电力设备预防性维修策略的优化

提出了设备预防性维修的两阶段优化模型．阶段1确定最少的预防性维修次数．阶段2在第一阶段给出结果的基础上确定各预防性维修的最优周期．模型简化了求解复杂度，克服了长期运行期望周期模型的缺点，具有很强的可操作性，可为维修计划的制订和现场的作业调度提供决策支持．     

基于模糊神经网络提取我国经济增长的模糊规则(Ⅲ)

利用神经网络的自适应、自学习等特点和模糊系统的人脑性等特点来弥补相互的缺点，使它们结合产生一种基于神经网络的模糊系统，并用该系统提取我国经济增长的模糊规则。     

具有2D氢键网络结构的锰化合物[Mn(BBP-H)2]的水热合成

利用水热合成方法，得到了一个新型的锰配合物[Mn(BBP—H)2](BBP为2，6-双(2-苯并咪唑甲基)吡啶)，并通过X-射线衍射得到其晶体结构，空间群为P-4n2，晶胞参数a=-1．01470(17)nm，b=1．01470(17)nm，c=1．5885(5)nm，V=1．6355(7)nm^3，Z=2．每个锰离子与两个带电荷的三齿配体BBP配位，形成畸变的八面体构型，相邻的分子之间通过氢键形成2D平面结构．     

旋流燃烧室中NO排放的数值计算

采用数值模拟的方法研究了旋流燃烧室中旋流数对NO排放的影响，其中湍流采用修正的k-ε模型，燃烧采用EBU-Arrhenius模型，NO的生成包括热力NO和瞬发NO，采用设定的PDF模型．计算结果表明，随着入口旋流数的增加，旋流燃烧室中的高温区移向入口，火焰长度缩短，宽度增大；NO排放量先增加，后减小．因此，适当调整燃烧室的旋流数可以降低NO排放。     

单位毛利对标准差系数影响的分析

在销售量为随机变量的时候,本文利用标准差系数来讨论销售量、税息前收益和税后收益的波动程度之间的联系.看到在单位毛利较高的时候,销售量、税息前收益和税后收益的波动程度是逐渐增加的.但是单位毛利降低时,就会出现异常的情况.不同的单位毛利导致不同的企业收益波动规律.     

飞行过程中惯导系统的随机振动响应分析

用有限元方法建立某飞行器惯导系统动力学分析的计算模型。进行了该模型在自由状态与边界约束状态下的模态参数计算 ,以及基础激励下的随机振动响应分析。通过对橡胶减振器进行三维实体有限元建模 ,研究了橡胶减振器连接刚度和阻尼特性参数对惯导系统响应的影响 ,并将计算结果与试验数据进行了比较。     

无限重复流速与拥塞控制博弈实例的应用

在讨论了一次博弈模型和流速均衡解析解的基础上,对基于无限重复博弈模型的流速与拥塞控制行为进行了研究.提出了重复和无限重复流速与拥塞控制博弈模型,论证了重复博弈NEP的存在性和最优性,讨论了重复博弈中贴现因子的意义;通过2个无限重复流速控制博弈的实例(2个端系统和N个端系统),介绍了在非合作的流速与拥塞控制中规范(约束)端系统的行为方法,以维护和实现整个流速与拥塞控制系统效用的最优.     

毛细管柱-顶空进样测定废水中氯乙烯的方法

本文提出采用顶空直接进样和毛细管柱气相色谱法检测废水中氯乙烯的方法。该方法使用低毒、不易挥发的N,N-二甲基甲酰胺(N,N-Dimethylformamide,简称DMF)作为溶剂,配置氯乙烯标准曲线母液的吸收液,该方法最低检出限为0.002 mg/L,标准样品的相对标准偏差为1.1%-1.3%,实际水样加标回收率在98%-101%,相对标准偏差与加标回收率均满足国际标准的要求。     

挤压胁迫对三疣梭子蟹抗氧化和应激能力的影响

研究了不同挤压强度(L1(无挤压)、L5(轻度挤压)、L10(中度挤压)、L15(较重度挤压)、L20(重度挤压))和挤压时间(0 h、12 h、24 h、36 h、48 h)对三疣梭子蟹抗氧化能力和应激能力的影响,其中无挤压组为对照组。结果显示:(1)挤压胁迫下蟹体肝胰腺中超氧化物歧化酶(SOD)的活力和丙二醛(MDA)的含量呈现出先升高后降低的变化趋势,并且无挤压组和轻度挤压组的变化具有相似规律,其与挤压处理前无显著差异(P0.05),但在较重度挤压组和重度挤压组在挤压前后变化显著(P0.05);(2)谷胱甘肽转移酶(GST)在挤压处理后活力显著性升高(P0.05);(3)总抗氧化(T-AOC)能力在挤压胁迫下呈下降趋势,无挤压组和轻度挤压组与挤压处理前无明显差异(P0.05),较重度挤压组和重度挤压组中T-AOC与挤压前相比变化显著(P0.05);(4)热休克蛋白(HSP70)在不同挤压强度下呈现不同的变化趋势,且挤压前后活力变化显著(P0.05)。整体上,挤压胁迫将致使梭子蟹肝胰腺中的SOD、GST、T-AOC、MDA以及HSP70这5种指标呈现不同的变化趋势,并且变化规律受挤压程度的轻重以及挤压时间的长短影响较大,呈现出明显的程度效应和时间效应。     

基于遗传算法和支持向量回归的锂电池健康状态预测

为了提高锂电池健康状态(SOH)的预测精度,该文提出了1种基于遗传算法和支持向量回归(GA-SVR)的联合算法。通过GA解决SVR模型中的超参数优化问题。GA-SVR随机生成1组染色体,每个染色体包含了相应的SVR超参数信息。利用适应度函数计算出每条染色体的适应度值。根据适应度值对染色体进行选择、基因重组和变异等遗传操作,从而更新染色体的超参数信息。经过多次迭代后,找到适应度最大的染色体。从该染色体中提取相应的超参数信息,并训练最终的SVR预测模型。在美国国家航空航天局(NASA)锂电池数据集上的实验结果表明,该文算法优于基于混合像元核函数的高斯过程回归(SMK-GPR)算法、基于多尺度周期协方差函数的高斯过程回归(P-MGPR)算法、基于多尺度平方指数函数的高斯过程回归(SE-MGPR)算法和改进的基于粒子群优化的支持向量回归(IPSO-SVR)算法。