面向大规模定制的制造规划信息建模技术

研究大规模定制环境下零件制造规划的生成方法.以系统信息建模工具为基础.利用面向对象的系统分析法描述制造过程中静态和动态的特征信息,分析从零件设计到NC代码生成的制造规划过程中各层信息、活动及其相关关系,提出了采用特征层、零件层和系统层的三层决策机制建立制造规划模型.实现了从制造资源能力到加工计划的计算机辅助生成,以实例证明了该方法的可行性.     

局部线性模型在小波神经网络中的应用

把一种局部线性模型应用于小波神经网络中,把网络隐层与输出层之间的直接连接权值用一种线性模型来代替以减少隐层节点数目.对带局部线性模型的小波神经网络与一般小波神经网络的性能进行比较,试验结果证明了带局部线性模型的小波神经网络的优越性.     

松香基甜菜碱两亲分子构筑多维Ni(OH)2/NiOOH微纳米复合材料

采用自制脱氢松香基甜菜碱功能性两亲分子构筑得到3种形貌均匀的Ni(OH)_2/NiOOH微纳米复合材料,分别为孔径约2μm的三维珊瑚状、花状空心微球和宽度约100 nm的二维纳米片,对复合材料的物相组成和形貌结构采用X射线衍射(XRD)、扫描电镜(SEM)和透射电镜(TEM)等技术手段分析表征。结合自制松香基甜菜碱两亲分子红外光谱(FT-IR)、核磁(NMR)结构表征和优异的表面活性推测得到松香基甜菜碱两亲分子构筑3种不同形貌微纳米复合材料的机理;研究表明,在松香基甜菜碱两亲分子稳定刚性结构的作用下,通过反应温度控制其吸附能力可构筑出3种形貌分散性较好的氢氧化镍复合材料。     

零价铁/无定形磷酸钙复合物的合成及其对CdTe量子点吸附性能

在氮气保护下利用共沉淀方法成功地合成了零价铁无定形磷酸钙复合物（Fe⁰/ACP复合物）,并采用XRD、EDAX和FTIR对产物进行了表征。同时通过SEM和TEM分析可知所合成材料的粒径为300 nm左右。磁滞回线表明在磁场中可以将该复合物从非磁性材料中分离出来。氮气吸附脱附曲线表明所合成材料具有吸附性能。此外所合成Fe⁰/ACP复合物被用来吸附CdTe量子点,并采用二级动力学方程对吸附过程进行了分析。吸附产物采用XRD、FTIR、荧光和磁滞回线进行了表征,结果表明该吸附产物不仅具有磁性,而且具有很好的荧光性质。     

南方型杨树“中石2”光合生理生态因子的动态变化分析

对南方杨树主栽品种"中石2"(Populus deltoides CL.'Zhongshi 2')幼树的净光合速率及生理生态因子的动态变化进行了分析.结果表明:相对湿度与净光合速率的关系紧密.在高光强、高湿度的环境,杨树"中石2"生长良好,净光合速率较高;随环境因子的变化,至湿度降低的环境,杨树净光合速率有所降低;而至9月份杨树在一天中生理生态因子的变化较复杂,环境湿度低,净光合速率最小.在集约栽培过程中,应注意适当的栽植密度,同时进行喷雾,增加环境湿度,可以达到最适的生长环境条件.通过拟合,得到单因子动态变化与净光合速率变化的二项式回归模型,相关性达极显著和显著水平.应用多因子及互作相逐步回归分析,构建最优回归模型:Y=1.968 1 19.096 3X4-0.008 OX6 0.0001XlX2-0.008 5X1X4(PAR-X1、RH-X2、Gs-X4、Ci-X6、Pn-Y),具有较强的预测能力.     

智能优化算法的综述教学研究

本文就优化算法问题的综述与教学做了几方面的研究,以提高对该问题的教学质量、增强初学者对智能算法的认识,也促进对该问题的进一步研究。     

基于观测器不确定中立时滞系统的鲁棒无源控制

探讨了基于观测器的一类不确定线性时滞中立系统的鲁棒无源控制问题,目的在于设计一个线性状态观测器,使得对于所有可容许的参数不确定性和时间滞后的观测过程是鲁棒稳定和无源的.不确定参数是范数有界的,利用线性矩阵不等式和李雅普诺夫函数方法,得到不确定线性时滞中立系统观测器存在的充分条件,并以数字实例说明了提出方法的有效性和实用性.     

遗传性非息肉病性结直肠癌6家系临床特征分析

分析通辽地区发现的遗传性非息肉病性结直肠癌（HNPCC）6个家系的临床特征,探讨本地区遗传性非息肉病性结直肠癌（HNPCC）的发病特点和预后,提供HNPCC诊断方法和治疗策略．     

膨胀土路基处理分析

膨胀土具有吸水膨胀,失水收缩并往复变形的性质,对路基的破坏作用不可低估,并且构成的破坏是不易修复的。解决膨胀土的问题,应着重从影响其物理力学性质变化的内在因素和外在因素上考虑,从而通过改变土的力学性质达到处理的目的。     

半监督多标记学习的基因功能分析

传统的机器学习主要解决单标记学习,即一个样本仅有一个标记．在生物信息学中,一个基因通常至少具有一个功能,即至少具有一个标记,与传统学习方法相比,多标记学习能更有效地识别生物相关基因组的功能．目前的研究主要集中在监督多标记学习算法．然而,研究半监督多标记学习算法,从已标记和未标记的基因表达数据中学习,仍然是未解决问题．提出一种有效的基因功能分析的半监督多标记学习算法SML_SVM首先,SML_SVM根据PT4方法,将半监督多标记学习问题转化为半监督单标记学习问题,然后根据最大后验概率原则（MAP）和K近邻方法估计未标记样本的标记,最后,用SVM求解单标记学习问题．在yeast基因数据和genbase蛋白质数据上的实验表明,SML_SVM性能比基于PT4方法的MLSVM和自训练MLSVM更优．