拉挤工艺研究：热参数和制品／模具间界面的剪切应力

本文应用两种方法表征拉挤工艺过程.其中第一种方法是用计算机模拟模具内放热固化和热传递的影响.应用等速升温的差示扫描量热仪(DSC)测定模拟固化反应所需的动力学参数.用不稳定状态热传导方程计算在拉挤型芯的温度分布.考虑到在固化期间会有放热产生,因此在这一方程中多加了一个附加项. 第二种方法是测量下述二种情况下的牵引力;一是在有工艺监控时;二是在测量复合材料与模具内壁之间界面剪切应力时.后者是通过牵引短距离浸渍的增强材料穿过加热的模具,同时获得监控牵引力.这就给出了材料在穿过模具的不同阶段内.剪切应力变化的特性曲线.     

复合绝缘无间隙氧化锌避雷器绝缘套筒

复合绝缘无间隙氧化锌避雷器绝缘套筒避雷器广泛用于电力部门保持电气设备不被过电压侵害，因其用量大，对其安全性，可供性要求都很苛刻。目前国内应用较多的为瓷套ｚｎｏ避雷器，但由于它受设计限制，潮气容易侵入，日久就会失效，失效时产生爆炸，对周围设备及人员产生...     

基于免疫和进化扩散算法的全局优化问题求解算法

在求解全局优化问题时,通常免疫算法、进化扩散算法分别在局部搜索和全局搜索方面表现较弱。针对这一情况,基于免疫和进化扩散算法,提出了一个免疫-进化扩散算法。该算法结合了免疫和进化扩散两种算法的优点,一方面通过引入基于共享机制的小生境算法,保持了群体的多样性,另一方面通过提出一种步长参数动态调整策略,提高了算法效率。实验结果表明,在给定精度下,该算法的效率和稳定性都明显优于Tsui的进化扩散算法和Ingber的自适应模拟退火算法。最后对步长参数动态调整策略进行了分析。     

复杂网络社区挖掘综述

复杂网络社区挖掘是近10年来多学科交叉的前沿研究热点之一,其研究不仅有重要的理论意义,而且有广泛的应用前景.介绍了社区挖掘及重叠社区挖掘的研究背景和研究意义,分析了研究现状,讨论了该研究所面临的一些主要问题及未来的发展方向.同时,为了对不同的社区挖掘算法进行更好地评估,选择了有代表性的6个社区挖掘算法和3个重叠社区挖掘算法进行测试,并给出了对比分析结果,试图为这个新兴研究领域勾画出一个较为全面和清晰的轮廓.     

复杂网络簇结构探测——基于随机游走的蚁群算法

网络簇结构是复杂网络最普遍和最重要的拓扑属性之一,网络聚类问题就是要找出给定网络中的所有类簇.有很多实际应用问题可被建模成网络聚类问题.尽管目前已有许多网络聚类方法被提出,但如何进一步提高聚类精度,特别是在没有先验知识(如网络簇个数)的情况下如何发现合理的网络簇结构,仍是一个未能很好解决的难题.针对该问题,在马尔可夫随机游走思想的启发下,从仿生角度出发提出一种全新的网络聚类算法——基于随机游走的蚁群算法RWACO.该算法将蚁群算法的框架作为RWACO的基本框架,对于每一代,以马尔可夫随机游走模型作为启发式规则;基于集成学习思想,将蚂蚁的局部解融合为全局解,并用其更新信息素矩阵.通过“强化簇内连接,弱化簇间连接”这一进化策略,使网络簇结构逐渐地呈现出来.实验结果表明,对一些典型的计算机生成网络和真实网络,该算法能够较准确地探测出网络的真实类簇数与一些有代表性的算法相比,具有较高的聚类精度.     

刻画多种潜在关系的泊松-伽马主题模型

为探索节点间链接结构的多种潜在关系并对其进行语义解释,提出一个刻画多种潜在关系的泊松-伽马主题模型,刻画不同潜在关系下节点内容与链接结构(边)的生成过程,利用全期望定律来聚合所有潜在关系中的内容信息与拓扑信息。对于模型推断,进一步提出一种封闭式的吉布斯采样算法。在8个真实数据集上与8种代表性社团发现方法进行比较,并对所有潜在关系中的链接结构进行可视化和案例分析。试验结果表明,本研究方法优于8种代表性的社团发现方法,能够在多种潜在关系中探索节点间链接结构的有效性,还能够利用节点内容来解释链接关系中的语义信息。     

拉挤用功能填料的应用研究

本文通过大量实验，研究了填料对拉挤树脂系统及其拉挤产品性能的影响，为拉挤工艺生产和拉挤产品提供了重要参考依据。     

碳纤维在机械设备和建筑物上的应用

碳纤维具有轻质高强、耐高温、导电、导热、耐腐蚀等诸多优异特性，在机械设备、建筑物上诸多领域具有应用前景；本文主要介绍碳纤维在机械设备和建筑物上以及其它领域的应用。     

角色导向的网络表示学习综述

网络表示学习是一种将网络节点映射到低维、连续的实值向量空间上的技术,它在网络分析中发挥着重要作用.社团导向的网络表示学习作为目前研究的主要分支之一,主张在学习的节点表示中保持自身的社团属性,如节点的邻近性,使得相近节点具有相似表示.这类方法虽然可以挖掘现实系统中具有明显聚集特征的实体集合,但因其未考虑节点结构上的相似性,导致它们无法识别扮演相同角色、发挥类似功能的实体.近些年,一些方法结合角色的概念,利用节点在网络中的连接模式来派生节点表示,这使得学习到的表示可以尽可能地保持原始网络中节点的结构相似性.尽管这种面向角色的网络表示学习对于现实场景的分析及网络科学的发展起到了一定推动作用,但是目前对该领域的研究仍然非常有限,已有工作缺乏统一的理论解释和实验比较.本文主要对近年来角色导向的网络表示学习工作进行了系统性综述:首先,本文结合相关概念及理论知识,分析了社团导向和角色导向网络表示学习的区别;接着,在总结现有角色导向网络表示学习方法的基础上,给出了一种全新的分类方式,以把握不同算法的本质原理;随后,本文在具有社团或角色标签的十个实验数据集上对基于社团或角色的算法进行了可视化、节点分类、...