黄脸油葫芦中枢神经系统的组织解剖学研究

应用解剖镜和光镜观察了黄脸油葫芦(Teleogryllus emma (Ohmachi and Matsuura))中枢神经系统的组织解剖学结构，并对脑和各体神经节的组织学结构进行了比较．结果表明，黄脸油葫芦的中枢神经系统由脑、食道下神经节和腹神经索组成；前、中、后脑分化明显，腹神经索包括三对胸神经节、五对腹神经节及纵贯各神经节的神经索；脑和各体神经节的组织学结构相似，由外向内依次是神经鞘、神经细胞层和髓质层；脑的髓质层复杂，其中含有四种由神经细胞球体和神经纤维束形成的脑体，一对蕈状体、一个脑桥体、一个中央体及一对脑腹体。     

信息系统Web服务器与数据库服务器连接的实现

阐述了基于浏览器／Web服务器／数据库服务器三层结构的应用是当前信息系统应用的主要模式，而Web服务器和数据库服务器之间的连接是其关键技术，并对CGI、Web API、RAD和Java／JDBC 4种连接方法进行了重点介绍。     

"中国创业学"学科体系探讨

创业教育已是高等教育的大势所趋之一。确定创业型人才培育目标，建立“创业学”学科体系已成为一个应对新的经济形势的世界性课题。中国的经济转型与巨大的就业压力，迫切需要创建“中国创业学”学科体系以指导创业教育与实践。本文从创业教育、创业学、创业学学科体系三个既相互区别又相互联系的基本概念开始，按照逻辑性、协调性与完备性的体系化建构原则，提出包含创业精神、创业知识、创业实践这三大板块，十门课程的“中国创业学”学科体系。     

苹果褪绿叶斑病毒库尔勒香梨分离物外壳蛋白基因在大肠杆菌中的表达

将ACLSV CP基因克隆到表达载体ρET-28a( )中，转化大肠杆菌BL21，筛选得到阳性克隆pET-ACP，用IPTG诱导使其表达，SDS-PAGE电泳分析表明，预期的22kD外壳蛋白在大肠杆菌中得到大量表达，并加以纯化，用于制备抗血清。     

分形几何的前沿问题--开集条件与强开集条件

文章讨论开集条件与强开集条件是否等价的问题.     

多约束投资组合优化问题的实证研究

为克服经典MV模型假设条件过于苛刻,而已有相关文献在对其进行修正时仅考虑部分投资约束等不足,文章通过考虑现实经济活动中存在的各类投资限制条件,建立了带有多种投资约束的广义MV模型.在说明了如何有效求解所得投资组合问题之后,基于中国证券市场的交易数据对新模型进行了实证研究.结果表明所给模型不仅是合理、有效的,而且可较好地指导投资者选择最优而稳健的投资方案.     

多载波CDMA中的多用户判决反馈检测器

提出了基于多载波的最小均方误差(minimummean squarederror,MMSE)多用户判决反馈检测器(deci sion feedbackdetector,DFD)。MMSEDFD具有结构比较简单且性能优于线性多用户检测器(LMMSE)的特点。多载波系统相对于传统的单载波系统能够有效地消除频率选择性衰落。在多载波的合并上,采用了等增益合并(equalgaincombination,EGC)和最大比合并(maximalratecombination,MRC)方式。仿真表明,MC DS/CDMA系统中的MMSEDFDEGC接收机和MMSEDFDMRC接收机相对于LMMSE接收机可以提高系统性能,特别是MMSEDFDMRC接收机能够明显提高系统性能。     

变时滞模糊系统的鲁棒无源稳定性分析

研究了变时滞非线性系统的鲁棒无源稳定性问题。首先,利用T-S模糊模型来描述这个非线性、时滞系统,通过构造适当的李亚普诺夫函数,利用线性矩阵不等式(LMI)的性质得到了关于这个问题的一个充分条件。这种基于线性矩阵不等式的充分条件可以通过求解线性矩阵不等式的控制工具箱得到数值结果。仿真结果表明,该方法是有效的。     

裂隙巷道围岩采深-强度响应面模型研究

为研究节理发育带岩石的强度特性在不同开采深度下的变化规律,并对裂隙巷道围岩进行强度预测,以云南某矿区内从800～1 500 m不同深度的灰质白云岩为研究对象,从节理发育程度、岩体弹性模量变化及岩石含水率三个受深度变化影响且影响岩石强度特性的因素展开分析,通过数值正交模拟探究不同影响因素与节理发育带岩石抗压强度之间的响应函数,进而建立节理发育带岩石强度与岩体埋深之间的响应关系．发现对于该地区裂隙巷道围岩的单轴抗压强度,影响最显著的因素为节理间距．最后利用实测实验结果对响应关系进行验证,研究结果表明：所得到的采深-强度响应面函数与实测值响应性较好,适用于计算该区域内不同埋深的岩石的单轴抗压强度,且随着岩石埋深的加深,其强度值越靠近该深度下岩石单轴抗压强度值分布的均值,可以将该响应模型用于深部裂隙巷道围岩强度预测．     

用于文本分类的快速KNN算法

KNN(k Nearest Neighbor)算法是一种简单、有效、非参数的文本分类方法.传统的KNN方法有着样本相似度计算量大的明显缺陷,使其在具有大量高维样本的文本分类中缺乏实用性.提出了一种快速查找精确的k个最近邻的TKNN(Tree-k-Nearest-Neighbor)算法,该算法建立一棵用于查找的树,加速k个最近邻的查找.首先以整个样本集合中心为基准,按照距离中心的距离将所有样本进行排序,并等分L组,作为根结点的孩子,每个孩子以同样方式处理,直到每组样本数量在[k,2k]间为止.根据这棵树查找k个最近邻,减小了查找范围,极大地降低了相似度计算量.