常规处理工艺对饮用水中有机物的去除

试验研究了常规处理工艺(混凝-沉淀-砂滤)对饮用水中有机物的去除,结果表明:常规处理工艺对CODMn去除效果较差,平均去除率为16.7%,且受到进水CODMn含量和水温的影响,水样CODMn含量高和水温高时,CODMn的去除率高;对NPOC的平均去除率为11.6%,效果较差;常规工艺对AOC几乎没有去除作用,多数情况下出厂水AOC浓度在氯的氧化作用下升高,平均增加55.3%;出厂水AOC平均为160.63μg/L,属于生物不稳定饮用水。     

α-苯乙胺的间接高效液相色谱拆分研究

以酰氯A对消旋体α-苯乙胺进行柱前衍生化处理,以正己烷和异丙醇混合体系为流动相,在自制的手性柱(DNB-PG CSP)上对其进行了对映体分离研究,考察了流动相配比对分离因子的影响,研究发现正己烷与异丙醇的体积比为98∶2时,取得了理想的分离效果,分离因子α值达1.26.     

基于边界层模糊调节的液压系统准滑模变结构控制

提出一种基于边界层模糊调节的准滑模变结构控制方法.基于滑模开关函数及其变化量,设计一个二维边界层模糊调节器,根据滑模开关平面状态的变化动态调整滑模边界层的宽度.应用于液压位置系统的控制实验结果表明,所提出的控制方法能保证液压系统响应速度,提高控制精度,削弱抖振,较好地协调了变结构控制鲁棒性与平滑控制抖振之间的矛盾.     

浅谈混凝土的施工温度与裂缝

对混凝土的施工温度与裂缝之间的关系进行了理论和实践上的探讨,阐述了混凝土温度裂缝产生的原因,提出了现场控制混凝土温度和预防裂缝产生的措施。     

信息系统外包:主要研究方向和未来发展趋势

近年来,信息系统外包已经成为众多美国财富500强的公司和一些欧洲大型跨国公司(M NC s)所关注的问题。一份最新的调查报告显示接近1/3的财富500强公司选择了印度作为它们外包业务的所在地。自1990年以来,印度政府一直致力于支持和推动信息系统外包产业的发展,并取得了巨大的成效。该文试通过对一些关键问题的讨论来探索这个重要的研究领域,这些问题包括:欧美公司为何将信息系统外包,印度怎样成为了全球信息系统外包的领导国家,中国的IT产业如何迎头赶上加入信息系统外包这个有利可图的市场的竞争。     

基于证据推理的企业知识管理绩效评价方法

作为知识管理的重要组成部分,知识管理绩效评价旨在帮助企业找出影响绩效提高的关键因素并及时采取有效措施,提高知识管理水平。从市场营销能力、信息管理水平、学习型组织成熟度和知识的存量水平等4个角度,分析了评价企业知识管理绩效水平应考虑的主要因素,建立了关于企业知识管理绩效评价指标体系。在此基础上,提出了运用D-S证据推理方法,对企业知识管理绩效水平进行评价,并给出了证据推理的算法步骤。算例分析表明,利用D-S证据推理方法对企业知识管理绩效进行评价具有一定的有效性和应用价值。     

电子商务配送的跨区域VRP模型及其启发式算法

传统的基于分区策略的配送模式已不能满足电子商务物流配送业务的要求,采用将多个配送区域联合、沿途多次补货的配送策略可有效地解决上述矛盾,而车辆路径问题是该配送策略的一个重要组成部分。在说明了模型的假设条件后,建立了基于区域联合策略的VRP(veh icle rou ting prob lem)模型,开发了一种基于几何分析的启发式算法,采用二次搜索、分批插入的办法确定补货点,从而得到沿途多次补货的配送路径,最后用数值算例对模型和算法进行了数值演算。     

高性能混凝土梁受力性能试验研究

通过6根模型梁的三分点加栽试验，对高性能混凝土梁的正截面受力性能进行了试验研究。研究了掺加高效减水剂，粉煤灰、磨细矿渣的高性能混凝土梁的正截面受力性能，并将试验结果与有关混凝土结构设计规范的计算值对比分析，验证了混凝土结构设计规范（GB50010—2002）、高强混凝土设计与施工规程（CECS104：99）对高性能混凝土梁的正截面设计计算的适用性，为大掺量外掺料高性能混凝土在工程上的应用提供了试验依据。     

基于混沌系统的真随机数发生器芯片设计和实现

提出了一种真随机数发生器的硬件设计.结合时间离散混沌与振荡器采样,即由时间离散混沌系统作为高频振荡源,通过低速时钟采样产生随机数.理论研究和测试分析证明,该方案能生成分布均匀、彼此独立的随机信号.经制版流片后,芯片能在1 MHz时钟下输出满足随机性测试的串行随机数,且抗干扰性较好.     

基于案例学习的排球机器人运动规划及其支持向量回归实现

针对混合型控制问题,以排球任务为例研究机器人的运动规划.模拟人类球员通过经验积累而采取相应动作的行为学习模式,采取案例学习的方式解决球的初始状态微小变化(仅发球速度和角度变化)时的运动规划问题.由于支持向量回归(SVR)在处理小样本问题的优越性并受局部学习思想的启发,采用局部加权SVR(LW-SVR)实现案例学习.结果证明,LW-SVR的学习精度较RBF神经网络和SVR明显提高.