简介：（参见GB/T7714-2005《文后参考文献著录规则》）参考文献按在正文中出现的先后次序列表于文后,表上以“参考文献”居中排作为标识;参考文献的序号左顶格,并用数字加方括号表示,如[1],[2],…,以与正文中的指示序号格式一致.每一参考文献条目的最后均以“.”结束.各类参考文献条目的编排格式及示例如下.

简介：（参见GB/T7714-2005《文后参考文献著录规则》）参考文献按在正文中出现的先后次序列表于文后,表上以＂参考文献＂居中排作为标识;参考文献的序号左顶格,并用数字加方括号表示,如[1],[2],…,以与正文中的指示序号格式一致.每一参考文献条目的最后均以＂.＂结束.各类参考文献条目的编排格式及示例如下.

简介：（参见GB/T7714-2005《文后参考文献著录规则》）参考文献按在正文中出现的先后次序列表于文后,表上以＂参考文献＂居中排作为标识;参考文献的序号左顶格,并用数字加方括号表示,如[1],[2],…,以与正文中的指示序号格式一致.每一参考文献条目的最后均以＂.＂结束.各类参考文献条目的编排格式及示例如下.

简介：参考文献按在正文中出现的先后次序列表于文后,表上以“参考文献”居中排作为标识;参考文献的序号左顶格,并用数字加方括号表示,如[1],[2],…,以与正文中的指示序号格式一致.每一参考文献条目的最后均以“.”结束.各类参考文献条目的编排格式及示例如下.

简介：参考文献按在正文中出现的先后次序列表于文后，表上以“参考文献”居中排作为标识；参考文献的序号左顶格，并用数字加方括号表示，如[1]，[2]，…，以与正文中的指示序号格式一致每一参考文献条目的最后均以“．”结束．各类参考文献条目的编排格式及示例如下．

简介：在考虑客户满意度和生产过程中不确定性因素前提下研究了混装线投产排序问题.以三角模糊数表示加工时间、六点模糊数表示完工时间,建立了基于交货期的客户满意度评价方法.并进一步以满意度为优化目标,结合模糊不确定因素,建立了混装线投产排序问题数学模型,并通过遗传算法进行求解.最后,通过数据实例分析了客户满意度与完工时间的相互影响,主要从三个角度对结果进行分析:(1)最小生产单元MPS(MinimumProductSet)内产品比例的均衡性对客户满意度和模糊完工时间的影响;(2)MPS内产品比例相同的条件下,模糊交货期区间权重比例对客户满意度的影响;(3)相同条件下,客户满意度和模糊完工时间分别作为优化目标时两者之间的差异.从而验证了该模型的有效性.

简介：对国内具有代表性的4家燃气表企业生产的超声波燃气表进行了高低温环境下的相对误差及重复性试验.分析了超声波燃气表的计量性能受流量和温度影响的变化特性,比较了国产超声波模组和进口超声波模组的性能差异.试验结果表明：流量和温度对超声波燃气表的计量性能均存在影响.超声波燃气表在大流量段的计量性能优于小流量段（低于3qmin）.当试验温度偏离参考温度20℃时,超声波燃气表的计量性能明显下降.试验结果还表明,在参考温度20℃下,进口超声波模组的性能优于国产超声波模组.本文所获得的试验结果可为我国超声波燃气表相关标准的制定提供参考,为国内超声波燃气表的研发和改进提供底层试验数据支持.

简介：针对工业生产线上零部件上下盖自动合装的问题,搭建了一套基于手眼（eye-in-hand）系统的机器视觉装配实验平台.首先对视觉系统进行手眼标定,确定相机内外参数和手眼关系;然后利用视频处理方式获取进入视场内零部件的前景图像,获得其图像数据,并对数字图像进行相应的处理,即通过背景差分法获取前景图像,并进行连通域标记和区域轮廓提取来获得数字图像的特征信息;最后根据其特征用矩形拟合计算其质心坐标以及与机器人x方向偏转角度,使六轴机器人在合装零部件时能自动进行纠偏和补偿.实验结果表明,移动零部件的装配成功率为100%,能满足工业现场产品装配精度需求.

简介：采用自动顶空结合气相色谱-质谱仪（GC-MS）对家装市场产品中有机挥发性化合物（VOC）进行定性分析,收集常用常见的挥发性有机化合物（VOC）种类,建立完善的被测物体系,再对家装涂料产品分类,采用气相色谱法检测,以内标标准曲线法定量。37种目标化合物的相关系数在0.999以上;方法检测低限为0.0004%;平均回收率在89.9%~106.2%之间;相对标准偏差小于3%。

简介：参考文献按在正文中出现的先后次序列表于文后，表上以“参考文献”居中排作为标识；参考文献的序号左顶格，并用数字加方括号表示，如[1]，[2]，…，以与正文中的指示序号格式一致。每一参考文献条目的最后均以“．”结束。各类参考文献条目的编排格式及示例如下。

简介：图G=（V,E）的平方图G2是由G得到的图,G2的点集是V,G2中两点相邻当且仅当这两点在图G中距离是1或2.研究平方图的电力控制集问题,给出几类电力控制数为1的平方图.

简介：针对短期家庭电力数据随机性强,数据维度低等问题,提出了一种基于长短期记忆循环神经网络（LSTM）的单变量短期家庭电力需求预测模型.实验表明,该模型能够准确反映以小时为单位的家庭电力需求趋势,且在不同家庭上的泛化性能优于传统的循环神经网络（RNN）和门控循环网络（GRU）.