稀土硝酸盐与5-溴水杨醛缩-4-氨基氨替吡林、邻菲罗林三元配合物的合成与表征

由5-溴水杨醛缩-4-氨基氨替吡林(以L表示)、邻菲罗林(以L’表示)与稀土硝酸盐合成了三种新型三元配合物,并对合成的配合物进行了元素分析、红外光谱、紫外光谱和摩尔电导分析,确定了配合物的组成为:LnL L’(NO3)3·H2O。     

强夯—塑料板排水法在粉土和粉质粘土地基加固中的试验研究

针对黄河中下游粉土、粉质粘土成层地基,通过插设塑料排水板和不插排水板条件下强夯对比试验研究,证实了插设塑料排水板可以有效的降低强夯时超静孔隙水压力峰值,加快其消散,缩短强夯施工工期;提高强夯夯沉,减少振动对土体的扰动,缩短触变恢复时间,因而人工塑料排水板在强夯处理此类地基中是十分有效的。     

冲击荷载下地基下沉量预测

冲击荷载加固地基，场地地基下沉量的计算可用于估计其它地基加固效果指标。本文采用三种方法对地基下沉量进行计算，工程实例表明极限孔隙比法预测结果最好。     

积分球反射法测量铌的发射率随温度的变化

提出了一种利用积分球反射法的脉冲加热技术测量材料热物性的方法，在此基础上研制了脉冲加热瞬态热物性测量装置，给出了利用该装置测量的铌在632．8nm波长下法向光谱发射率随温度的变化曲线，并进行了讨论。结果表明，所研制的装置能同时测量带状试样的比热、电阻率、全波长半球发射率及法向光谱发射率，具有试样制备简单、测试精度高等优点。     

动态模糊神经网络研究

针对静态网络无法处理暂态问题，对具有递归环节的动态模糊神经网络进行了研究。通过在网络第二层中加入内部反馈连接，使其具有动态映射能力，从而对动态系统有更好的响应。网络使用遗传算法与反向传播BP(BackPropagation)算法相结合来训练，避免陷入局部最优解。采用时序预测和动态非线性系统进行了仿真研究，结果表明，动态模糊神经网络较之普通模糊神经网络在收敛速度、预测精度和网络规模等方面都有较大的改善，并具有更好的动态系统处理能力。     

汽车前轮定位参数优化设计

以多体系统动力学理论为基础，建立了某微型汽车前悬架的多体系分析模型，采用了一种即包括典型工况下前轮定位角度值与理想值偏差又限制车轮整个跳动过程中各定位参数的波动量的优化目标函数的统一数学表达式，对原悬架系统进行了优化，计算并分析了优化前后的前轮定位参数随车轮上下跳动的变化规律，分析结果和实际使用均表明改进后的前悬架系统具有良好的性能。     

嵌入式智能动平衡测试系统及其滤波器设计

针对动平衡测试中要求实时处理大量信息，而现有的基于间独微控制器的智能动平衡测试仪和动平衡机控制箱不易满足该要求的情况，提出了一种将DS－－微控制器组对直接应用于智能动平衡仪中子系统设计的方法。介绍了这种方法实现及其数字滤波器的设计，该方法是将DSP与微控制器（即单片机）组成一对主从控制系统，微控制器作为主控器完成全局控制，而利用DSP的快速运算特点来实现支平衡的数字滤波、FFT等。根据该方法所开发的系统可以在动平衡测试中作更多的时域、频域项分析。     

实施非股权战略联盟的动态稳定过程

非股权战略联盟是一种松散的，界于企业和市场之间的中间组织形态，它主要依靠契约方式进行制约和协调。相对于股权式战略联盟而言，非股权联盟更具有突出的灵活性特点，但正是这个特点导致其不稳定性和在管理、协调上的复杂性。依据这一特点笔者引入新制度经济学理论，从制度均衡入手探讨非股权战略联盟中的动态稳定问题。提出了稳定过程中的管理协调控制机构M的假设，分别建立了在完全信息和不完全信息条件下的非股权战略联盟相对稳定模型。并在此基础上进行了分析、论证，以期对我国企业在不断变化的外部环境下建立非股权战略联盟提供一定的指导和帮助。     

椭圆-椭圆静动态不适合边界算法

目前，计算二维几何图形是否干涉的不适合多边形(NFP)算法，针对的是多边形，尚未涉及椭圆一椭圆不干涉计算问题．因此，基于NFP法概念，提出椭圆-椭圆之间的不干涉算法，称之为不适合边界算法；进而给出了既相对平动又相对转动的椭圆-椭圆间任一时刻的动态不干涉边界算法．该法可应用于求解Packing问题、机器人路径规划、虚拟装配、医疗内外科手术等领域．     

A dynamic fuzzy clustering method based on genetic algorithm

A dynamic fuzzy clustering method is presented based on the genetic algorithm. By calculating the fuzzy dissimilarity between samples the essential associations among samples are modeled factually. The fuzzy dissimilarity between two samples is mapped into their Euclidean distance, that is, the high dimensional samples are mapped into the two-dimensional plane. The mapping is optimized globally by the genetic algorithm, which adjusts the coordinates of each sample, and thus the Euclidean distance, to approximate to the fuzzy dissimilarity between samples gradually. A key advantage of the proposed method is that the clustering is independent of the space distribution of input samples, which improves the flexibility and visualization. This method possesses characteristics of a faster convergence rate and more exact clustering than some typical clustering algorithms. Simulated experiments show the feasibility and availability of the proposed method.