发布时间：
郑州华晶金刚石股份有限公司 首次公开发行股票并在创业板上市招股意向书 本次发行概况 发行股票类型 人民币普通股（A 股） 发行股数 3,800 万股，占发行后总股本25% 每股面值 元 每股发行价格 【】元 预计发行日期 2010 年3 月 17 日 拟上市的证券交易所 深圳证券交易所 发行后总股本 15,200 万股 本公司控股股东河南华晶超硬材料股份有限公司及实 际控制人郭留希、股东郑东亮及郭桂兰承诺：自本公司股票 上市之日起三十六个月内，不转让或者委托他人管理本次发 行前其直接或间接所持有的发行人股份，也不由发行人回购 该部分股份。 本公司其他股东承诺：自本公司股票上市之日起十二个本次发行前股东所持 月内，不转让或者委托他人管理本次发行前其所持有的发行有股份的流通限制、人股份，也不由发行人回购该部分股份。 股东对所持股份自愿 除此之外，直接或间接持有本公司股份的董事长郭留希 锁定的承诺 及董事郑东亮承诺自本公司股票上市之日起三十六个月后， 监事张召和副总经理杨晋中承诺自本公司股票上市之日起 十二个月后，在其任职期间每年转让其直接或间接持有的发 行人股份不超过该部分股份总数的25%，离职后六个月内不 转让其直接或间接持有的发行人股份；离职六个月后的十二 个月内转让其直接或间接持有的发行人股份不超过其该部 分股份总数的50%。 保荐人(主承销商） 招商证券股份有限公司 签署日期 2010 年2 月26 日 1-1-1-2 郑州华晶金刚石股份有限公司首次公开发行股票并在创业板上市申请文件 招股意向书 发行人声明 发行人及全体董事、监事、高级管理人员承诺招股意向书不存在虚假记载、误导性陈述或重大遗漏，并对其真实性、准确性、完整性承担个别和连带的法律责任。 公司负责人和主管会计工作的负责人、会计机构负责人保证招股意向书中财务会计资料真实、完整。 中国证监会、其他政府部门对本次发行所作的任何决定或意见，均不表明其对发行人股票的价值或投资者的收益作出实质性判断或者保证。任何与之相反的声明均属虚假不实陈述。 根据《证券法》的规定，股票依法发行后，发行人经营与收益的变化，由发行人自行负责，由此变化引致的投资风险，由投资者自行负责。 1-1-1-3 郑州华晶金刚石股份有限公司首次公开发行股票并在创业板上市申请文件 招股意向书 重大事项提示 一、本次发行前公司总股本 11,400 万股，本次拟发行 3,800 万股流通股，发行后总股本为 15,200 万股。本公司控股股东河南华晶超硬材料股份有限公司及实际控制人郭留希、股东郑东亮及郭桂兰承诺：自本公司股票上市之日起三十六个月内，不转让或者委托他人管理本次发行前其直接或间接所持有的发行人股份，也不由发行人回购该部分股份。 本公司其他股东承诺：自本公司股票上市之日起十二个月内，不转让或者委托他人管理本次发行前其所持有的发行人股份，也不由发行人回购该部分股份。 除此之外，直接或间接持有本公司股份的董事长郭留希及董事郑东亮承诺自本公司股票上市之日起三十六个月后，监事张召和副总经理杨晋中承诺自本公司股票上市之日起十二个月后，在其任职期间每年转让其直接或间接持有的发行人股份不超过该部分股份总数的 25%，离职后六个月内不转让其直接或间接持有的发行人股份；离职六个月后的十二个月内转让其直接或间接持有的发行人股份不超过其该部分股份总数的 50%。 承诺期限届满后，上述股份可上市流通和转让。 二、根据本公司2009 年第一次临时股东大会决议，若本公司首次公开发行股票并在创业板上市经中国证监会核准并得以实施，本公司在首次公开发行股票前滚存利润由首次公开发行并上市后的新老股东按持股比例共享。 三、基于当前经济形势和相关假设，本公司制定了未来三年的发展规划，但由于未来几年国际国内人造金刚石市场可能存在某些不确定因素，投资者不应排除公司根据经济形势变化和实际经营状况对本业务发展目标进行修正、调整和完善的可能性。 四、请投资者认真阅读本招股意向书“风险因素”一章的全部内容，并特别关注下列风险： （一）市场竞争加剧带来的人造金刚石产品单价下滑风险 公司系专业从事人造金刚石研发、生产和销售的企业，尽管公司目前在行业中拥有技术领先的核心竞争优势，但由于近年来人造金刚石产品的生产技术和工艺水平不断提升，人造金刚石产品的销售价格出现下滑现象，市场竞争日趋激烈。 1-1-1-4 郑州华晶金刚石股份有限公司首次公开发行股票并在创业板上市申请文件 招股意向书 2007 年行业平均价格为 元/克拉，2009 年下降至 元/克拉。公司产品平均销售价格略高于行业平均价格，但也呈现下降趋势，从 2007 年的 元/克拉下降至 2009 年的 元/克拉。因此，预计未来人造金刚石的销售价格仍有下降的空间或出现波动的可能性，这将对公司的盈利能力产生不利影响。 （二）全球性金融危机引致的产品市场需求短期增长乏力风险 作为全球人造金刚石第一生产大国，2009 年我国人造金刚石产量达到 54 亿克拉，产销量已占全球总量的70%以上。随着国内人造金刚石生产技术进步及产品品级的提高，以及对人造金刚石应用研究的不断深化，人造金刚石应用领域不断扩大。在国内投资快速增长、基建规模扩大等因素有力拉动下，人造金刚石行业面临良好的外部经营环境，需求不断增加，自2001 年至2009 年，我国人造金刚石总产量增长了 倍，年均复合增长率达到 。但是2008 年底美国金融危机突然袭来，并迅速蔓延至全球，使全球经济遭受重创。如果未来我国和世界经济持续放缓，宏观经营环境未出现有力改善，人造金刚石的市场需求将无法得到预期的增长，这将对公司产生一定的不利影响。 （三）产能迅速扩大带来的产品销售风险 公司 2009 年度人造金刚石产量为 亿克拉，而国内主要竞争对手河南黄河旋风股份有限公司和中南钻石股份有限公司产能均超过 15 亿克拉，公司在产销规模方面与上述企业存在一定差距。虽然近年来公司利用其技术领先优势迅速扩张，市场占有率逐年提高，但是仅仅依靠自身积累难以满足迅速占领市场份额的需要。因此，公司于2008 年9 月进行了增资扩股，引进三位投资者累计筹资9,120 万元，2008 年 12 月，公司新增银行长期借款7,000 万元。筹得资金为公司产能进一步扩张提供了保障，公司对现有设备陆续进行技术改造，2009 年度新增产能 亿克拉，产能扩大至 亿克拉。一旦本次募集资金到位，公司将突破资金瓶颈的限制，新增产能 亿克拉。产能大幅扩张必然会对公司市场拓展和营销能力提出新的挑战。一旦市场环境发生重大变化或市场拓展不理想，公司将面临较大的产品销售风险。 （四）持续创新能力下降风险
细粒度的视觉识别具有挑战性，因为它高度依赖于各种语义部分的建模和细粒度的特征学习。基于双线性池的模型已被证明在细粒度识别方面是有效的，而以前的大多数方法忽略了层间部分特征交互和细粒度特征学习是相互关联、相互促进的这一事实。在本文中，我们提出了一个新的模型来解决这些问题。首先，提出了一种跨层的双线性池化方法来捕获层间零件特征关系，与其他基于双线性池化的方法相比，具有更好的性能。其次，我们提出了一个新的层次双线性池架构，整合多个跨层的双线性特征，以增强其表示能力。我们的公式是直观的，有效的，并取得了最先进的结果，在广泛使用的细粒度识别数据集。
