共享科技资源深化科技合作

APEC亚太地区的一个主要经济合作组织，成立于1989年，现有21个成员体；APEC技术转移中心是经APEC产业科技工作组批准通过的。依托江苏省科教发达、产业基础雄厚和外向型经济的活跃的优势，     

全球化语境下知识共享的壁垒及其突围

文章从全球化的背景考察了知识难以共享的各种壁垒,并从多种角度分析了造成这些屏障的各种主观与客观原因,最后努力从多个方面提出比较现实的解决建议。     

客户知识分类与共享方法分析

从客户知识的存储单位和可呈现性两个纬度对客户知识进行了分类,同时对其共享方法进行了分析。     

VAX中代码数据的共享技术

本文总结了ＶＡＸ机中各种代码和数据的共享技术。如建库、可共享映象、可重入例程、已知映象、ＣＤＤ词典等，给出了实际应用中使用这些共享技术的具体实现方法和技巧。     

论体育教育的伦理本性

体育教育伦理本性，即是在体育教育历史发展历程中共同存在的体现体育教育本质特性的道义假设和伦理精神。其体现于文化共享和育人成才两个方面，它们是人类体育教育活动不可或缺的两个道德基石。文化共享，强调把体育文化财富传递和传播给他人，让大家共同享有体育文化进步的成果；其内涵是：努力丰富体育文化共享的资源，扩大体育文化共享的人群。育人成才，强调对人发展的关爱和对人成长的促进，体现教育的基本宗旨；其内涵是：努力扩大体育教育对象，促进个体健康全面发展。     

使用ADSL实现硬件共享上网

非对称数字用户线路(ADSL)是一种能够在现有双绞电话线上提供2Mbit/s～8Mbit/s下行速率和64Kbit/s～640Kbit/s上行速率的上网传输方式.文中介绍一种使用硬件配置实现ADSL共享上网的方法,其中包括硬件连接技术、网卡配置技术、配置ADSL技术和客户机配置技术.     

果蝇跨模态学习的相互作用

动物在感知过程中存在不同模态感觉之间的相互促进或排斥的相互作用，但在学习和记忆过程中是否也存在相互作用并不很清楚。中科院上海生命科学院神经科学研究所郭建增和郭爱克在973计划项目“脑发育和可塑性的基础研究”的支持下，通过对模式动物果蝇进行视嗅觉双模态实验，发现在果蝇的学习过程中，相对于单模态信息刺激，给果蝇同时予以视觉和嗅觉双模态信息刺激。     

基于多尺度排列熵和正则化RVFL的高压隔膜泵单向阀故障诊断

高压隔膜泵单向阀运行工况复杂,运行时产生的振动信号具有非线性、非平稳特性,导致信号特征提取困难,故障状态难以识别.为了提取单向阀运行状态的非线性动力学特征,提升故障诊断模型的识别精度和泛化能力,提出了一种基于多尺度排列熵（Multi-scale Permutation Entropy,MPE）和正则化随机向量函数链接（Random Vector Functional Link,RVFL）网络的单向阀故障诊断方法.首先,对工况下采集的单向阀振动信号进行变分模态分解（Variational Mode Decomposition,VMD）获得既定的若干本征模态函数（Intrinsic Mode Function,IMF）分量;然后,计算IMF分量的多尺度排列熵,构建表征单向阀运行状态的特征值向量;最后,基于运行状态的特征值向量,建立正则化随机RVFL的故障诊断模型,并应用于单向阀的运行状态监测与识别.实验结果表明,构建的故障诊断模型能够精确地识别单向阀的故障类型,准确率达到98.89%.     

基于经验模态分解特征的无线电引信抗扫频式干扰方法

针对目前调频无线电引信在复杂电磁战场环境中对抗扫频式干扰能够力弱的问题,提出一种基于经验模态分解(empirical mode decomposition,EMD)特征的无线电调频引信对抗扫频干扰的方法.对基于目标和扫频干扰作用下的调频无线电引信检波端输出信号进行EMD分解,得到10层本征模态函数(intrinsic mode function,IMF)分量,提取每层IMF分量中本征模态函数能量占比、能量聚集度和Renyi熵特征,并利用主成分分析算法对于特征进行降维,保证累积解释差异在95%以上,以降维后的特征矩阵作为支持向量机的输入对目标和扫频式干扰信号进行分类识别.实测数据结果表明,所提方法能够有效对目标和扫频式干扰信号进行分类识别,分类识别精度可以达到98.06%±0.003 8,目标检测率达到96.65%±0.003 7,虚警率为3.35%±0.003 7.     

单通道涡流无损检测信号盲源分离算法

针对脉冲涡流无损检测(pulsed eddy current testing, PECT)系统中获取单一检测信号存在的混叠问题,文章提出一种基于经验模态分解(empirical mode decomposition, EMD)和快速独立分量分析(fast independent component analysis, FastICA)的单通道盲源信号分离算法。该算法首先通过EMD对混合观测信号分解,然后利用奇异值分解(singular value decomposition, SVD)估计源信号数目,根据估计得到的源信号数目将观测信号和对应模态分量构成新的虚拟信号,最后利用FastICA算法分离得到源信号的估计。有限元仿真实验表明该算法能有效分离单通道混合检测信号,并且优于小波分解的单通道盲源分离算法。