论庙际网络、社会资本与两岸关系———以泉州天后宫为例

改革开放后泉州天后宫与闽台妈祖庙以及其他宫庙之间构建起密切的关系网络。通过获取蕴藏于庙际网络中的社会资本,泉州天后宫进一步巩固了它在闽台妈祖信仰圈中的中心位置。由于庙际网络是通过信众间的往来构建起来的,庙际网络在给宫庙带来社会资本回报的同时,也很自然地惠及两岸信众,由此促进两岸关系的发展。     

无线传感器网络LEACH算法的改进

节点能耗是判断无线传感器网络(WSNs)优劣的重要指标。WSNs节点一般由电池供电,节点间通讯距离越远能耗越大,因此,在研究WSNs时必须考虑节点的能耗与分布。经典低功耗自适应集簇分层协议(LEACH)在选簇首时没有考虑节点位置和剩余能量。本文在LEACH算法的基础上加入节点剩余能量和位置参数:基于节点的分布,优化汇聚节点位置;节点剩余能量越大当选簇首的概率越大。最后,通过MATLAB仿真实验验证改进后的算法均衡了网络节点的能耗,延长了网络寿命。     

一种无线传感网络的非线性平均时间同步方案

提出一种无线传感器网络的非线性平均时间同步方案。网络中的相邻节点时钟信息交换后按照一种非线性规则进行时钟信息更新,该规则必须符合一定的条件才能使网络所有节点同步于它们初始时钟的平均值。笔者找到了使所有节点收敛到初始平均的充分条件,并用图论、李亚普诺夫理论和拉格朗日中值定理进行了证明,用计算机仿真进行了数据验证。     

框支-斜交密肋复合墙结构影响因素及框支梁内力系数研究

采用正交试验设计方法,考虑框支梁高跨比(hb/l0)、抗震墙截面宽度与高度比(Bw/Hw)、密肋复合墙高跨比(hw/l0),通过对框支-斜交密肋复合墙结构计算结果直观分析和方差分析,对构件关键部位内力和整体结构最大转角影响因素进行显著性分析,得出hb/l0和Bw/Hw对框支梁和框支柱的部分内力具有显著影响,对整体结构最大转角具有一定影响的结论.并在此基础上给出相应框支梁内力系数实用设计计算方法.     

金矿浮选回收率预测模型

浮选回收率是金矿选矿过程重要的生产指标,目前主要是通过人工化验的方法检测获得,人工检测周期较长,造成金矿厂不能及时把握浮选工艺水平.在大量现场生产数据的基础上,分别采用多元线性回归和BP神经网络的方法,建立了金矿厂浮选回收率的预测模型.预测误差分析表明,BP神经网络预测模型能较好地预测金矿厂的浮选回收率,当预测相对误差在±3%范围内时,模型的预测精度达到91%,对于实际生产具有良好的参考作用.     

发动机动态特性组合神经网络建模新方法

针对现有发动机组合神经网络建模方法对不同数组结构的样本数据泛化能力较差的不足,提出一种多步线性插值法的组合神经网络建模方法. 该方法基于有限元建模思想,以具有丰富样本数据的某一维输入量构造网格线,对多维输入样本空间进行划分. 在网格线上,样本数据按照BP算法对网络模型进行训练,得到高精度神经网络函数,而在网格线中间,所求输出根据相邻的两条网格线的神经网络函数进行多步线性插值. 与传统组合神经网络建模方法的对比结果表明,在处理不同数组长度的多维发动机动态特性试验数据方面具有很好的适应能力.      

考虑渗沥液作用的垃圾填埋体组合破坏稳定分析

现代垃圾填埋场基本采用复合衬里结构,破坏面背坡沿垃圾填埋体内部、底坡沿衬里界面的平移滑动破坏形式成为垃圾填埋体可能的组合破坏形式之一。为了在目前该破坏形式稳定性计算方法的基础上考虑渗沥液的影响,假设穿过垃圾填埋体内部的破坏面为主动破坏面,利用刚体极限平衡分析方法,同时分类讨论渗沥液水位相对于特定界面的不同位置关系,得出每种情况下的计算方法。计算分析结果表明：渗沥液水位升高时,垃圾填埋体的破坏由沿衬里界面的平移滑动破坏演变为穿过垃圾填埋体内部和底部衬里的组合破坏;实际工程算例中,发生破坏失稳正是由于渗沥液水位过高引起的。     

联合预氧化强化去除滤后水颗粒物质的中试研究

某中试系统进行了高锰酸盐复合剂与氯胺联合预氧化工艺强化去除滤后水中的颗粒物质效果的研究,并与常规过滤滤后水出水颗粒物质进行比较,结果表明常规过滤滤后水中颗粒物质较多,受原水水质变化影响波动较大,联合预氧化工艺对滤后水中的颗粒总数及不同粒径范围内颗粒物数能够显著去除,波动较小,提高了微生物安全性,进一步改善了滤后水水质.     

扩散模型复合分位回归估计的渐近正态性

主要研究扩散模型中漂移函数的复合分位回归估计的渐近正态性.基于离散观测样本,利用复合分位回归的方法得到了漂移参数函数的局部估计量,并证明了估计量的渐近正态性.     

基于时空特性的短时交通流预测模型

根据交通流的历史周期性和空间相关性,文中综合SARIMA模型在历史周期性预测上的优势和RBF模型在空间相关性预测上的优势,提出了SARIMA-RBF模型.该模型采用SARIMA模型通过历史数据预测下一时刻的交通流,然后将预测值与该点上下游关联的交通流数据相结合,采用RBF神经网络模型得出输出值,并将该输出值作为SARIMARBF模型对下一时刻交通流的预测结果.实验结果表明,该模型因同时考虑了交通流的历史周期性和空间相关性,相比SARIMA模型和RBF模型具有更好的交通流预测效果.