用半实物半符号电路图辨析电容器的联接关系

提出了一种易于辨析组合电容器联接关系的半实物半符号电路图.以球形电容器和空气平板电容器为例,给出了简要的推演过程.     

ADO.NET中离线处理数据的方法

ADO.NET是DOT NET Framework用于访问数据库的组件.通过ADO.NET可以连接方式或非连接(离线)方式访问数据源,从而提高应用程序的性能,减轻远程服务器的压力.介绍ADO.NET数据访问的对象模型中5个常用类(SqlConnection,SqlCommand,SqlDataAdapter、SqlCommandBuilder、DataSet)的使用,着重论述如何运用这5个类的对象来对数据源中的数据进行各种离线处理的方法.     

浅议广播新闻现场连线报道

现场连线报道已成为当下广播新闻重要的报道形式.其形式新颖,现场感强,并充分发挥了广播"先声夺人"的优势,使广播新闻报道极具感染力与吸引力,极大地提升了广播新闻的魅力.     

将纯框架结构改为底框住宅的设计实例

本文结合具体工程实例，论述了如何将纯框架结构改建成底框住宅以及如何使新旧结构有效联结的方法，讨论了改建工程中值得注意的一些问题。     

单位恒压源与恒流源串并联激励时功率问题的讨论

以澄清电路分析中关于功率发出与功率吸收的概念为基本出发点，对单位恒压源和恒流源串、并联激励时的功率问题做了定量分析。并由此得出，单位恒压源和恒流源串联激励时，恒流源既不产生功率也不吸收功率；单位恒压源和恒流源并联激励时，恒压源既不产生功率也不吸收功率。     

基于LM-BP神经网络模式的酸性染料分类方法

提出用Levenberg-Marquardt Backpropagation Neural Network(LM-BP)网络对酸性偶氮染料进行分类，网络结构为4-6-5。优化了隐含层神经元数和网络训练次数，表明隐含层神经元数应比输出层神经元数多一个。考察了训练集样本的选择对结果的影响，测试集的样本参数大小要处于训练集样本之间。本网络把其中22种染料作为训练集，把另外18种染料作为测试集，与采用GCEDM逐次分类法比较，测试集识别率为83％。     

高层住宅楼转角窗设置的技术探讨

针对高层住宅楼转角窗的设置，从设计、施工方面分析了结构设计的安全性、可行性及施工中可能存在的隐患；并对高层住宅楼角窗设置分析、总结，提出了一些可供参考的建议。     

基于并行残差卷积网络的图像超分辨重建

针对VDSR模型卷积核单一和DRRN模型不能全局利用的问题,提出了基于并行残差卷积神经网络的联合卷积图像超分辨重建模型。模型首先利用原始卷积层和扩张卷积层融合,建立联合卷积层,然后利用跳跃链接,将多种抽象层次的特征进行融合,最后完成整个超分辨网络的模型构建。提出的模型具有以下优点：①扩张卷积神经网络与原始卷积神经网络融合,在计算机复杂度不变的情况下,可以获取更多尺度的信息,因此具有更强的表达能力;②跳跃链接方式,将抽象层度较低与较高抽象层次的信息融合,获取更多的信息,使得模型具有更强的学习能力。通过在多个数据集上进行实验,模型在大多数任务中与VDSR、DRRN和SRCNN等先进模型相比,IFC值取得了大于0.1的提升。     

$\bf\Lambda _{\bf c} \textbf{(2880)}^{\bf +} \textbf{2}$D波激发态的强衰变

在$^3P_0 $模型框架下, 计算$\Lambda _{c} (2880)^+$作为2D波激发态的衰变宽度和分支比, 确定其量子态并探究内部激发模式. 计算结果表明: $\Lambda _{c} (2880)^+$有可能是2D激发态$\Lambda _{{c}2} \big(\frac{3}{2}^+\big)$, $J^P=\frac{3}{2}^+$, 且$n_\rho =1$、$l_\lambda =2$, 为径向$\rho $激发、轨道$\lambda $激发的激发模式, 总衰变宽度${\it\Gamma}_{total} =18.53$ MeV, 分支比比值$R={\it\Gamma}(\Lambda _{c}(2880)^+\to \Sigma _{c}(2520)\pi)$/${\it\Gamma}(\Lambda _{c} (2880)^+\to \Sigma _{c} (2455)\pi)=0.16$; 也可能是2D激发态$\Lambda _{{c}2}^{'}\big(\frac{3}{2}^+\big)$, $J^P=\frac{3}{2}^+$, 且$n_\lambda =1$、$l_\lambda =2$, 为径向$\lambda $激发、轨道$\lambda $激发的激发模式, 总衰变宽度${\it\Gamma} _{total} =1.69$ MeV, 分支比比值$R={\it\Gamma}(\Lambda _{c} (2880)^+\to \Sigma_{c}(2520)\pi )$/${\it\Gamma} (\Lambda_{c} (2880)^+\to \Sigma_{c}(2455)\pi )=0.10$.     

不确定需求下容量限制工厂选址的改进蜂群算法

研究了需求不确定下容量限制工厂选址问题。在考虑需求点的实际情况后,根据各点不确定需求的变化而改变工厂的生产规模限制,建立设置分段的生产规模的容量限制工厂选址模型。使用联系数和区间灰数理论对不确定的需求进行预测。为了求解该问题,对传统人工蜂群算法的编码、更新、搜索和追随策略进行了改进。最后进行数值实验,将新算法与遗传算法、萤火虫算法、粒子群算法和海鸥算法进行对比。结果表明,改进后的人工蜂群算法有更好的优化效果,在求解容量限制的选址问题上具有可行性和有效性。