细粒度分类中利用局部特征的方法有较大局限性。 因此，使用图像级标签的分类方法。例如，Simon和Rodner[26]提出了一个星座模型，利用卷积神经网络(convolutional neural network, CNN)来寻找神经激活模式的星座。Zhang等人[36]提出了一种自动细粒度图像分类方法，该方法结合了深度卷积滤波器来进行与部件相关的选择和描述。这些模型将CNN作为局部检测器，在细粒度识别方面取得了很大的改进。 与基于部件的方法不同，我们将不同卷积层的激活视为对不同部件属性的响应，而不是显式地对目标部件进行定位，而是利用跨层双线性池来捕获部件属性的层间交互，这被证明对细粒度识别非常有用。
也有研究[3,6,17,12]引入双线性池化框架对对象局部进行建模。虽然已经报告了一些有希望的结果，但进一步的改进还存在以下局限性。 首先，现有的基于双线性池的模型大多只将最后一个卷积层的激活作为图像的表示，不足以描述对象的各个语义部分。其次，忽略了中间的卷积活动，导致细粒度分类的判别信息丢失，而这些信息对于细粒度的视觉识别具有重要意义。
众所周知，CNNs在传播过程中存在信息丢失。 为了最大限度地减少对细粒度识别有用的信息损失，我们提出了一种新的层次双线性池结构来集成多个跨层的双线性特征，以增强其表示能力。为了充分利用中间卷积层的激活，在最终分类之前将所有跨层双线性特征连接起来。 注意，不同卷积层的特征是互补的，它们有助于鉴别特征学习。因此，该网络从层间特征交互和细粒度特征学习的相互增强中获益。我们的贡献总结如下： 1.我们开发了一种简单但有效的跨层双线性池技术，该技术同时支持层间特性交互和以相互增强的方式学习细粒度表示。 2.提出了一种基于跨层双线性池的分层双线性池框架，将多个跨层双线性模块集成在一起，从中间卷积层获取互补信息，从而提高性能。 3.我们对三个具有挑战性的数据集(幼鸟、斯坦福汽车、fgvc飞机)进行了综合实验，结果证明了我们方法的优越性
本文的其余部分组织如下。第二部分是对相关工作的回顾。第3节介绍了提出的方法。第4节提供了实验和结果分析，第5节给出了结论。
在接下来的文章中，我们将从与我们工作相关的两个有趣的角度简要回顾一下之前的工作，包括CNNs中的细粒度特征学习和特征融合。
1.为了更好地对细粒度类别的细微差异进行建模，Lin等人[17]提出了一种双线性结构，通过两个独立的CNNs来聚合成对的特征，该结构采用特征向量的外积来产生一个非常高维的二次展开特征。 等人利用张量勾画出[23]来近似二阶统计量并降低特征维数。 等人对协方差矩阵采用低秩近似，进一步降低了计算复杂度。 等人通过迭代地将张量草图压缩应用到特征上来聚合高阶统计量。 5.[22]的工作以双线性卷积神经网络为基线模型，采用集成学习的方法进行加权。 6.在[16]中，提出了矩阵平方根归一化，并证明了它是对现有归一化的补充。
但是，这些方法只考虑了单个卷积层的特征，不足以捕捉对象的各种判别部分，也不足以模拟子类别间的细微差别。我们提出的方法通过将层间特征交互和细粒度特征学习以一种相互增强的方式结合起来，克服了这一局限性，因而更加有效。
【3，7，19，33】研究CNN中不同卷积层的特征图有效性。 作者将每个卷积层作为不用对象部分的属性提取器，并以直观有效的方式对他们直降的交互进行建模。
在本节中，我们建立了一个层次双线性模型来克服上述限制。在提出我们的层次双线性模型之前，我们首先在节中介绍了用于细粒度图像识别的分解双线性池的一般公式。在此基础上，我们在节中提出了一种跨层的双线性池技术，联合学习不同卷积层的激活，捕获信息的跨层交互，从而获得更好的表示能力。最后，我们的层次双线性模型结合多个跨层双线性模块生成更精细的部分描述，以便更好地细粒度识别。
分解双线性池已被应用于视觉问题回答任务，Kim等人[11]提出了使用哈达玛乘积分解双线性池的多模态学习的有效注意机制。本文介绍了用于细粒度图像识别的分解双线性池技术的基本公式。假设一个图像I被CNN过滤了卷积层的输出特征图为X Rh w c，高h，宽w，通道c，我们将X上空间位置的c维描述符表示为X = [x1, x2，···，xc]T。
其中，Wi 为投影矩阵，Zi为双线性模型的输出。我们需要学习W = [W1,W2，···，Wo] ，得到一个o维输出z，根据[24]中的矩阵分解，Eq.(1)中的投影矩阵Wi可以分解成两个单秩向量
where Ui ∈ Rc and Vi ∈ Rc. Thus the output feature z ∈ Ro is given by
其中U Rc d和V Rc d是投影矩阵，P Rd o是类化矩阵，o是哈达玛积，d是决定节理嵌入维数的超参数。
细粒度的子类别往往具有相似的外观，只能通过局部属性的细微差异来区分，例如鸟类的颜色、形状或喙长。双线性池是一种重要的细粒度识别技术。然而，大多数双线性模型只关注于从单个卷积层学习特征，而完全忽略了信息的跨层交互作用。 单个卷积层的激活是不完全的，因为每个对象部分都有多个属性，这些属性对于区分子类别至关重要 。 实际上在大多数情况下，我们需要同时考虑零件特征的多因素来确定给定图像的类别。因此， 为了捕获更细粒度的部分特征，我们开发了一个跨层的双线性池方法，该方法将CNN中的每个卷积层视为部分属性提取器。 然后将不同卷积层的特征通过元素乘的方式进行集成，建立部分属性的层间交互模型。根据公式(3)可以改写为：
节提出的跨层双线性池是直观有效的，在不增加训练参数的情况下，其表示能力优于传统的双线性池模型。这启发我们，利用不同卷积层之间的层间特征相互作用，有利于捕获细粒度亚层之间的鉴别部分属性。因此，我们扩展了跨层的双线性池来集成更多的中间卷积层，进一步增强了特征的表示速度。在这一节， 我们提出一个广义的分层双线性模型，通过层叠多个跨层的双线性池模块来合并更多的卷积层特性。 具体地，我们将跨层的双线性池模块划分为交互阶段和分类阶段，公式如下：
其中P为分类矩阵，U, V, S，…为卷积层特征向量x, y, z的投影矩阵，…分别。HBP框架的总体流程图如图1所示。
在本节中，我们将评估HBP模型在细粒度记录方面的性能。第节首先介绍了HBP的数据集和实现细节。在第节中进行了模型配置研究，以调查每个组件的有效性。与最新方法的比较载于第节。最后，在节中，定性可视化被用来直观地解释我们的模型。
数据集：cub200-2011【30】，StandFordcars【15】，FGVC-Aircraft【21】
