供水工程选型及运行策略研究

供水工程是利用提水装备和相应的建筑设施增加水的能量,使其满足人们的生产和生活要求。该工程主要应用在农业灌溉、生活给排水和跨区域调水等领域,其耗能占我国总电能总量的20%-30%。由于水泵的选型不合理,导致其运行效率仅为30%甚至更低,远低于国家标准54.4%的要求,主要原因是供水系统的设备选型不科学和运行不科学。与此同时,供水系统面临最大的问题就是压力管路的水锤问题,一旦出现安全事故,会给人们的生产和生活带来了严重的损失。所以,优化供水工程中水泵的选型和规划系统的运行策略会明显提高系统的运转效率和可靠性,对解决我国水资源的紧张问题和节约能源有十分重要的现实意义。     

基于灰色马尔科夫的外汇预测模型

随着经济的发展和居民收入水平的提高,兑换外汇逐渐成为人们的日常需求。但国家对外汇有着严格的管理并限制了个人的兑换额度,所以当个人外汇支出超过规定额度时,就认为涉嫌分拆外汇。为了更好掌握未来涉嫌的外汇分拆量,则需要较为准确的预测。本文利用灰色预测模型对历史数据进行建模,结合马尔科夫预测模型,得到组合预测模型的预测值。本文的研究与应用表明灰色马尔科夫组合预测模型比单一预测模型精度更高,可以对未来数据进行更加准确的预测。     

类别信息生成式对抗网络的单图超分辨重建

目的 基于生成式对抗网络的超分辨模型（SRGAN）以感知损失函数作为优化目标,有效解决了传统基于均方误差（MSE）的损失函数导致重建图像模糊的问题。但是SRGAN的感知损失函数中并未添加明确指示模型生成对应特征的标志性信息,使得其无法精准地将数据的具体维度与语义特征对应起来,受此局限性影响,模型对于生成图像的特征信息表示不足,导致重建结果特征不明显,给后续识别处理过程带来困难。针对上述问题,在SRGAN方法的基础上,提出一种类别信息生成式对抗网络的超分辨模型（class-info SRGAN）。方法 对SRGAN模型增设类别分类器,并将类别损失项添加至生成网络损失中,再利用反向传播训练更新网络参数权重,以达到为模型提供特征类别信息的目的,最终生成具有可识别特征的重建图像。创新及优势在于将特征类别信息引入损失函数,改进了超分辨模型的优化目标,使得重建结果的特征表示更加突出。结果 经CelebA数据集测试表明：添加性别分类器的class-info SRGAN的生成图像性别特征识别率整体偏高（58%97%）;添加眼镜分类器的class-info SRGAN的生成图像眼镜框架更加清晰。此外,模型在Fashion-mnist与Cifar-10数据集上的结果同样表明其相较于SRGAN的重建质量更佳。结论 实验结果验证了本方法在超分辨重建任务中的优势和有效性,同时结果显示：虽然class-info SRGAN更适用于具有简单、具体属性特征的图像,但总体而言仍是一种效果显著的超分辨模型。     

高职计算机网络教学与信息技术的有效整合分析

随着我国现代化发展,现代信息技术在人类的生活中以及学习中都具有较大的影响,在高职教学中计算机网络教学与信息技术的有效整合能够提高学生的学习水平,确保学生学习的有效性.因此,高职教师应在今后的教学中应将信息技术与计算机网络教学相结合,以达到最佳的教学效果.     

氧化聚乙烯的合成工艺

介绍以低分子量聚乙烯次品为原料,在催化剂作用下直接氧化合成氧化聚乙烯的方法。研究了催化剂类型和用量、空气量、反应温度等因素对反应的影响。由实验结果表明,一种过渡元素的羧酸盐TA是较理想的催化剂,用量为聚乙烯重量的0.8%;增加空气的通入量能明显提高聚乙烯催化氧化反应的速度;反应温度以控制在130～140℃为宜。文中并对催化氧化反应的机理作了初步探讨。     

生产保险粉的甲酸钠溶液快速分析

季戊四醇副产的甲酸钠被用作保险粉生产原料时，由于其中易被氧化的有机杂质较多，造成氧化法分析不准确，难于满足工艺控制的分析要求。笔者改用硫酸酸化直接滴定法，分析不同来源的甲酸钠水溶液中的甲酸钠含量，其分析结果的绝对误差＜３％，每个样品的分析时间约５ｍｉｎ（氧化法需要３０ｍｉｎ），其分析结果不会因甲酸钠的来源不同而异。     

灰色模型群应用于注水管道腐蚀速率的预测

针对油田注水管道中腐蚀速率受到多种因素的影响,提出了基于关联分析的多因素灰色模型群预测方法.通过实例应用表明,基于关联分析的多因素灰色模型群预测方法预测得到的腐蚀速率和实测值能较好吻合,预测精度较高,且计算所需数据少,计算量小,适用于油田注水管道、油气输送管道等复杂腐蚀体系的腐蚀速率预测.     

基于遗传算法的陶瓷配方优化设计

为优化陶瓷配方,以绝对误差为目标函数建立了陶瓷配方优化模型,并采用标准遗传算法进行了配方设计.针对标准遗传算法中出现的早熟、运行效率低等问题,从种群设定、编码方式、操作算子等方面对算法进行了改进.经100次的配方实验表明,改进遗传算法配方精度的绝对误差仅约为0.1,显著优于标准遗传算法.