浅谈分析10kV配电线路非节点无功优化算法

本文针对10kV长线路无功补偿不足及线路末端电压低的现象,通过在线路中间集中安装高压并联电容器,对线路的电压起到了支撑作用,提高了线路末端电压,并降低了由于无功长距离传输所引起的网损。算例计算证明了”非节点”高压无功集中补偿优化算法的正确性及高压无功集中补偿的可行性和经济性。随着电网改造的进一步实施,在前期理论研究的基础上,常州供电公司下一步将进行局部的试点,在10kV配电线路上安装无功补偿装置来改善配电网的电压质量,提高电网运行的经济性。     

水利工程挖基施工中常遇到的难工问题分析及措施

文章提出了水工建筑物施工中出现的几种质量问题,根据施工实践,总结了如何控制水利工程挖基施工中常会遇到淤泥、流砂、泉眼或砂、礓等情况,而造成难工等问题的有效方法。     

基于网络考试系统的UML建模

通过统一建模语言(UML)对网络考试系统进行了分析和建模,建立了系统用例图,并结合主要用例-学生考试模块,建立了类图、顺序图、活动图.描述了系统的功能需求、功能流程、类的结构与关系、对象之间的交互.最终采用面向对象语言实现在线考试系统.使用这种方法对系统进行建模,优化了开发过程,并有利于提高系统的稳定性、可维护性和可重用性.     

函数S-粗集与它生成的F-遗传规律

利用函数S-粗集,给出系统粗规律的F-生成, F-遗传概念,给出了系统粗规律的F-遗传特性;提出了系统粗规律的F-遗传特性定理,系统粗规律的F-遗传依赖于属性集α上的属性补充,并提出了系统粗规律的F-遗传的属性特征定理.利用这些讨论,给出了依赖于F-遗传的规律挖掘.     

挖掘典型习题 培养学生探索能力

教师在教学过程中要注重挖掘典型例题、习题与概念的内在联系,更好的提高学生对有关概念的理解,提高学生综合应用知识的能力,同时又可以培养学生的探索能力。     

一种面向基因与疾病关系的文本挖掘方法

结合模式匹配、生物医学本体及共现技术,设计了一种自动抽取基因与疾病、基因与基因之间关系的文本挖掘方法,并开发了一个可以处理海量文本数据的系统.该系统可抽取与疾病相关的基因实体,挖掘基因与疾病、基因与基因之间的关系,衡量基因与疾病实体的相关性,并为分析基因与疾病、基因与基因之间的关系提供了网络可视化工具.实验结果表明,系统在测试数据集上抽取基因与疾病之间的关系可获得83.0%的综合测评率,抽取基因与基因之间的关系可获得78.5%的综合测评率.该系统已成功应用于乳腺癌及相关基因的研究.     

“执行难”的成因和对策分析

近年来,＂执行难＂始终为社会所关注,不仅当事人和社会各界反响强烈,同时也引起党中央、国务院的高度重视。江泽民同志在中国共产党第十六次全国代表大会上的报告就明确指出＂切实解决执行难问题＂。因此,＂执行难＂的解决迫在眉睫。进一步解决＂执行难＂问题,需要我们大力弘扬与时俱进精神,不断转变和更新观念,用新的认识指导新的实践,推动＂执行难＂的解决。本文对＂执行难＂的含义和表现都进行了说明,对＂执行难＂的成因加以科学的分析,主要有：一、由于被执行人自身的原因;二、由于地方或部门的保护主义;三、由于立法及政策原因而造成的执行难;四、法院自身的原因。并在此基础上,结合中国的国情和国内外的相关经验,提出了相应的对策,主要有落实法院宪法地位;改革执行机构;修改和完善相关的法律制度以及其它方面的对策。     

应用个性化推荐的Web日志关联规则挖掘算法研究

对传统的关联规则挖掘算法FP-Growth方法进行改进,提出FP-Mine算法,并应用该算法对Web日志进行挖掘,探寻用户访问站点页面之间的关联规则,来帮助管理员改善站点的设计和企业改进市场商务决策.实验结果证明FP-Mine算法在生成频繁项集及关联规则的过程中,只需存储i-size和(i+1)-size频繁项集的节点的Freq-Set-Tree,且立即在其之上生成规则,所以缩短规则生成的时间,提高规则生成效率,同时释放i-size项集的节点,有效地节省内存空间.     

综合集成方法与专家挖掘

我们面临的一些科学和实际问题越来越复杂需要运用各种知识的综合和技术的集成,其中知识的综合尤其是将专家的活的经验和智慧挖出来更是人们所关注的.数据挖掘、文本挖掘和网上挖掘能依靠计算机和一些人工智能方法可以从大量数据、文本和网上信息中找出一些有用的规则和知识,但是对于样本较少、知识隐含的活的专家经验如何去挖掘就是专家挖掘要研究的内容.作者及其同事们在近10年的研究中形成了一些概念、方法,并在一些社会问题、中医专家经验传承等进行了应用和探索.     

一种基于主成分分析的元学习方法

Meta-learning是解决分布式环境下分类挖掘问题的有效方法之一,该方法的关键在于元训练特征的组成,它直接影响着元分类器的性能.当问题域中类别数较多时,组合多个基分类器将使元训练特征集的维度变得非常大.提出在元学习阶段用主成分分析(PCA)简化高维数据,将基分类器的预测信息集中到最小维数的向量上,以提高元学习的泛化效率.实验结果表明,该方法是可行的.