实验：使用ImageNet分类数据集预训练的VGG-16基线模型评估HBP，删除最后三个全连接层，也可以应用到Inception和ResNet中，输入图像大小448。我们的数据扩充遵循常用的做法，即训练时采用随机抽样(从512 S中裁剪448 448，其中S为最大的图像边)和水平翻转，推理时只进行中心裁剪。我们先通过logistic回归对分类器进行训练，然后使用批量为16，动量为，权值衰减为5 10 4，学习率为10 3的随机梯度下降法对整个网络进行微调，并定期进行的退火。
跨层双线性池(CBP)有一个用户定义的投影维d。为了研究d的影响并验证所提框架的有效性，我们在cub200 -2011[30]数据集上进行了大量的实验，结果如图2所示。注意，我们利用FBP中的relu5 3、CBP中的relu5 2和relu5 3、HBP中的relu5 1、relu5 2和relu5 3得到了图2中的结果，我们还提供了以下图层选择的定量实验。在VGG-16[27]中，我们主要关注relu5 1、relu5 2和relu5 3，因为它们比较浅的层包含更多的部分语义信息。在图2中，我们将CBP的性能与一般分解的双线性池模型(即FBP)进行了比较。在此基础上，我们进一步探索了多层结合的HBP方法。最后，我们分析了超参数d的影响因素。从图2中我们可以得出以下重要结论： 首先，在相同的d下，我们的CBP明显优于FBP，这说明特征的层间相互作用可以增强识别能力。 其次，HBP进一步优于CBP，证明了中间卷积层激活对细粒度识别的有效性。这可以通过CNNs在传播过程中存在信息丢失来解释，因此在中间卷积层中可能丢失对细粒度识别至关重要的鉴别特征。与CBP相比，我们的HBP将更多的中间卷积层的特征相互作用考虑在内，因此具有更强的鲁棒性，因为HBP表现出了最好的性能。在接下来的实验中，HBP被用来与其他最先进的方法进行比较。 第三，当d从512到8192变化时，增加d可以提高所有模型的精度，HBP被d = 8192饱和。因此，d = 8192
然后，我们在cub200 -2011[30]数据集上提供定量实验来分析层的影响因素。表2的精度是在相同的嵌入维数下得到的(d = 8192)。我们考虑了CBP和HBP的不同层的组合。结果表明，该框架的性能增益主要来自层间交互和多层组合。由于HBP-3已经表现出了最好的性能，因此我们在节的所有实验中都使用了relu5 1、relu5 2和relu5 3。
我们也比较了我们的跨层集成与基于超列[3]的有限元融合。为了进行公平的比较，我们将超列重新实现为relu5 3和relu5 2的特征连接，然后在相同的实验设置下进行分解双线性池(记作HyperBP)。从表3可以看出，我们的CBP得到的结果略好于拥有近1/2 pa- rameter的HyperBP，这再次表明我们的集成框架在捕获层间特征关系方面更有效。这并不奇怪，因为我们的CBP在某种程度上与人类的感知是一致的。与HyperBP算法相反，当对更多的卷积层激活[3]进行积分时，得到的结果更差，我们的HBP算法能够捕获中间卷积层中的互补信息，在识别精度上有明显的提高。
结果cub- 200 - 2011。CUB数据集提供了边界框和鸟类部分的地面真相注释。我们使用的唯一监督信息是图像级类标签。cub200 -2011的分类精度如表4所示。表按行分为三部分:第一部分总结了基于注释的方法(使用对象包围框或部分注释);第二种是无监督的基于零件的方法;最后给出了基于池的方法的结果。
从表4的结果中，我们可以看到PN-CNN[2]使用了人类定义的边界框和地面真实部分的强大超视觉。SPDA- CNN[35]使用ground truth parts, B-CNN[17]使用具有非常高维特征表示(250K维)的边界框。与PN- CNN[2]、SPDA-CNN[35]和B-CNN[17]相比，即使不考虑bbox和部分干扰，所提出的HBP(relu5 3 + relu5 2 + relu5 1)也能取得较好的效果，证明了我们模型的有效性。与STN[9],使用更强的初始网络作为基准模型,得到一个相对ac -助理牧师的身份获得的家庭血压(relu5 3 + relu5 2 + relu5 1)。我们甚至超越RA-CNN[5]和MA-CNN[37],最近提议最先进的无监督部分原因的方法,相对精度,分别为和。与基于pool的B-CNN[17]、CBP[6]、LRBP[12]基线相比，我们主要受益的是较好的结果特征的层间交互和多层的集成。我们还超过了BoostCNN[22]，它可以增强在多个尺度上训练的多个双线性网络。虽然HIHCA[3]提出了类似于用于细粒度识别的特征交互模型的思想，但是由于层间特征交互和鉴别特征学习的相互增强框架，我们的模型可以达到更高的精度。注意，HBP(relu5 3+relu5 2+relu5 1)表现优于CBP(relu5 3+relu5 2)和FBP(relu5 3)，说明我们的模型能够捕捉到各层之间的互补信息。
斯坦福汽车的结果。Stanford Cars的分类精度如表5所示。不同的汽车零部件是有区别的、互补的，因此在这里，客体和零部件的国产化可能起着重要的作用。虽然我们的HBP没有显式的零件检测，但是在目前最先进的检测方法中，我们的检测结果是最好的。基于层间特征交互学习，我们甚至比PA-CNN[13]提高了的相对精度，这是使用人工定义的边界框。与无监督的基于零件的方法相比，我们可以观察到明显的改善。我们的HBP也优于基于池的方法BoostCNN[22]和KP[4]。
结果FGVC-Aircraft。由于细微的差异，不同的飞机模型很难被识别，例如，可以通过计算模型中的窗口数来区分它们。表6总结了fgvc飞机的分类精度。尽管如此，我们的模型仍然达到了最高水平所有方法中分类精度最高。与基于注释的MDTP[32]方法、基于部分学习的MA-CNN[37]方法和基于池的BoostCNN[22]方法相比，我们可以观察到稳定的改进，这突出了所提出的HBP模型的有效性和鲁棒性。
为了更好地理解我们的模型，我们在不同的数据集上可视化微调网络中不同层的模型响应。我们通过计算特征激活的平均幅度来得到激活图通道。在图3中，我们从三个不同的数据集中随机选取了一些图像，并将其可视化。 所有的可视化结果都表明，所提出的模型能够识别杂乱的背景，并倾向于在高度特定的场景中强烈地激活。项目1、项目2、项目3中突出的激活区域与幼仔头部、翅膀、胸部等语义部分密切相关;汽车前保险杠、车轮和车灯;飞机座舱、尾翼稳定装置和发动机。这些部分是区分类别的关键。更重要的是，我们的模型与人类感知高度一致，在感知场景或物体时解决细节问题。从图3可以看出，反褶积层(relu5 1, relu5 2, relu5 3)提供了目标对象的粗略定位。在此基础上，投影层(project5 1、project5 2、project5 3)进一步确定物体的本质部分，通过连续的交互和不同部分特征的整合来区分其类别。过程符合人类感知的而且性质[20]受完形格言:整个前部分,它还提供了一个直观的解释为什么我们的框架模型的分类不明确的部分检测和地方差异。
