X-5树脂吸附分离海边月见草叶总黄酮的影响因素

采用3种大孔吸附树脂对海边月见草叶总黄酮进行吸附纯化,筛选出适宜的树脂X-5,考察了原液质量浓度、pH值、温度、树脂用量等因素对该树脂静态吸附的影响,以及洗脱剂乙醇体积分数对静态解吸效果的影响.结果表明:X-5树脂对海边月见草叶总黄酮有良好的吸附纯化性能,当原液质量浓度为1.250m g.mL-1时,树脂达饱和吸附量12.08 m g.g-1(湿质量);在室温、振荡条件下,提取液pH值4.0~4.5时,树脂具有较好的吸附效果;而适宜的洗脱剂为体积分数50%~70%的乙醇溶液,70%乙醇的解吸率为71.27%.     

一起滑模施工起重伤害事故的分析

采用事故树分析方法,对一起滑模施工起重伤害事故进行了分析,重点探讨了事故发生的原因,并提出了相应的预防控制措施。     

哈夫曼编码的一种基于树型模式匹配的改进型算法

一般情况下，哈夫曼编码所采用的存储结构及构树方法，不仅影响编码效率，而且也没充分利用存储空间．本文改顺序存储为链式存储，对叶结点和非叶结点采用不同的存储结构来降低空间复杂度．在编码时，充分利用短码字且基于树型模式匹配进行编码，提高了编码性能和传输效率．     

二分图上有限制条件的(g,f) 因子和f 因子

设图G=(X,Y,E)是二分图, g,f是定义在V(G)上的正整值函数, 且对任意的x∈V(G)有g(x)＜f(x), 证明了: 如果图G是(mg,mf-1)-图, M是G的任一含有m条边的对集, 则存在图G的一个(g,f)-因子F, 使F包含M任意给定的一条边, 并且不包含其他的m-1条边; 二分图G是(2m-1)-边连通的(mf)-图, 则图G有一个f-因子包含任意给定的一条边, 并且不包含任意其他的m-1条边.     

对图像压缩中的SPIHT与SPECK算法的研究

在众多的图像压缩算法中，SPIHT和SPECK具有较好的性能，文中对这两种算法进行了深入地研究．首先介绍了小波变换后系数的分布特点，然后从算法思想、集合定义、分裂过程、排序过程、量化以及编码后的码流等方面分别介绍了SPIHT（多级树集合分裂）和SPECK（集合分裂嵌入块）算法，最后总结了他们的异同之处．     

一种基于FP-tree的最大频繁项目集挖掘算法

挖掘最大频繁项目集是许多数据挖掘中的关键问题．为克服早期基于Apriori的最大频繁项目集算法中的缺点,相继有多种挖掘最大频繁项目集方法被提出．其中对基于FP-tree的最大频繁项目集挖掘算法比较多,但对FP-tree中的结点的频度计数关注的很少．通过对FP-tree结构进行了仔细分析后,在FP-tree中结点的频度计数和集合理论的基础上,提出了一种新的最大频繁项目集挖掘算法USDMFIA(using set to discover maximum frequent itemsets algorithm)．通过分析比较,显示此算法是有效的．     

LDAP介绍及其编程

本文通过与其他关系数据库进行比较,较为清晰地阐述了LDAP的独有特点,然后通过例子结合图形来分析LDAP的倒立的目录树结构,接着分析对象类(ObjectClass)在数据项中属性的控制,最后通过linux7.3下一段C代码实现对LDAP目录进行查询。     

一种从Web日志中挖掘访问模式的新算法

提出了一种用于从Web日志中高效挖掘Web访问模式的新算法．设计了一个新的数据结构WAS树(Web Access Sequence树)来记录Web访问序列和它的计数，避免冗长的支持度计算；开发出一个高效的递归算法，从WAS树中枚举出所有的访问模式，最后对算法的性能进行了分析并给出试验数据加以佐证．这个算法的特点是不需要产生候选模式而直接挖掘出所有的访问模式。     

含复铰平面十杆运动链构件交叉的识别

提出了识别含复铰平面十杆运动链构件交叉的一种新方法，利用能够反映多副杆和复铰特点的构件邻接矩阵。构造运动链的缩减运动链，进而得到缩减运动链的广度优先生成树和三个基本回路。通过回路的公共边界判断网孔的接壤类型，据此建立了构件交叉的识别准则和方法，并在含复铰平面十杆单自由度运动链中成功地识别出有构件交叉的无复铰运动链11种、含复铰运动链341种。     

基于事务线索树的一次扫描关联规则增量挖掘算法

首先将事务数据库压缩存储到一棵事务线索树(TT-tree)的结点上，并建立这些结点的索引表，然后寻找结点索引表的最后结点到根结点的全部路径，这些路径及路径的交集包含了用于挖掘关联规则的频繁集，该算法只需扫描事务数据库一次，由于采用了逆向搜索TT-tree的方法,搜索的时间开销非常少，该算法可以挖掘中短模式的海量数据，具有很好的伸缩性,同时该算法具有增量挖掘的功能，通过大量的实验数据进行比较。该算法的速度约是Apriori算法的10倍。