摘要：文章以较翔实的资料介绍了我国党和国家领导人十分关心图书馆建设,多次视察各地图书馆,为诸多图书馆书写馆名,题词勉励,给予图书馆工作者及广大读者以亲切关怀与巨大鼓舞。

摘要：通过实地调研分析以北京城市副中心为代表的京津冀地区城中村污水处理现状及技术难点,发现目前城中村污水治理进度普遍滞后于城市建设发展速度。主要问题有污水收集处理设施欠缺、污染源复杂且治理难度大。其中,面源及溢流污染已逐渐成为城中村水环境治理的主要难题。针对京津冀地区城中村污水处理现状及难点,提出了一种基于独立排水单元的雨季入河污染消减技术,并于通州区北寺庄村进行了相关示范工程应用,为城中村小微水体治理、面源及溢流污染控制提供参考。

摘要：本文根据工程设计实践结合《自动喷水灭火系统设计规范》(GB50084-2001)对系统中的几个问题,如消防水箱及增压、水泵接合器及末端试水装置等,提出个人观点和看法。

摘要：文章从复合图书馆文献载体形式的多样性、易复制性、易传播性,以及文献的借阅流通和二次开发利用、馆际资源共建共享等方面阐述了复合图书馆所面临的诸多著作权问题,并指出了在现有的法律规范内图书馆工作者在工作中应注意的问题。

摘要：为了解决高盐榨菜废水的处理问题,对厌氧膜生物反应器(anaerobic membrane reactor,AnMBR)处理高盐榨菜废水的3个运行阶段(盐度提升阶段、负荷提升阶段和排泥运行阶段)的消化性能和膜污染特性进行了研究。结果表明,当盐度由初始的12.9 g·L^−1逐渐升高到33.5 g·L^−1左右、且负荷维持在0.5~1.0 kg·(m3·d)−1(以COD计)时,COD去除率及沼气产率随盐度的提升先下降后升高,最后分别稳定在75%和300 mL·g^−1(以COD计)以上,低负荷耐盐性驯化方式能够实现AnMBR的快速启动;当负荷逐渐增加约至7.6 kg·(m3·d)−1时,COD去除率达到80%左右,沼气产率稳定在330~380 mL·g^−1,VFA/ALK始终低于0.15,这表明AnMBR对高盐榨菜废水具有良好的处理效果和较强的运行稳定性;在排泥运行阶段,AnMBR的COD去除率和沼气产率均有明显上升,分别达到83%和400 mL·g^−1左右,这表明排泥可以提高消化性能。此外,排泥有利于减缓膜污染。SEM-EDX表征结果表明,膜面污染物中存在大量的有机物和无机盐类晶体物质,工程应用中建议采用NaClO清洗+酸清洗的组合清洗方式。以上研究结果可以为高盐榨菜废水处理工业化应用提供参考。

摘要：工程设计人员在执行有关设计防火规范过程中,由于一些条款的不严密和某些概念的不确切,往往在执行时会出现无所适从的情况。结合工程实践体会,对相关条文内容提出修改建议。

摘要：为使减少粮食储藏环节的损耗,调查储藏环节中粮食作物的损失情况并进行评估预测。通过分析问卷,统计描述影响损失率的各个因素,应用随机漂移粒子群优化算法(random drift particle swarm optimization,RDPSO)和径向基函数(radial basis function,RBF)网络对储藏环节损耗进行评估预测,将调查问卷获得的数据作为RBF模型数据集,应用RDPSO算法进行模型的参数训练,从而获得粮食损耗的智能评估模型。采用稻谷数据作为各模型的数据集,通过仿真试验,对比数据拟合情况和均方误差,其RDPSO-RBF模型学习性能和泛化性能更强。因此,RDPSO-RBF能更好地应用于实际的粮食管理中。

摘要：对产后粮食损耗进行分析与研究,调查获得10多个省份的粮食损耗问卷,对问卷进行统计分析得到影响损耗的各个因素变量,同时进行数据预处理作为模型数据集。最后,将该数据集应用于提出的RDPSO-BP模型中。将随机粒子群(RDPSO)算法与BP神经网络相结合,并优化神经网络参数,从而得到粮食产后储藏环节损耗率预测模型。通过MATLAB仿真实验,发现优化后的RDPSO-BP模型相比传统BP神经网络,具有更高的预测精度,训练与测试误差分别降低了0.041%和0.055%。因此,该模型能够更好地预测粮食产后储藏环节的损失率,在实际粮食损耗分析中具有重要作用。

摘要：粮食产后储藏损耗是困扰粮食储藏企业的一大难题,也是影响企业经济效益的重要因素,因此对粮食储藏环节中损耗的评估,对于粮食产后减损具有重要的意义。本文通过调查问卷,对粮食储藏中影响损耗的因素进行调查,将获得的数据通过支持向量机(Support Vector Machine,SVM)模型进行建模,对储藏环节中的粮食损耗进行智能评估。同时,为了提高模型的精度,采用随机漂移粒子群优化(Random Drift Particle Swarm Optimization,RDPSO)算法对SVM的参数进行训练,充分利用RDPSO算法的全局搜索能力找到模型参数的最优解。实验结果表明运用RDPSO算法优化的SVM模型,能够得到比基本的SVM模型和线性回归模型更准确的粮食损耗预测。

摘要：当前机器学习的技术已经运用到很多工程项目中,但大部分机器学习的算法只有在样本数量充足且运用在单一场景中的时候,才能获得良好的结果。其中,经典的支持向量回归机是一种具有良好泛化能力的回归算法。但若当前场景的样本数量较少时,则得到的回归模型泛化能力较差。针对此问题,以加权ε支持向量回归机为基础,提出了一种小样本数据的迁移学习支持向量回归机算法。该算法以加权ε支持向量回归机为Bagging算法的基学习器,使用与目标任务相关联的源域数据,通过自助采样生成多个子回归模型,采用简单平均法合成一个总回归模型。在UCI数据集和现实数据集——玉米棒与花生粒储藏环节损失数据集上的实验结果表明,该算法较标准ε-SVR算法与改进的RMTL算法在小数据样本上有更好的泛化能力。