本文提出了一种分层的双线性池化方法，将层间交互和鉴别特征学习相结合，实现了多层特征的细粒度融合。提出的网络不需要边界框/部件注释，可以端到端的训练。在鸟类、汽车和飞机上的大量实验证明了我们的框架的有效性。未来，我们将在两个方向展开拓展研究。，如何有效地融合更多的层特性来获得多尺度的零件表示，以及如何合并有效的零件本地化方法来学习更好的细粒度表示。
初谈粒化高炉矿渣立式磨预粉磨技术应用建筑工程论文
摘 要：随着我国工业生产技术的不断发展，各种各样的工粒化高炉矿渣生产方式受到了人们的越来越多的关注。粒化高炉矿渣作为混凝土和水泥中的重要组成部分，在生产粒化高炉矿渣的过程中，往往要考虑混凝土和水泥的实际应用来选择生产工艺。众所周知，混凝土的组合情况关系着混凝土的黏性、稳定性等重要性质，因此，在生产粒化高炉矿渣的过程中，关于磨粉技术的选择与应用，需要综合多种技术的应用情况来进行选择。在本次的研究中，首先对粒化高炉矿渣的基本特点进行简单的分析，然后结合实际生产应用，探究立式磨磨预粉磨技术在粒化高炉矿渣生产中的应用。
关键词：粒化高炉矿渣；立式磨粉技术；应用
近年来，粒化高炉矿渣生产技术的研究已经受到了较多的关注。高炉的生产技术水平直接影响着整个企业的冶炼水平，而高炉的生产水平则直接受到技术手段实施情况的影响。在高炉生产水平受到影响后，生产的矿渣也情况随之而受到影响，需要重点内高炉生产中的技术手段进行分析，并积极做好高炉维修保护等基本工作。在维修保养的同时还要根据不同的高炉市场环境及经济要求，选择正确适宜的磨粉技术，真正意义上实现立式磨粉生产粒化高炉矿渣的高效率、高质量。
1 粒化高炉矿渣
随着社会经济的不断进步，粒化高炉矿渣的应用也越来越广泛，粒化高炉矿渣已经逐渐成为水泥、混凝土中的重要成分之一。粒化高炉矿渣是在高炉冶炼生铁时，所得以硅酸盐与硅铝酸盐为主要成分的熔融物，然后经过淬冷成粒后生成的。粒化高炉矿渣在应用中具有较多的优势，粒化高炉矿渣活性指数高，比表面积在400左右或以上，低热，低碱，在混凝土施工中作为矿物掺合料，可等量代换水泥，降低成本，提高质量，更重要的是解决了一些重大工程施工中高热，高碱，裂缝等技术难题。
粒化高炉矿渣作为水泥、混凝土中的重要组成材料，一直在建筑施工中发护着重要作用。粒化高炉矿渣的生产也成为了人们重点关注的内容之一，有学者认为，在生产粒化高炉矿渣的过程中，对于粉体材料，在实际配制混凝土时，会考虑到由于粉体表面积的增加可能导致胶凝材料的需水量增加，继而对混凝土工作性产生影响。同时，粒化高炉矿渣的产也开始涉及到许多细节问题，比如限制玻璃体的含量。这是为了限制矿渣粉在加工过程中掺入其他工业废渣或大量掺加无机盐，对水泥和混凝土性能产生危害。
2 立式磨预粉磨技术
立式磨预粉磨技术主要通过立式磨粉机来实现，立式磨粉机中，主要结构由分离器、磨辊装置、磨盘装置、加压装置、减速机、电动机、壳体等部分组成，其中，分离器是决定磨粉产品粗细度的重要部件，它由可调速的传动装置、转子、导向风叶、壳体、粗粉落料锥斗、出风口等组成，是一种高效、节能、快捷的选粉装置。磨辊是对物料进行碾压粉磨的主要部件。它被装在磨机的弯臂上，在外力的作用下，紧压在磨盘的物料上，在磨盘的带动下，磨辊随之转动，从而使物料被碾压而粉碎。
而从目前的立式磨粉技术应用情况来看，虽然立式磨辊压机虽然产能高电耗低，但是其微粉磨技术还不成熟，很难达到水泥的粉磨细度要求。这是因为水泥比表面积一般也要达到350左右，细的有的要达到380左右，因为细度低的话水泥强度得不到发挥，需要增加熟料配比，配料成本会上升，球磨机可以达到产品要求，而且相对稳定，但是立式磨和辊压机虽然产能高电耗低，其微粉磨技术还不成熟，很难达到水泥的粉磨细度要求，所以暂时国内还基本没有真正用辊压机和立磨做终粉磨的，国外虽然有，但是技术也不算成熟。关于立式磨粉技术在粒化高炉矿渣生产中的应用还需要不断加以完善。
3 立式磨预粉磨技术在粒化高炉矿渣生产中的应用
立式磨预粉磨技术在粒化高炉矿渣生产中的应用，是当今高炉冶炼工业中备受重视的一点，高炉冶炼过程中的对技术手段的选择直接影响着最终的产量和经济效益，也是实现能源的可持续化发展的重要一点。立式磨粉技术在粒化高炉矿渣生产中的`应用不仅仅是技术上的问题，更多的是在技术手段是体现出更多的节能环保意识。
立式磨预粉磨技术生产粒化高炉矿渣的运作原理
通常情况下，在立式墨粉机启动后，在立式磨粉机正常工作时，电动机通过减速机带动磨盘转动，物料经锁风喂料器从进料口落在磨盘中央，同时热风从进风口进入磨内。随着磨盘的转动，物料在离心力的作用下，向磨盘边缘移动，经过磨盘上的环形槽时受到磨辊的碾压而粉碎，粉碎后的物料在磨盘边缘被风环高速气流带起，大颗粒直接落到磨盘上重新粉磨，气流中的物料经过上部分离器时，在旋转转子的作用下，粗粉从锥斗落到磨盘重新粉磨，合格细粉随气流一起出磨，通过收尘装置收集，即为产品，含有水分的物料在与热气流的接触过程中被烘干，通过调节热风温度，能满足不同湿度物料要求，达到所要求的产品水分。此外，还能够通过调整分离器这一方法，来实现不同粗细度粒化高炉矿渣的生产。
立式磨预粉磨技术生产粒化高炉矿渣的主要特点
立式磨粉技术生产粒化高炉矿渣的主要特点有：（1）投资费用低。要实现立式磨粉技术，其中涉及到的破碎、干燥、粉磨、分级输送等工作，可以直接通过一台立式磨粉机来完成，所需的投资得到了较好的控制；（2）磨粉效率高：采用磨辊在磨盘上直接碾压磨碎物料，能耗低，整体的工作效率较高，甚至比同类型的生产技术（比如球磨生产技术）要节能30%～40%；（3）产品质量稳定：在生产粒化高炉矿渣的过程中，由于物料在磨内停留时间短，易于检测和控制产品粒度及化学成分，减少重复碾磨，并且大多数的立式磨粉机装备有防止辊套和磨盘衬板直接接触的装置，避免了破坏性冲击和剧烈震动，进一步稳定产品质量。
参考文献
[1] 杜鑫，聂文海，邢建海等.TRM型立式辊磨粉磨高比表面积矿渣粉的生产实践[J].中国水泥，2014，19（08）：79-80.
[2] ，Pfeiffer AG.用MPS 5600 BC型立磨生产超细高炉矿渣粉的运行结果[A].2009国内外水泥粉磨新技术交流大会论文集[C].2009：241-244.
[3] ，（a）nder-Woywadt，等.第一台3+3系统莱歇磨粉磨水泥熟料和高炉矿渣的操作经验[J].中国水泥，2009，18（12）：61-64.
[4] 李培彦，陈贯卓.基准水泥对高炉矿渣粉活性指数影响的研究[J].山东科学，2012，20（05）：61-63.
[5] 赵旭光，蔡小梦，赵三银等.高炉矿渣粉粒度分布与粉体特性关系的研究[J].韶关学院学报（自然科学版），2013，28（09）：72-76.
[6] 赵鹏飞，徐晨星，赵伟等.矿渣立磨耐磨材料的选择及运用效果分析[A].第六届中国水泥工业耐磨技术研讨会论文集[C].2013：203-212.
