排序方式: 共有39条查询结果,搜索用时 62 毫秒
1.
为了探究低影响开发(LID)措施对城市雨水-径流-污染过程的改善效果,以广州市某区域为例,提出了4种LID改造措施(绿色屋顶、生物滞留池、透水铺装、3种LID组合),并构建了SWMM模型来模拟分析5种暴雨重现期下不同LID改造措施的水文水质效应。结果表明:单一LID改造措施下,暴雨重现期较大时透水铺装效果最好,该情景下洪峰削减率、峰现时间延迟和总流量削减率都达到了最大;3种LID组合对总流量削减率最高,为26-12%~34-40%;单一LID改造措施下,透水铺装对COD与NH3-N质量浓度峰值削减和峰现时间延迟效果最佳;3种LID组合对COD和NH3-N总量削减率最高,分别为50-51%~60-83%和53-16%~58-47%。LID改造措施对城市内涝、COD和NH3-N都有不同程度的减轻或削减,其中LID组合改造措施的效果最好。 相似文献
2.
3.
结合多版本乐观并发控制协议(MVOCC)提出了带失效报告多版本-有效性检查信息 (Multiversion- Validation Information, MV-VI) 广播机制,并给出了多种多版本广播磁盘组织。MV-VI广播机制支持移动主机(MHs)与网络断接。在广播周期中广播事务全局有效性检查信息VI,IR广播后插入多个快速失效报告(Fast Invalidation Report, FIR),广播快速更新的数据。通过模拟仿真,对MV-IV 广播机制进行了性能测试,实验结果表明,MV-IV 广播机制性能明显好于其它广播机制。 相似文献
4.
在实时主动数据库中,事务不仅有时间约束,而且事务执行可能触发其它事务执行。传统并发控制协议不适应于实时主动数据库系统。该文研究了实时主动数据库事务执行模式,提出了有效性检查并发控制协议。协议使用动态调整串行次序策略,避免不必要的事务重启动。通过仿真模拟与HP2PL协议和OCC-TI-WAIT-50协议进行了比较。结果表明,该协议能有效地降低事务延误截止时间率和事务重启动率,性能优于HP2PL和OCC-TI-WAIT-50协议。 相似文献
5.
实时数据库系统中基于有效性检查的并发控制协议 总被引:5,自引:0,他引:5
提出了一个基于有效性检查的并发控制协议。新协议基本思想是通过减少延误截止时间事务数量,提高并发控制机制性能,通过模拟分析了协议的性能。 相似文献
6.
提出了移动广播环境中有效处理实时只读事务的方法。给出了多种多版本广播磁盘组织。采用多版本机制,实现移动只读事务无阻塞提交。通过乐观方法,消除移动只读事务和移动更新事务的冲突。使用多版本动态调整串行次序技术,避免了不必要的事务重启动。在移动主机上如果移动只读事务通过向后有效性确认,则可提交,不需要提交到服务器处理,降低移动只读事务的响应时间。通过模拟仿真对提出的方法进行了性能测试,实验结果表明新方法要优于其他协议。 相似文献
7.
8.
溶剂性质对六硝基六氮杂异伍兹烷晶型的作用 总被引:5,自引:0,他引:5
研究稳定地得到e型六硝基六氮杂异伍兹烷( HNIW)的结晶工艺条件,并寻求多晶转变的理论解释。研究发现,非溶剂的物理性质,如偶极矩、分子极性,在结晶过程中对于HNIW的晶型起重要作用。常温下在无晶种时,当利用乙酸乙酯、丙酮作为溶剂,采用偶极矩值小的非溶剂,如环己烷、石油醚、甲苯、异辛烷等均可使HNIW以ε型晶型结晶出来,反之,采用偶极矩值大的非溶剂,如三甘醇则使HNIW以其它晶型结晶出来。在较高温度下,s型HNIW在极性与非极性溶剂中稳定存在时间明显不同。 相似文献
9.
该文提出了实时Client/Server数据库系统多版本两阶段封锁并发控制协议和有效的恢复机制。协议区分只读事务和更新事务。只读事务在执行读操作时遵从多版本时间排序协议,更新事务执行强两阶段封锁协议,即持有全部锁直到事务结束。只读事务读请求从不失败,不必等待等特性。在典型数据库系统中,读操作比写操作频繁。这个特性对于实践来说至关重要。为了提高只读事务的响应时间,协议让每个客户端与一个一致数据库影子相联,只读事务在客户端处理。更新事务提交到服务端运行。服务端每个事务Ti在提交时系统必须向所有客户端广播信息。客户端根据得到的广播信息自动构造一致数据库影子。一致数据库影子还将用于系统恢复。通过仿真模拟。与2V2PL和OCC-TI-WAIT-50协议进行比较,结果表明:该并发控制协议不仅能有效降低事务延误截止时间率和重起动率,而且能改善只读事务的响应时间,减少优先级高事务的锁等待时间。协议性能优于2V2PL协议和OCC-TI-WAIT-50协议。 相似文献
10.
推荐系统的目的是为了基于用户喜爱,为用户提供最高匹配度的潜在项目.但如果用户和项目提供者喜欢单一的热门项目,那么用户不能发现新颖性项目,会给用户和项目的提供商双方造成巨大损失.现有的新颖推荐工作主要集中在对由精度为基础的基础模型生成的前N个列表进行重新排序.结果,这些框架是两阶段的,并且结果基本上限于基础模型.另外,在训练基本模型时,通用的BRP损失函数以相同的方式对待所有对,始终抑制应该建议的有趣负项.针对BPR损失函数的局限性,在此提出了一种个性化的成对新颖性加权方法,该方法能够对1阶段的新推荐进行端到端的训练.该方法解决了损失函数中所有负项的一致抑制问题,并在损失函数中明确引入了用户个人偏好信息.充分利用了用户和项目的新颖性信息,并将其显式地集成到损失函数中,使模型能够区分感兴趣的未知项目和不喜欢的项目.有效地提高了具有边缘损失的新颖性.基础模型将在损失权重的指导下学习用户偏好,并在1阶段生成新的建议列表.综合实验表明,该方法在几乎不降低准确性的情况下有效地提高了新颖性. 相似文献