下水资源可持续开发利用的有效技术措施,本文阐述了地下水环境的脆弱性及其影响因素,并应用模糊综合评判法对松嫩平原地下水环境脆弱性进行了评价与分区。     

陕西省国家重点保护野生动物的现状及分析

分析了国家重点保护野生动物在陕西省的分布状况.陕西省境内分布的国家级重点保护野生动物共有98种,包括23种哺乳类、69种鸟类、1种爬行类、1种两栖类、2种鱼类和2种昆虫,其中属于国家Ⅰ、Ⅱ级重点保护野生动物的物种分别有19种和79种.华南虎(Panthera tigris)、小熊猫(Ailurus fulgens)、猞猁(Lynx lynx)和雪鸮(Nyctea scandiaca)在陕西的分布及存在有待以后的调查求证.国家级重点保护野生动物在陕西的分布存在明显的地域性差异,它们在陕北分布的物种数明显低于陕南的秦岭及大巴山地区.秦岭及大巴山地区是陕西珍稀濒危物种保护及生物多样性保护的关键区域.针对陕西境内受保护动物资源的现状与分布格局提出了相应的保护建议.     

油页岩半焦与玉米秸秆混合燃烧特性研究

在空气气氛下利用TGA/DSC1型同步热分析仪进行了桦甸油页岩半焦与玉米秸秆的混烧实验。研究了升温速率和质量比对燃烧特性参数的影响;并与单一油页岩半焦的燃烧特性进行比较。结果表明:混合样品的挥发分初析温度和着火温度远低于油页岩半焦,但略高于玉米秸秆;随着升温速率的提高,混合样品挥发分初析温度和着火温度逐渐提高。升温速率一定时,随着玉米秸秆质量比增大,燃烧过程呈现向低温区迁移的趋势;并且低温段曲线峰值高,挥发分释放剧烈,改善了混合物燃烧特性。玉米秸秆质量比大于10%时,混合样品的各项燃烧特性指标也增大。采用相互影响指数RMS和MR值评价混烧过程的相互影响,研究表明相互影响作用主要发生在第二、第三和第四阶段,第二、第三阶段为有利影响,第四阶段为不利影响。当半焦与玉米秸秆质量比为7:3时,其相互影响最大且均为有利影响。应用KAS模型,分析了混合物燃烧动力学,结果表明,随着反应进行,活化能总体呈上升趋势,与TG-DTG曲线变化规律一致。研究结果可以为油页岩半焦与玉米秸秆的高效燃烧提供参考。     

背越式跳高技术与教学

本文在实践的基础上,对背越式跳高的落地、起跳、过杆、助跑的技术要点和教学中所采用的一些方法分别作了较认真的探讨。同时,对学生在练习中易产生的错误和原因进行了分析,并扼要的介绍了纠正的方法。     

水热法合成柏拉图多面体CeO_2及其光催化性能分析

使用水热法,190℃下反应2,5,10,20h制备4组纳米CeO_2样品.对纳米CeO_2样品的微观结构、比表面积、能隙、光催化能力进行表征,分析合成样品的反应时间与光催化性能的关系.实验结果表明:CeO_2样品的微观结构为柏拉图多面体中的正八面体,且具有两端开口的圆柱形微孔,样品的能隙宽度随反应时间的变化而变化;CeO_2样品的最高光催化效率为20.65%;影响光催化能力的因素中,样品分散性的影响最大.     

基于麻雀搜索算法优化支持向量机的滚动轴承故障诊断

针对支持向量机(support vector machine,SVM)的分类性能受自身参数选择影响较大的问题,提出了基于麻雀搜索算法(sparrow search algorithm,SSA)优化SVM的故障诊断方法.利用麻雀搜索算法(SSA)对支持向量机的惩罚参数(C)与核参数(g)进行优化,并构建SSA-SVM滚动轴承故障诊断模型.结果表明:对于滚动轴承的常见故障,SSA-SVM诊断模型的测试正确率为96.67％,比传统的遗传算法(genetic algorithm,GA)-SVM和粒子群算法(particle swarm optimization,PSO)-SVM诊断模型分别提高3.34％和1.67％,且收敛速度更快,可有效应用于故障诊断.