1 引 言 磁性纳米粒子是近年来发展起来的一种新型材料，因其具有独特的磁学特性，如超顺磁性和高矫顽力，在生物分离和检测领域展现了广阔的应用前景[1]。同时，因磁性氧化铁纳米粒子具有小尺寸效应、良好的磁导向性、生物相容性、生物降解性和活性功能基团等特点[2～4]， 在核磁共振成像、靶向药物、酶的固定、免疫测定等生物医学领域表现出潜在的应用前景[5～7]。但由于其较高的比表面积，强烈的聚集倾向，所以通常对其表面进行修饰，降低粒子的表面，能得到分散性好、多功能的磁性纳米粒子。对磁性纳米粒子的表面进行特定修饰，如果在修饰后的粒子上引入靶向剂、药物分子、抗体、荧光素等多种生物分子，可以改善其分散稳定性和生物相容性， 以实现特定的生物医学应用。此外，适当的表面修饰或表面功能化还可以调节磁性纳米粒子表面的反应活性[8]，从而使其应用在细胞分离、蛋白质纯化、核酸分离和生物检测等领域。本文介绍了磁性氧化铁纳米粒子的制备方法， 比较了各种制备方法的优缺点，并对其在生物分离及检测中应用的最新进展进行了评述。2 磁性氧化铁纳米粒子的合成方法 磁性纳米粒子的制备是其应用的基础。目前已发展了多种合成和制备方法，如共沉淀法、水热合成法、溶胶凝胶法和微乳液法等，上述方法均可制备高分散、粒度分布均匀的纳米粒子，并能方便地对其表面进行化学修饰，这些方法的优点和缺点见表1。 在这些合成方法当中，共沉淀法是水相合成氧化铁纳米粒子最常用的方法。该方法制备的磁性纳米颗粒具有粒径小，分散均匀，高度生物相容性等优点，但制得的颗粒存在形状不规则，结晶差等缺点。通过在反应体系中加入柠檬酸，可得到形状规则、分散性好的纳米粒子。利用这种方法合成的磁性纳米材料被广泛应用在生物化学及生物医学等领域[9]。微乳液法制备纳米粒子，产物均匀、单分散，可长期保持稳定，通过控制胶束、结构、极性等，可望从分子规模来控制粒子的大小、结构、特异性等。微乳液合成的磁性纳米粒子仅溶于有机溶剂，其应用受到限制。通常需要在磁性纳米粒子的表面修饰上亲水分子，使其溶于水，从而能应用于生物、医学等领域。 热分解法是有机相合成氧化铁纳米粒子最多也是最稳定的方法。利用热分解法制备的纳米Fe3O4颗粒产物具有好的单分散性，且呈疏水性，可以长期稳定地分散于非极性有机溶剂中。该方法合成的氧化铁纳米粒子虽然具有粒径均一的特点，但必须在其表面偶联亲水性及生物相容性好的生物分子或制备成核壳结构，才可用于生物医学领域。表1 磁性氧化铁纳米粒子的制备方法（略）此外，绿色化学和生物方法合成氧化铁纳米粒子也备受关注[28,29]。磁性氧化铁纳米粒子除具有的表面效应、小尺寸效应、量子效应、宏观量子隧道效应等纳米粒子基本特性外，它同时还具有超顺磁特性、类酶催化特性和生物相容性等特殊性质，因此在医学和生物技术领域中的应用引起了人们的广泛兴趣。 3 磁性氧化铁纳米材料在生物分离与生物检测的应用 磁性氧化铁纳米材料在生物分离的应用 磁性氧化铁纳米粒子可以通过外界磁场来控制纳米粒子的磁性能，从而达到分离的目的，如细胞分离[30，31]、蛋白分离[32] 和核酸分离[33]等。此外磁性氧化铁纳米粒子由于兼有纳米、磁学和类酶催化活性等性能，不仅能够实现被检测物的分离和富集，而且能够使检测信号放大，在生物分析领域也都具有很好的应用前景[34，35]。磁性纳米粒子（MNP）能够应用于这些领域主要基于它的表面化学修饰，包括非聚合物有机固定、聚合物有机固定、无机分子固定及靶向配体修饰等[36]（图1）。纳米粒子表面功能化修饰是目前研究的热点。 磁性氧化铁纳米材料在细胞分离方面的应用 细胞分离技术的目的是快速获得所需目标细胞。传统细胞分离技术主要根据细胞的大小、形态以及密度的差异进行分离，如采用微滤、超滤以及超离心等方法。这些方法操作简单，但是特异性差，而且存在纯度不高、制备量偏小、影响细胞活性等缺点，因此未能被广泛地用于细胞的纯化研究[37]。近年来，随着对磁性纳米粒子研究的深入，人们开始利用磁性纳米粒子来分离细胞[38,39]。如磁性氧化铁纳米粒子在其表面接上具有生物活性的吸附剂或配体（如抗体、荧光物质、外源凝结素等），利用它们与目标细胞的特异性结合，在外加磁场的作用下将细胞分离、分类以及对其种类、数量分布进行研究。张春明等[40]运用化学连接方法将单克隆抗体CD133连接到SiO2/Fe3O4复合粒子的表面得到免疫磁性Fe3O4纳米粒子，利用它分离出单核细胞和CD133细胞。经培养后可以看出，分离出来的CD133细胞与单核细胞一样，具有很好的活性，能够正常增殖形成集落，并且在整个分离过程中对细胞的形态以及活性没有明显的毒副作用，这与Kuhara等[30]]报道的采用磁分离技术分离CD19+和CD20+细胞的结果一致。Chatterjee等[39]采用外源凝结素分别修饰聚苯乙烯包被的磁性Fe3O4微球和白蛋白磁性微球，利用凝结素与红细胞良好的结合能力，快速、高效的分离了红细胞。此外，磁性粒子在分离癌细胞和正常细胞方面的动物实验也已获得成功。 磁性氧化铁纳米材料在蛋白质和核酸分离中的应用 利用传统的生物学技术（如溶剂萃取技术等）来分离蛋白质和核酸程序非常繁杂，而磁分离技术是分离蛋白、核酸及其他生物分子便捷而有效的方法。目前在外磁场作用下，超顺磁性氧化铁纳米粒子已广泛应用于蛋白质和核酸的分离。 Liu等[41]利用聚乙烯醇等表面活性剂存在下制备出共聚磁性高分子微球，表面用乙二胺修饰后用于分离鼠腹水抗体，得到很好的分离效果。Xu等[42]在磁性氧化铁纳米粒子表面偶联多巴胺分子，用于多种蛋白质的分离纯化。多巴胺分子具有二齿烯二醇配体，它可以与氧化铁纳米粒子表面配位不饱和的Fe原子配位，形成纳米颗粒多巴胺复合物，此复合物可以进一步偶联次氨基三乙酸分子（NTA），NTA分子可特异螯合Ni＋，对于具有6×His标签的蛋白质的分离纯化方面表现出很高的专一性。Liu等[43]用硅烷偶联剂（AEAPS）对核壳结构的SiO2/Fe2O3复合粒子的表面进行处理，研究复合磁性粒子对牛血清白蛋白（BSA）的吸附情况，结果表明BSA与磁性复合粒子之间是通过化学键作用被吸附的，复合粒子对BSA的最大吸附量达86 mg/g，显示出在白蛋白的分离和固定上有很大的应用潜力。Herdt等[44]利用羧基修饰的吸附/解离速度快的核壳型（Fe3O4/PAA）磁性纳米颗粒与Cu2+亚氨基二乙酸（IDA）共价交联，通过Cu2+与组氨酸较强的亲和能力实现了组氨酸标记蛋白的选择性分离，分离过程如图2所示。 磁性纳米粒子也是核酸分子分离的理想载体[45]。DNA/mRNA含有单一碱基错位，它们的富集和分离在人类疾病诊断学、基因表达研究方面有着至关重要的作用。Zhao等[46]合成了一种磁性纳米基因捕获器，用于富集、分离、检测痕量的DNA/mRNA分子。这种材料以磁性纳米粒子为核，包覆一层具有生物相容性的SiO2保护层，表面再偶联抗生素蛋白维生素H分子作为DNA分子的探针，可以将10－15 mol/L DNA/mRNA有效地富集，并能实时监控产物。Tayor等[47]用硅酸钠水解法、正硅酸乙酯水解法制备SiO2/Fe2O3磁性纳米粒子并对DNA进行了分离。结果表明，SiO2功能化的Fe2O3磁性纳米粒子对DNA的吸附分离效果明显好于单独Fe2O3磁性纳米粒子的分离效果，但是其吸附机理有待进一步研究。 磁性氧化铁纳米材料在生物检测中的应用 基于磁学性能的生物检测磁性氧化铁纳米粒子因其特有的磁导向性、小尺寸效应及其偶联基团的活性，兼有分离和富集地作用，使其在生物检测领域有广泛的应用。当检测目标为低含量的蛋白分子时，不能通过聚合酶链反应（PCR）对其信号进行放大，而磁微球与有机染料或量子点荧光微球结合可以对某些特异性蛋白、细胞因子、抗原和核酸等进行多元化检测，实现信号放大的作用。Yang等[48]采用一对分子探针分别连接荧光光学条码（彩色）和磁珠（棕色），对DNA（顶端镶板）和蛋白质（底截镶板）生物分子进行目标分析（图3）。