我国企业还不是研究开发的主体

使企业成为技术创新的主体是实现我国经济增长方式根本转变的关键。企业是技术创新的主体,首先必须是研究开发的主体。企业是研究开发的主体表现为企业是R&D投入的主体、R&D活动的主体和研究开发产出的主体。对比中国和其他国家的研究与发展统计数据发现,我国企业还不是研究与发展的主体。 1.从企业研究与发投入衡量 研究与发展投入的两个重要指标是研究与发展经费投入和研究与发展人员投入。在市场经济国家,企业是研究与发展经费投入的主体(表一)。 从研究与发展经费的来源分布看,美国、日本、德国、英国等工业化发达国家的研究与发展经费主要来自企业,政     

抗家蚕抗菌肽单克隆抗体杂交瘤细胞系的建立

首次报道了抗家蚕抗菌肽（一种小分子多肽）单克隆抗体杂交瘤细胞系的建立．用ＦＰＬＣ纯化家蚕抗菌肽（ＡＢＰ）获得了电泳一条带的均一样品；将它与辣根过氧化物酶（ＨＲＰ）偶联，以此偶联物免疫ＢＡＬＢ／Ｃ鼠．以抗菌肽—牛血清白蛋白（ＡＢＰ－ＢＳＡ）做包被物ＥＬＩＳＡ筛选出５个阳性杂交瘤细胞株，冻存复苏后得到三个稳定分泌抗体的阳性细胞株，抗体ＩｇＧ亚型为ＩｇＧ２ａ．统计了杂交瘤的染色体数     

浅析影响跳汰机分选过程因素

由于工艺流程简单、设备操作维修方便、处理能力大且有足够的分选精度,跳汰选煤技术在煤炭分选中占有十分重要的地位。本问重点分析了影响跳汰机分选过程的因素以及提出了解决办法。     

三软煤层巷道冒落机理及锚索桁架联合控制技术

随着煤炭开采深度的不断增加,地层压力的升高,受构造的影响更为突出,处于“三软”煤层中的巷道失稳现象越来越严重,维持巷道稳定更为困难,开展三软煤层巷道冒落机理研究对于煤矿安全生产具有重要的意义.某矿1201工作面回风巷受开采煤层、围岩物理力学性质、地层构造、地下水、支护方式等多重因素影响,在705～715m段发生冒顶事故,严重影响了正常生产.详细分析多重影响因素后,应用破碎软岩理论及极限自稳隐形拱理论研究了三软煤层巷道的冒落机理；基于此应在该矿1201工作面运输巷易冒落段巷道支护中,应用了锚索桁架+钢棚的联合控制技术.实践表明:巷道支护效果良好,保证了工作的面的正常回采.     

一种新型的开放式图形库OpenGL及其运用

本文简要介绍了一种新型的开放式图形库ＯｐｅｎＧＬ的特点及用途，并表明如何运用ＯｐｅｎＧＬ开发应用软件。     

自体肝癌细胞裂解物致敏的树突状细胞诱导抗肝癌免疫的体外研究

从术后肝癌病人的外周血中诱导树突状细胞（DC），并经自体肝癌细胞裂解物致敏DC，用流式细胞仪、^3H-TdR掺入法及MTT法检测了DC表面分子的表达、DC刺激T细胞的增殖效应及DC诱导的T细胞对肝癌细胞的杀伤作用，进而比较经自体肝癌细胞裂解物致敏的DC与其它条件下的DC功能的差异．结果显示：肝癌细胞裂解物致敏DC的功能较未致敏DC显著提高，其可诱导自体混合淋巴细胞强的增殖效应，同时诱导的T细胞对自体肝癌细胞有较强的杀伤率．     

技术创新调查的国际经验

深入研究中国企业技术创新面临的困难之一是缺乏反映企业技术创新状况的数据。技术创新调查为解决这一困难提供了基本方法。本文在总结技术创新调查国际经验的同时,就我国如何搞好该项工作提出看法,以提高技术创新调查的效果。 一、简要回顾 国际上的技术创新调查集中于经济合作与发展组织(OECD)成员国中。技术创新调查可以明显地分为两类。英国的创新调查属于针对技术创新项目的调查,关心创新的商业化成功。其他国家的创新调查属于针对企业技术创新活动的调查,关心企业的技术创新活动及其产生的影响和被影响。     

基于GPU的MATLAB计算与仿真研究

图形处理单元(GPU)已经成为当今的主流计算系统的一个组成部分,现代GPU不仅是一个功能强大的图形引擎,也是一个高度并行的可编程处理器,GPU的峰值运算和内存带宽往往大幅超出其CPU所对应的峰值和内存带宽。本文介绍了基于GPU通用计算框架的JACKET加速MATLAB的计算仿真方法,通过FFT算法得出仿真结果,分析在CPU和GPU运行环境下的GFLOPS和加速比,最后得出基于GPU的MATLAB计算仿真程序运行效率在JACKET的加速下大大提高了。     

基于多模式融合的双自由度太阳能追踪系统的研究与设计

随着资源与环境问题的日益剧增,新能源的发展迫在眉睫。为破解太阳能利用率相对较低的难题设计了一款基于多模式融合的双自由度太阳能追踪系统,可通过控制电池板的旋转提高光伏发电的效率。系统选用MSP430F149微控制器,将光电检测与视日运动轨迹两种追踪模式进行融合,采取双自由度的结构确保太阳能吸收装置实现水平、垂直多自由度旋转;系统通过光电检测判断、信号传输、驱动电机调整太阳能板角度,能够有效提升太阳能板光电转化效率。     

基于DenseNet的图像识别方法研究

在深度学习中,随着神经网络层数的加深,训练网络变得越来越困难,现有的浅层的网络无法明显提升网络的识别效果。针对在原有网络的情况下提升网络识别效果,减少参数的问题,本文提出一种改进的DenseNet网络模型,借鉴Inception V3的思想,利用非对称卷积将DenseNet网络中Dense Block层所包含的3×3卷积分解成3×1和1×3的两个卷积,简化网络结构模型。之后再对改进前与改进后的网络模型在数据集上进行训练,实验结果表明,与经典的DenseNet网络模型相比,改进后的网络模型可以提高图像识别的准确性,降低参数,有效地缩短运行时间。