高效液相色谱法测定血清中茶碱和速尿

本文研究了反相高效液相色谱法分离和测定茶碱和速尿的诸条件,提出了液相色谱法测定和萃取血清中茶碱和速尿的新方法;该法简单、灵敏、精确。线性范围:茶碱为1—70μg/ml,速尿为0.5—100μg/ml;血清中茶碱和速尿浓度的日内与日间变异不大于5.5%。     

两向斜放类与三向钢筋混凝土空腹网架的分析方法

本文是在文[1]、[2]、[3]基础上的推广与发展,即用柔度法对正交斜放与三向钢筋混凝土空腹网架进行内力分析。在工程实例申提出一种新的装配整体式钢筋混凝土空腹网架结构,并和五种屋盖的结构形式进行分析比较,证明此类结构将更节约建筑用材和降低工程造价。     

有限维半鞅序列的U.T.性及随机积分序列的弱收敛

本文讨论了关于有限维半鞅序列的随机积分序列的弱收敛性和与此半鞅序列相对应的二次变差过程及张量二次变差过程的弱收敛性,推广和修改了Jakubowski A,Memin J,Pages G,[1] DarrellD,Philip P[2] 中相应的结果。     

用板式电位差计测量电池内阻的误差分析

用板式电位差计测量电地的电动势和内阻是电磁学实验中的一个基本实验,但实验过程中,往往测量误差很大,甚至测量出电池的内阻为负值,本文从理论和实验两方面分析产生实验误差的原因后,认为此实验的可信度很低,只能作为一种实验方法介绍。作为测量手段则未必合适。     

锰结构钢中的脆化元素和铈

本文通过系列冲击试验和俄歇谱仪等试验,较系统地探讨了磷、锑、铋在晶界上偏聚脆化锰结构钢的能力,以及铈在晶界上偏聚韧化锰结构钢的作用。结果表明,按单位原子百分比计算,对锰结构钢脆化的能力从大到小的顺序是秘、锑、磷;铈韧化含磷锰结构钢的作用最强,韧化含锑锰结构钢的作用居中,韧化含铋锰结构钢的作用最弱。     

fNIRS超扫描技术的发展及研究热点

就fNIRS超扫描技术在心理学认知神经科学研究中取得的进展以及应用领域进行概述,主要包括模仿任务、协调任务、眼神交流、经济游戏、合作竞争和自然情景下的互动6方面.未来,fNIRS超扫描技术的发展方向包括提高空间分辨率、开发更精确的信号处理算法、与其他脑影像技术结合以获得更全面和准确的脑区功能信息.为研究脑功能调节的机制、诊断和治疗神经疾病、脑发育和老化、心理和行为的神经基础等神经科学研究和临床诊疗具有广泛的应用价值和意义.     

基于Zhang-Hager线搜索的改进近似最优梯度法

提出一种改进的近似最优梯度法,求解图划分问题中的无约束目标函数.先用修正的BFGS更新公式及选取BB类步长的线性组合作为标量矩阵得到近似最优步长,再引入参数对经典的Zhang-Hager线搜索形式进行改进,构建算法框架并给出R线性收敛性证明.实验结果表明,改进算法提高了原算法的性能.     

“套中人”:果戈里《外套》的广义修辞学阐释

从广义修辞学的角度分析果戈里的小说《外套》,可以发现“外套”作为小说的核心意象,既指向概念义(物质外套),又指向修辞义(精神外套)。“外套”的概念义和修辞义不仅参与小说语篇建构,更参与了小说主人公阿卡基精神世界的建构。     

闸片摩擦块排列方式对高速列车制动盘磨损深度的影响

制动盘的摩擦磨损是高速列车盘式制动工作失效的重要原因,且摩擦块的排列方式是影响制动盘最大磨损深度的重要因素。为研究摩擦块排列方式对制动盘最大磨损深度的影响,考虑摩擦温度、接触应力和相对滑移速度在制动过程发生变化,基于Archard磨损模型进行修正,利用Ansys有限元仿真软件,建立制动盘-闸片三维瞬态模型,采用列车在通过42号道岔紧急制动时的工况,仿真计算了不同摩擦块排列方式下制动盘摩擦面的最大磨损深度值。分析了最大接触应力,提出了“应力磨损因子”参数,用来表征应力对最大磨损深度的影响。提取了径向节点磨损深度,分析了摩擦表面的磨损形貌,给出了摩擦块不同排列方式对制动盘磨损深度的影响规律。该研究为改善制动盘磨损提供理论依据和新的思路,为今后铁路制动系统闸片结构的设计提供了借鉴。     

基于VMD-LSTM-IPSO-GRU的电力负荷预测

为了挖掘电力负荷数据中的潜藏信息,提高负荷预测的精度,针对电力负荷强非线性、非平稳性等特点,提出一种基于变分模态分解(variational mode decomposition,VMD)、优化长短期神经网络(long-term and short-term memory network,LSTM)、改进的粒子群算法(improve particle swarm optimization,IPSO)优化门控循环单元(gated recurrent unit neural network,GRU)的混合预测模型。首先,使用相关性分析确定确定输入因素,再将负荷数据运用VMD算法结合样本熵分解为一系列本征模态分量(intrinsic mode fuction,IMF)和残差量,更加合理地确定分解层数和惩罚因子;其次,根据过零率将这些量划分为低频和高频,低频分量使用LSTM网络,高频分量利用IPSO-GRU网络分别进行预测;最后,将预测结果重构得到电力负荷的最终结果。仿真结果表明,相对于其它常规模型,该混合模型可有效的提取模态特征,具有更高的预测精度。