如果目标DNA序列或蛋白存在，它将与两个磁珠结合一起，形成了一个三明治结构，经过磁选，光学条码可以在单磁珠识别目标水平下，通过分光光度计或是在流式细胞仪读出。通过此方法检测目标分子是基于数百万个荧光基团组成的微米尺寸光学条码信号的扩增而检测出来，其基因和蛋白的检出限可达到amol/L量级，甚至更低。 Nam等［49］利用多孔微粒法（每个微粒可填充大量条形码DNA）和金纳米微粒为基础的比色法生物条形码检测技术检测了人白细胞介素2（IL2），检出限可达到30 amol/L，比普通的酶联免疫分析技术的灵敏度高3个数量级。Oh等 [50]利用荧光为基础的生物条形码放大方法检测了前列腺特异性抗原（PSA）的水平，其检出限也低于300 amol/L，而且实现了快速检测。 在免疫检测中，磁性纳米粒子作为抗体的固相载体，粒子上的抗体与特性抗原结合，形成抗原抗体复合物，在磁力作用下，使特异性抗原与其它物质分离，克服了放免和酶联免疫测定方法的缺点。这种分离具有灵敏度高、检测速度快、特异性高、重复性好等优点。Yang等[51]通过反相微乳液法制备了粒径很小的SiO2包覆的Fe3O4磁性纳米粒子，生物分子通过诱导这些高单分散的磁性纳米粒子可用于酶的固定和免疫检测。Lange等[52]采用直接或三明治固相免疫法（生物素基化抗IgG抗体和共轭连接链霉素的磁性纳米粒子组成三明治结构）和超导量子干涉法（SQUID），研究它们在确定抗原、抗体相互作用免疫检测中的应用，结果表明特异性键合的磁性纳米颗粒的驰豫信号大小依赖于抗原（人免疫球蛋白G，IgG）的用量，这种磁弛豫(Magnetic relaxation)免疫检测方法得到的结果与广泛使用的ELISA方法的结果相当。 因磁性纳米粒子独特的性能，在生物传感器上也有潜在的应用前景。Fan等［53］在磁珠上偶联被检测物的一级抗体，在金纳米颗粒上连接二级抗体，两者反应后，利用HClNaClBr2将Au氧化为Au3+，催化发光胺（Luminol）化学发光，人免疫球蛋白G（IgG）的检出限可达2 × 10－10 mol/L ，实现了磁性纳米颗粒化学发光免疫结合的方法对IgG进行生物传感分析（图4）。 类酶催化特性在生物检测中的应用 Cao等[54]发现Fe3O4磁性纳米粒子能够催化H2O2氧化3,3',5,5'四甲基联苯胺（TMB）、3,3'二氨基联苯胺四盐酸盐（DAB）和邻苯二胺（OPD），使其发生显色反应，具有类辣根过氧化物酶（HRP）活性（图5），而且其催化活性比相同浓度的辣根过氧化物酶高40倍。并且Fe3O4磁性纳米粒子可以运用磁分离手段进行重复性利用，显著降低了生物检测的实验成本，利用此特性可进行多种生物分子的检测。 利用葡萄糖氧化酶（GOx）与Fe3O4磁性纳米粒子催化葡萄糖的反应(见式（1）和(2))，通过比色法检测葡萄糖，其检测的灵敏度达到5×10－5 ～ 1×10－3 mol/L 。由于Fe3O4磁性纳米粒子制备简单、稳定性好、活性高，成本低，因而比普通酶更有竞争优势，这也为葡萄糖的检测提供了高灵敏度和选择性的分析方法，在生物传感领域的应用上展现了巨大的潜能，为糖尿病人疾病的诊断提供了快速、灵敏的检测方法。然而要提高检测灵敏度，合成催化效率高的Fe3O4磁性纳米粒子及多功能磁性纳米粒子是关键。Peng等[56]用电化学方法比较了不同尺寸Fe3O4纳米粒子的催化活性发现，随着尺寸的变小，磁性纳米粒子的催化活性变高。Wang等[57]制备的单分散哑铃型PtFe3O4纳米粒子，由于本身尺寸和结构特点，可更大限度地提高催化活性。本研究组已经合成了分散性好和磁性高的氧化铁纳米粒子并对其进行了表征，利用其磁学和催化特性，已开展了葡萄糖等生物分子的检测，该方法的检出限达到1 μmol/L，具有灵敏度高、操作简便和成本低等优点[58]。总之，Fe3O4磁性氧化铁纳米粒子不但具有显著的超顺磁性，而且具有类辣根过氧化物酶催化特性，可通过使用过氧化物敏感染料，设计了一系列（如乙肝病毒表面抗原等）的免疫检测模型[59]，因此超顺磁性纳米粒子在生物分离和免疫检测领域具有广阔的应用前景。4 结 语 随着纳米技术的迅速发展，磁性氧化铁纳米粒子的开发及其在生物医学、生物分析、生物检测等领域的潜在应用已经越来越受到重视，但同时也面临很多挑战和问题。（1）构建并制备尺寸小、粒径均一、分散性和生物相容性好及催化性能高的多功能磁性纳米粒子；（2）根据被检测生物分子的特点设计多功能磁性氧化铁纳米粒子，实现高灵敏度、特异性检测；（3）利用纳米氧化铁颗粒作为分子探针进行实时、在线、原位、活体和细胞内生物分子的检测。这些问题不仅是纳米材料在生物分子检测领域应用需要解决的难点，也是目前其进行生物分子检测研究的热点和重点。【参考文献】 1 Perez J M, Simeone F J, Saeki, Y, Josephson L, Weissleder R. J. Am. Chem. Soc., 2003, 125(34): 10192～101932 Kim G J, O'Regan R M, Nie S M. 2005 27th Annual International Conference of the IEEE Engineering in Medicine and Biology Society, 2005，17：714～7163 LIU JunTao(刘军涛), LIU RuPing(刘儒平), WANG MiXia(王蜜霞), LIU ChunXiu(刘春秀), LUO JinPing(罗金平), CAI XinXia(蔡新霞). Chinese J. Anal. Chem.(分析化学), 2009， 37(7): 985～9884 Lang C, Schuler D, Faivre D. Macromol. Biosci., 2007, 7(2): 144～1515 Silva G A. Surg. Neurol., 2007, 67(2)：113～1166 Corot C, Robert P, Idee J M, Port M. Adv. Drug Delivery. Rev., 2006, 58(14): 1471～15047 Kohler N, Sun C, Wang J, Zhang M Q. Langmuir., 2005, 21(19), 8858～88648 LI BaoYu(李宝玉). Biomedical Nanomaterials(纳米生物医药材料). Beijing（北京）: Chemical Industry Press(化学工业出版社), 2004: 1419 Tartaj P, Morales M P, GonzalezCarreno T, VeintemillasVerdaguer S, Serna C J. J. Magn. Magn. Mater., 2005, 290: 28～3410 ZHANG Xin(张 鑫), LI XinGang(李鑫钢), JIANG Bin(姜 斌). Chinese Chem. Industry. Eng.