《汽车产业发展政策》要点

据报道草拟中的《汽车产业发展政策》，揭示了今后中国汽车工业发展的政策。其要点是，2010年实现国产汽车销量中一半以上来自同时拥有产品专利的国内公司生产，国产汽车配件出口量达到总销量的40％以上。创立能跻身世界500强之列的汽车产业集团；建立战略同盟。提高准入门槛要求新来中国投资的外国汽车和发动机制造商直接投资额不得低于1．8亿美元，     

拼博 创新 超越--记保定建强制动软管有限公司

如今,在竞争日益激烈的制动软管市场上,建强公司正悄然兴起,受到越来越多业内人士的注意。他们生产的制动软管系列产品,从最初的"建强"牌到更新换代后的"超强"牌皆以优异的品质赢得了广泛的赞赏,并已开始为一些名牌企业配套,如大长江集团、钱江集团、济南轻骑铃木公司等。建强公司组建于1996年,专业生产制动软管及制动软管总成,注册商标"建强"牌,同年10月又研制成功了摩托车制动软管。1998年2月该公司通过     

超早强修补水泥混凝土早强机理研究

通过室内试验测试并分析了修补混凝土强度增长、收缩特性、新旧混凝土粘结强度等技术性能,并采用热重分析探讨了混凝土早强机理。结果表明,超早强系列修补混凝土能够满足6h通车要求,并且具有早期强度高、后期强度增长稳定无衰减、干缩及温缩性好、新旧断面粘结强度高等优点;差热分析表明,修补剂的加入减少了氢氧化钙晶体数量,提高了修补混凝土的早期强度。最终试验路的4年成功应用验证了室内研究成果。     

舰船机舱监控网络高维感知数据弱关联挖掘研究

舰船机舱监控网络高维感知数据主要包含正常状态数据与异常状态数据,其中异常状态数据规模较大,增加舰船机舱监控网络高维感知数据弱关联挖掘的难度,导致数据弱关联挖掘效率较低,为此设计一种舰船机舱监控网络高维感知数据弱关联挖掘方法。采集舰船机舱监控网络高维感知数据,计算采集到的数据点与数据点之间的紧密联系度,确定异常数据最合适的异常处理时间,在此基础上,对正常感知数据与异常感知数据特征相关性参数进行统计特征分析,对数据弱关联模糊值评估,完成舰船机舱监控网络高维感知数据弱关联挖掘。实验证明,在正常感知数据与异常感知数据弱关联挖掘上,此次设计的方法都比传统2种方法的挖掘效率高。     

弘扬优秀传统文化 创建文本和谐公交

<正>邹城市国运公交公司多年来坚持传承弘扬优秀传统文化,将文化、理念、思想同管理、模式、方法及创新接轨,运用独特企业文化和管理理念,把中国传统文化引入企业文化建设中,内强素质,外树形象,努力打造邹城公交品牌服务,促进了邹城公交事业的快速发展。     

两船并靠状态下的运动响应数值模拟研究

针对两船并靠工况复杂,各种运动相互间存在耦合的情况,基于三维势流理论和波浪的辐射/衍射理论,应用多体水动力学软件,建立了船体、护舷和缆绳的模型,开展了两船在风、浪、流作用下的运动响应数值模拟。模拟结果可作为并靠方案设计和优化的参考依据,也可为两船并靠状态下的护舷力学性能计算提供支撑。     

打造独具特色的海事文化

海事文化建设是一项综合性、全方位的系统工程,其内容包括观念文化、和谐文化、形象文化、安全文化、素质文化等方面。因此,建设具有海事特色的文化,必须要以文化引导为手段,以形象塑造为突破口,坚持以人为本,注重机制创新与有效管理相结合,内强素质,外塑形象,层次推进,逐步升华。只有这样,海事文化建设才能沿着健康的轨道发展,发挥其综合效应。提炼海事精神,加强海事观念文化建设海事价值观是海事文化的核心,是海事人共同行为的准则和行为规范,直接影响海事的根本信念和发展方向。要     

泰国洪水再现全球供应链的脆弱性

泰国50年来最严重的洪灾导致曼谷周边地区一些巨型工业同区被迫关闭，造成包括汽车、硬盘、手机、相机等产品的供应链中断，再次显示出全球供应链的脆弱性。东方海外认为，2011年10～11月泰国的m口量下降了5％，进口量下降了12％，     

基于多模式弱分类器的AdaBoost-Bagging车辆检测算法

针对现有车辆检测算法在实际复杂道路情况下对车辆有效检测率不高的问题,提出了融合多模式弱分类器,并以AdaBoost-Bagging集成为强分类器的车辆检测算法。结合判别式模型善于利用较多的特征形成较好决策边界和生成式模型善于利用较少的特征排除大量负样本的优点,以Haar特征训练判别式弱分类器,以HOG特征训练生成式弱分类器,以AdaBoost算法为桥梁,采用泛化能力强的Bagging学习器集成算法得到AdaBoost-Bagging强分类器,利用Caltech1999数据库和实际道路图像对检测算法进行了验证。验证结果表明:相比于单模式弱分类器,AdaBoostBagging强分类器在分类能力和处理时间上均具有优越性,表现为较高的检测率与较低的误检率,分别为95.7%、0.000 27%,每帧图像的检测时间较少,为25ms;与传统级联AdaBoost分类器相比,AdaBoost-Bagging强分类器虽然增加了12%的检测时间和30%的训练时间,但检测率提升了1.8%,误检率降低了0.000 06%;本文算法的检测性能显著优于基于Haar特征的AdaBoost分类器算法、基于HOG特征的SVM分类器算法、基于HOG特征的DPM分类器算法,具有较佳的车辆检测效果。