三自由度并联机床驱动分支动力学分析

动力学分析对于并联机床的设计有着重要的意义,本文应用有限元软件ANSYS,针对一种三自由度并联机床,建立了并联机床驱动分支的有限元模型,并对其进行了模态分析,分别获得了相应的5阶固有频率及其对应的振型图,其结果可以作为并联机床整机模态分析的重要参考。     

数控机床校准周期的合理确定

从具体实际出发，充分分析影响机床最终加工精度的诸多因素，应用田口方法科学合理地确定数控机床的最佳校准周期，保障机床加工过程的质量控制。     

航空电子核心处理机实现技术研究

航空电子核心处理机已经成为新一代航电的核心，采用了综合化的设计思想，其设计的复杂性远远超过了联合式核心处理机。提出了一种综合化航空电子核心处理机的硬件实现技术，提出了一种微内核体系结构来实现强分区实时系统，并且支持微内核上操作系统的灵活移植。     

密珠轴系在关节臂测量仪中的应用

在阐述密珠轴系的工作原理的基础上,重点论述了密珠轴系在关节臂测量仪结构设计中的应用;并对密珠轴系进行了结构分析和计算,最后对关节臂测量仪进行实际测试,证明此密珠轴系满足设计要求.     

英语写作元认知能力培养

为了解决英语写作教学费时低效的问题,根据元认知理论框架对54名高职高专商务英语专业二年级的学生进行了行动研究。研究方法包括收集相关材料、制订并实施改进写作教学的行动计划、评估计划实施的效果。结果是绝大部分学生对本学期的写作教学和在写作方面取得的成绩表示满意。最后对研究过程和结果作分析,针对不足之处提出了改进办法,并提出了有待研究的新问题。     

基于组合优化相关向量机的航空发动机性能参数概率预测方法

针对航空发动机性能参数预测过程中存在的不确定因素,提出一种基于组合优化相关向量机(CORVM)的概率预测方法.首先,通过正交小波变换将性能参数序列分解为具有不同特征尺度的随机分量和趋势分量,并分别建立各分量的相关向量机(RVM)回归预测模型.然后,以留一交叉验证误差最小作为优化目标,采用量子粒子群优化(QPSO)算法实现RVM核参数和嵌入维数的自适应优化选择.最后,组合各RVM回归预测模型得到最终预测均值及方差,进而得到预测值的概率分布.通过航空发动机排气温度变化量和滑油金属含量预测实例验证了方法的有效性,实验结果表明:该方法能够有效避免传统点预测方法可能导致的不可靠结果,并具有比单一模型更高的预测精度.     

基于上下位机体系结构的飞机组合传动发电机负载管理技术研究

根据组合传动发电机试验的负载特点,总结了组合传动发电机试验负载管理的一般要求,并进行了负载系统设计、负载管理策略研究,最后通过用Labview和西门子S7-200小型PLC组成的上下位机体系结构实现了负载自动化管理并在某组合传动发电机通用试验台上成功应用.     

组织学习力视角下的学习型党组织建设

建设学习型党组织,是党所处外部世界环境的要求,是党领导的经济社会现状的要求,是党自身建设的当代节点的要求。因此,必须综合学习型组织经典定义和党组织的特殊属性,树立学习型党组织的科学涵义;必须不断加强对学习活动的指导,建立健全各项学习制度,不断创新有效的学习方式,最终提升党组织的本质竞争力。     

非英语专业本科生学习风格探究及启示

研究学习风格和英语学习成绩之间存在的关系。利用PLSPQ对河南省洛阳市三所高校的479名非英语专业二年级学生进行调查问卷,以学生的四级成绩为依据,分析其学习风格总体状况及其偏好以及在学习风格上所呈现出的差异。结果表明,非英语专业本科生触觉型学习风格的倾向性最为明显,听觉型学习风格倾向最弱,就学习风格而言,英语学习成绩优异者与成绩较差者存在较为明显的差异。结论是学习风格与学习成绩之间并没有显著的关系。     

A satellite schedulability prediction algorithm for EO SPS

With notably few exceptions, the existing satellite mission operations cannot provide the ability of schedulability prediction, including the latest satellite planning service (SPS) standard-Sensor Planning Service Interface Standard 2.0 Earth Observation Satellite Tasking Extension (EO SPS) approved by Open Geospatial Consortium (OGC). The requestor can do nothing but waiting for the results of time consuming batch scheduling. It is often too late to adjust the request when receiving scheduling failures. A supervised learning algorithm based on robust decision tree and bagging support vector machine (Bagging SVM) is proposed to solve the problem above. The Bagging SVM is applied to improve the accuracy of classification and robust decision tree is utilized to reduce the error mean and error variation. The simulations and analysis show that a prediction action can be accomplished in near real-time with high accuracy. This means the decision makers can maximize the probability of successful scheduling through changing request parameters or take action to accommodate the scheduling failures in time.