(化学工业与工程), 2006, 23(1): 45～4811 Wu J H, Ko S P, Liu H L, Jung M H, Lee J H, Ju J S, Kim Y K. Colloids Surf. A, 2008, 313／314: 268～27212 CHENG HaiBin(程海斌), LIU GuiZhen(刘桂珍), LI LiChun(李立春), GUAN JianGuo(官建国), Yuan RunZhang（袁润章）. J. Wuhan University of Technology(武汉理工大学学报), 2003, 25(5): 4～613 QIU XingPing(邱星屏). J. Xiamen University: Natural Science(厦门大学学报：自然科学版), 1999, 38(5): 711～71514 Mao B D, Kang Z H, Wang E B, Lian S Y, Gao L, Tian C G, Wang C L. Mater. Res. Bull., 2006, 41(12): 2226～223115 Fan R, Chen X H, Gui Z, Liu L, Chen Z Y. Mater. Res. Bull., 2001, 36(3～4): 497～50216 Wang H W, Lin H C, Yeh Y C, Kuo C H. J. Magn. Magn. Mater., 2007, 310(2): 2425～242717 Harris L A, Goff J D, Carmichael A Y, Riffle J S, Harburn J J, St Pierre T G, Saunders M. Chem. Mater., 2003, 15(6):1367～137718 SONG LiXian(宋丽贤), LU ZhongYuan(卢忠远), LIAO QiLong(廖其龙). J. Funct. Mater.(功能材料), 2005, 36(11): 1762～176819 Itoh H, Sugimoto T. J. Colloid. Interface. Sci., 2003, 265(2): 283～29520 Xu J, Yang H B, Fu W Y, Du K, Sui Y M, Chen J J, Zeng Y, Li M H, Zou G. J. Magn. Magn. Mater., 2007, 309(2): 307～31121 Li Z, Wei L, Gao M Y, Lei H. Adv. Mater., 2005, 17(8): 11301～11305 22 Sun S H, Zeng H. J. Am. Chem. Soc., 2002, 124(28): 8204～820523 Bang J H, Suslick K S. J. Am. Chem. Soc. 2007, 129(8): 224224 Vijayakumar R, Koltypin Y, Felner I, Gedanken A. Mater. Sci. Eng. A, 2000, 286(1): 101～10525 Pinkas J, Reichlova V, Zboril R, Moravec Z, Bezdicka P, Matejkova J. Ultrason. Sonochem．, 2008, 15(3): 257～26426 Khollam Y B, Dhage S R, Potdar H S, Deshpande S B, Bakare P P, Kulkarni S D, Date S K. Mater. Lett., 2002, 56(4): 571～57727 HAI YanBing(海岩冰), YUAN HongYan(袁红雁), XIAO Dan(肖 丹)． Chinese Chem. Res. Appl.(化学研究与应用), 2006, 18(6): 744～74628 Jun Y W, Huh Y. M, Choi J S, Lee J H, Song H T, Kim S, Yoon, S, Kim K S, Shin J S, Suh J S, Cheon J. J. Am. Chem. Soc., 2005, 127(16), 5732～573329 Bharde A A, Parikh R Y, Baidakova M, Jouen S, Hannoyer B, Enoki T, Prasad B L V, Shouche Y S, Ogale S, Sastry M. Langmuir, 2008, 24(11): 5787～579430 Kuhara M, Takeyama H, Tanaka T, Matsunaga T. Anal. Chem., 2004, 76(21): 6207～621331 Y, G. Biofuctionalization of Nanamaterials. WileyVCH: Weinheim 200532 Safarik I M S. Biomagn. Res. Technol., 2004, 2(1): 7
粒子滤波(PF: Particle Filter)的思想基于蒙特卡洛方法(Monte Carlo methods)，它是利用粒子集来表示概率，可以用在任何形式的状态空间模型上。其核心思想是通过从后验概率中抽取的随机状态粒子来表达其分布，是一种顺序重要性采样法(Sequential Importance Sampling)。简单来说，粒子滤波法是指通过寻找一组在状态空间传播的随机样本对概率密度函数 进行近似，以样本均值代替积分运算，从而获得状态最小方差分布的过程。这里的样本即指粒子,当样本数量N→∝时可以逼近任何形式的概率密度分布。尽管算法中的概率分布只是真实分布的一种近似，但由于非参数化的特点，它摆脱了解决非线性滤波问题时随机量必须满足高斯分布的制约，能表达比高斯模型更广泛的分布，也对变量参数的非线性特性有更强的建模能力。因此，粒子滤波能够比较精确地表达基于观测量和控制量的后验概率分布，可以用于解决SLAM问题。粒子滤波的应用粒子滤波技术在非线性、非高斯系统表现出来的优越性，决定了它的应用范围非常广泛。另外，粒子滤波器的多模态处理能力，也是它应用广泛有原因之一。国际上，粒子滤波已被应用于各个领域。在经济学领域，它被应用在经济数据预测；在军事领域已经被应用于雷达跟踪空中飞行物，空对空、空对地的被动式跟踪；在交通管制领域它被应用在对车或人视频监控；它还用于机器人的全局定位。粒子滤波的缺点虽然粒子滤波算法可以作为解决SLAM问题的有效手段，但是该算法仍然存在着一些问题。其中最主要的问题是需要用大量的样本数量才能很好地近似系统的后验概率密度。机器人面临的环境越复杂，描述后验概率分布所需要的样本数量就越多，算法的复杂度就越高。因此，能够有效地减少样本数量的自适应采样策略是该算法的重点。另外，重采样阶段会造成样本有效性和多样性的损失，导致样本贫化现象。如何保持粒子的有效性和多样性，克服样本贫化，也是该算法研究重点。粒子滤波的发展改进策略马尔可夫链蒙特卡洛(MCMC)方法通过构造Markov链，产生来自目标分布的样本，并且具有很好的收敛性。在SIS的每次迭代中，结合MCMC使粒子能够移动到不同地方，从而可以避免退化现象，而且Markov链能将粒子推向更接近状态概率密度函数(probability density function,(PDF))的地方，使样本分布更合理。基于MCMC改进策略的方法有许多，常用的有Gibbs采样器和MetropolisHasting方法。粒子滤波器(UPF)Unscented Kalman滤波器(UKF)是Julier等人提出的。EKF(Extended Kalman Filter)使用一阶Taylor展开式逼近非线性项，用高斯分布近似状态分布。UKF类似于EKF，用高斯分布逼近状态分布，但不需要线性化只使用少数几个称为Sigma点的样本。这些点通过非线性模型后，所得均值和方差能够精确到非线性项Taylor展开式的二阶项，从而对非线性滤波精度更高。Merwe等人提出使用UKF产生PF的重要性分布，称为Unscented粒子滤波器(UPF)，由UKF产生的重要性分布与真实状态PDF的支集重叠部分更大，估计精度更高。－Blackwellised粒子滤波器(RBPF)在高维状态空间中采样时,PF的效率很低。对某些状态空间模型，状态向量的一部分在其余部分的条件下的后验分布可以用解析方法求得，例如某些状态是条件线性高斯模型，可用Kalman滤波器得到条件后验分布，对另外部分状态用PF，从而得到一种混合滤波器，降低了PF采样空间的维数，RBPF样本的重要性权的方差远远低于SIR方法的权的方差，为使用粒子滤波器解决 SLAM问题提供了理论基础。而Montemerlo等人在2002年首次将Rao-Blackwellised粒子滤波器应用到机器人SLAM中，并取名为FastSLAM算法。该算法将SLAM问题分解成机器人定位问题和基于位姿估计的环境特征位置估计问题，用粒子滤波算法做整个路径的位姿估计，用EKF估计环境特征的位置，每一个EKF对应一个环境特征。该方法融合EKF和概率方法的优点，既降低了计算的复杂度，又具有较好的鲁棒性。最近几年，粒子方法又出现了一些新的发展，一些领域用传统的分析方法解决不了的问题，现在可以借助基于粒子仿真的方法来解决。在动态系统的模型选择、故障检测、诊断方面，出现了基于粒子的假设检验、粒子多模型、粒子似然度比检测等方法。在参数估计方面，通常把静止的参数作为扩展的状态向量的一部分，但是由于参数是静态的，粒子会很快退化成一个样本，为避免退化，常用的方法有给静态参数人为增加动态噪声以及Kernel平滑方法，而Doucet等提出的点估计方法避免对参数直接采样，在粒子框架下使用最大似然估计(ML)以及期望值最大(EM)算法直接估计未知参数。
