先秦时期礼的制度化运行观考察

礼具有制度性建构系统的性质。礼总是朝着所追求的目标不断运行的,在这个过程中,有预设的运行规则,即社会的总体组织结构保持基本稳定,但个人所处的位置处于不断调整状态。或修礼而上升、或守礼而静止、或失礼而下降,依据个体和礼制规范的吻合程度决定。个人身份的上升和下降是礼的运行动力,其本意是在社会化管理过程中,实现所有社会成员的秩序化,体现制度化的必然要求。但古代礼的升降机制往往由以君主为代表的统治阶层做出最终决定,一旦涉及君主本身,升降机制就失去了存在空间,因此礼的运行制度具有一定局限性。     

电力故障运行下磁偏置超导限流器超导限流单元的电-热特性分析与验证

本文的磁偏置高温超导故障限流器(SFCL)是一种新型超导限流器,在系统出现短路故障时,发生失超现象,产生高阻抗限制短路电流,达到一定时间后断开超导单元,再由双分裂电抗器二次限流.当短路电流消失后,自动快速恢复到无阻特性,然后重新合闸投入系统运行.在SFCL并网运行前,要对并网运行中出现相间短路等故障的暂态运行特性进行分析,了解并网运行时的状况.本文利用Matlab/Simulink构建了SFCL的仿真分析模型,包含超导限流单元的等效电路模型和热模型.该模型被接入一个由Matlab/Simulink构建的10 kV电力系统模型中,用来仿真SFCL的并网运行特性.仿真结果表明了SFCL在并网运行中的效果,以及相间短路故障下失超电阻、通过电流和超导限流单元温度的变化.同时,在中国国网辽宁电力虎石台对SFCL进行了并网运行试验,得到了相间短路故障下的暂态运行特性和失超恢复时间.本文的仿真分析和试验结果,证明了该SFCL样机具备10 kV并网能力,以及快速响应、逐级限流和快速恢复能力     

基于深度学习的腹部多器官图像分割

CT扫描是临床上腹部相关疾病诊断的常规检查方式,通过CT,医生能对腹部的器官结构和组织病变结构产生更加直观的观察,从而提高了疾病诊断的准确性,因此,精准地对CT图片进行图像分割有着非常重要的临床价值。传统的分割算法针对腹部形变较大、体积较小且组织边缘模糊的器官分割效果相对较差。为此,该文提出了基于改进nnUNet腹部多器官图像分割方法,在腹部CT图像上分割肝脏、胃、肠道和胰腺4个器官。该文利用自适应权重的损失函数对nnUNet网络进行改进,使得网络在分割过程中更加关注体积较小且样本数量相对较少的器官特征。实验表明,该文提出方法相对于现有传统的分割方法具有更高的准确性和敏感性。     

关于不定方程x3±1=7qy2

设q为奇素数且q≠7.利用同余式、平方剩余、Pell方程解的性质、递归序列证明了:1)当q ≡ 11,23,29,53,65,71,95,107,113,137,149,155(mod 168)时,不定方程 x3+1=7qy2 仅有整数解(x,y)=(-1,0);2)当 q≡ 11,23,29,53,71,95,107...     

纳米整理剂在纺织品功能整理中的应用

用纳米氧化锌与水溶性聚氨酯配制功能整理剂,其中粒径100nm以下的纳米氧化锌粒子达到95.22%.研究其对棉、丝织物抗皱、抗紫外线及抗菌的性能,结果表明:整理后的棉、丝织物回复角提高,抗皱性改善,且有较好的强力及白度保持率;经纳米氧化锌水溶性聚氨酯整理剂整理的纯棉织物,10次水洗后的紫外防护因子(UPF)等级达到50 ,整理剂放置30d后,再经轧烘焙整理织物的UPF保持率分别为95.39%和95.11%,UPF等级保持不变,整理后的棉织物有明显的抗大肠杆菌抑菌圈.     

积分约束下多方线性微分对策的一类追捕问题

本文给出积分约束下一类多方线性微分追捕对策的追捕控制结构     

量子代数SU_（qs）（2）和SU_（qs）（1，1）的广义qs－玻色实现

本文给出了双参数形变量子代数ＳＵｑｓ（２）和ＳＵｑｓ（１，１）的Ｈｏｌｓｔｅｉｎ－Ｐｒｉｍａｋｏｆｆ实现的明显形式。此外，通过引入广义ｑｓ－玻色算符，得到了Ｈｏｌｓｔｅｉｎ－Ｐｒｉｍａｋｏｆｆ实现的多ｑｓ－玻色子形式。     

闪光照相图像缺陷消除方法

介绍了一种检测闪光照相图像缺陷以及消除这些缺陷的方法。在闪光照相实验中,底片图像会出现一些小尺寸的缺陷影响了底片信息的精确提取。根据闪光照相实验中采用完全一样的多张底片接收的特点,提出了一种闪光照相多底片图像的缺陷消除方法。首先对这些底片图像进行精确配准,将这些图像进行简单平均以获得均值图像,利用均值图像与各底片图像的差值获得缺陷图像,然后根据缺陷图像的特点对缺陷进行分割并判断各缺陷的归属。最后根据均值图像与缺陷图像以及缺陷分割与判断结果获得修补后的底片图像。实验结果证明该方法可以有效地消除多底片图像中的各类缺陷。     

基于机器学习算法的输电线路工程投资预测

技术方案深度的不足导致依据定额概预算来确定输电线路工程投资的方法准确性低、工作量大,因此,研究基于机器学习的投资预测模型需求迫切。针对输电线路投资的高维数、非线性等特点,提出了基于极端梯度提升(extreme gradient boosting, XGBoost)算法的输电线路工程投资预测方法。通过采用实际输电线路工程数据对模型进行训练和测试,预测结果显示XGBoost模型在预测精度、结果偏差方面相较于神经网络和支持向量机(support vector machine, SVM)都具有较大的优势,能输出指标重要性排序,为决策者提供有效的投资额和控制指标参考,且模型的可靠性和可解释性较高。