种子的萌发过程 一、 做实验 1.材料工具 (1)常见的种子（如：绿豆 黄豆）40粒。 (2)有盖的罐头4个，小勺1个，餐巾纸8张，4张分别标有1、2、3、4的标签，胶水，清水。 2．方法步骤 (1)在第一个罐头里，放入两张餐巾纸，然后用小勺放入10粒绿豆，拧紧瓶盖。置于室温环境。 (2)在第二个罐头里，放入两张餐巾纸，然后用小勺放入10粒绿豆，洒上少量水，使餐巾纸湿润，拧紧瓶盖。置于室温环境。 (3)在第三个罐头里，放入两张餐巾纸，用小勺放入10粒绿豆，倒入较多的清水，使种子淹没在水中，然后拧紧瓶盖。置于室温环境。 (4)在第四个罐头里，放入两张餐巾纸，用小勺放入10粒绿豆，洒入少量清水，使餐巾纸润湿，拧紧瓶盖。置于低温环境里。 通过观察，我发现1、3、4号罐中种子未发芽，而2号罐中种子发芽了。 二、研究 1．为什么同样优质，同样品种的种子有的发芽，有的没有呢？ 当一粒种子萌发时，首先要吸收水分。子叶或胚乳中的营养物质转运给胚根、胚芽、胚轴。随后，胚根发育，突破种皮，形成根。胚轴伸长，胚芽发育成茎和叶。 然而，种子的萌发需要适宜的温度，充足的空气和水分。 1号种子未发芽是因为它虽有充足的空气和适宜的温度，但无水分，所以它不可能发芽。 2号种子既拥有适宜的温度和充足的水分，还有水分，所以它发芽了。 3号种子未发芽是因为它被完全浸泡在水中，而水中没有氧气，所以它也不可能发芽。 4号种子也因缺适宜的温度未发芽。 三、讨论结果 通过此次实验，我发现了种子的萌芽需要充足的空气、水分和适宜的温度。仔细地观察，我还看到发芽后的植物上有一些细细的，白白的根毛，其实他们能提高吸水率。 实验给我带来了许多乐趣，也让我从中学到了许多知识。生物学实在是太奇妙了
提问的人貌似是红小灰啊
盘古开天辟地，人类呱呱诞生，从那一刻起，摆脱饥饿，奋力生存便成了人类历史的不朽主题，滚滚历史长河中的历朝历代，各君各王，虽处在不同国度，不同疆域，却拥有着同一个亘古不变的梦想，解决粮食问题。 民以食为天，人类从未停止过对饥饿的抗争，从未停歇过对粮食的渴望。当历史的刻度停留在21世纪，世界人口已经达到60亿的眼下，却依然有8亿人处于饥饿状态，平均每天有24000人死于饥饿。在粮食问题日益凸现的今日，世界将目光投向了中国，这片广袤无垠的国度，耕地面积只占世界7%，人口却占世界22%的第一人口大国。面对冷峻现实，世界陷入了粮食恐慌，人们不仅连连发问：谁来养活中国，谁来养活世界？ 时事造英雄，20世纪70年代，在中国这片古老的土地上爆发了一场"绿色革命"，通过对杂交水稻的成功研究，最终将水稻亩产从300公斤提高到了800公斤，并推广亿多亩，增产200多亿公斤，增产的粮食可以多养活7500万人。英雄用一粒种子改变了世界，英雄满怀信心地向世界宣称，中国人不仅可以自己养活自己，更能为解决世界粮食问题作出巨大贡献。英雄的名字从此响彻天际，被百姓们爱称为"当代神农氏"，他就是杂交水稻之父袁隆平。 回眸奇迹的诞生，竟源自儿时的一次郊游。6岁在武汉园艺场时，当他看到满园里郁郁葱葱，到处是芬芳的花草和一串串鲜艳的果实，立即被这派美景所吸引。心想长大以后也去学农。谁也不知道，那时命运已经开始悄悄安排奇迹的发生。袁隆平沿着儿时单纯的梦想一步步走着，1953年，从西南农学院农学系毕业的袁隆平，为了追求心中的梦，毅然从四川重庆来到了偏僻的湘西雪峰山旁的安江农校任教，一教便是19个春秋。学生们都很尊敬他，视他为良师益友，更被他对稻田的专注精神所感动。这个从小长在大城市里的知识分子，从来不怕臭，不怕脏，随时都能弯腰赤脚下田地，观察稻田的生长情况。刮风下雨也不能阻挡他的热情，农民都打趣的称他为"袁癫子"。正是这种外人难以理解的痴迷之情，在无形的支持着他，正是这种对梦想的执着信念在背后推动着他，精心进行着每一份耕耘，正是这种踏实严谨的治学态度，最终赢来了盆满钵满的丰收硕果。 岁月不居，天道酬勤，穿越过十年风雨的艰辛，杂交水稻的研究才有了今天的成就。袁隆平为了一个"人类没有饥饿的未来"付出了自己所有的青春年华，付出了自己所有的精力汗水。一次次人为的恶意破坏，让精心培养的秧苗毁于一旦；一次次的天灾所难，让科研进程举步维艰。但是十年间的艰难险阻最终都在梦想的力量下低了头，都在与梦想的较量中败下了阵，这个刚毅的汉子，在一次次跌倒后依然不屈前行，在苦难面前他甚至安慰妻子说："山谷越深，山峰越高。我们眼前所经受的苦难，其实是对我们未来的祝福。有价值、有意义的人生，无不是从患难中走来。应该说，苦难是上帝赐予我们的最好的礼品。"朴实无华的话语中透露着圣哲的光芒，平和的心态中预示着成功的讯息。 袁隆平和他的学生们像候鸟一样频繁迁徙，春长沙，秋南宁，冬海南，南北辗转，一年三地，不辞辛劳的奔波全都是为了给种子提供适当的环境。他们还在南开北往的火车，轮船，飞机上浸种，甚至把珍贵的种子绑在腰上，利用体温催芽。从1946年到1970年，袁隆平和他的助手们经过了整整六年的时间，2190个日日夜夜，先后用了1000多个水稻品种，做了3000多个实验，但最终都没有取得实质性进展。心情沮丧的袁隆平并没有继续低迷，在得到党和政府一如既往的支持下，他迅速调整了研究方案，再次积极的投入到了又一次试验当中。宝剑锋从磨砺出，梅花香自苦寒来，1973年，已逾不惑之年的袁隆平在世界上首次育成三系杂交水稻，成功将水稻产量从每亩300公斤提高到了每亩500公斤以上。 袁隆平的杂交水稻实实在在的解决了中华民族的吃饭问题，农民亲切的称他为"米菩萨"。这位大名鼎鼎的科学家，平日不拘小节，看上去就是一介农夫，面对笑他土气的人，他只是淡淡一笑，说："我现在是干的农业活，穿得太讲究会让农民觉得生分，他们就不会同我交朋友了，再说，下地干活也就不方便了。"这种平易近人的性格，让他与乡亲们之间建立了一种血浓于水的真切情意。有一次，郴州一个农民见到袁隆平说："袁老师啊，我们要感谢你，又要埋怨你，你把产量弄得那么高，现在粮食都不值钱了哦。"袁隆平若有所思的对乡亲说："如今种粮食确实不赚钱，但是又少不得。你可以拿一部分田出来种高产水稻，腾出一些地方来种赚钱的作物，那不是又有饭吃又有钱赚了吗？"过了两年，又见到这个农民，他激动的对袁隆平说，袁老师，按照你的方法成功了，粮食丰收了，西瓜，蔬菜也卖了好价钱，现在我们是百分之百感谢你了。运用辩证的眼光，袁隆平为乡亲们解决了"谷贱伤农"的问题。 如今，袁隆平已经不再是中国的袁隆平，他更属于世界，属于整个人类。袁隆平十几次赴印度、越南、缅甸、菲律宾、孟加拉国等国指导推广杂交水稻，为20多个国家培训了300多名技术骨干。1999年经国际小天体命名委员会批准，还将一颗小行星命名为"袁隆平星"，这颗小行星在浩瀚的宇宙中闪烁翱翔。 儿时的梦想已经实现，这个不知疲惫的追梦人又有了新的梦想，他希望有一天到了秋收时节，水稻能长得像高粱那么高，穗子像扫把那么长，谷粒像花生米那么大，几个朋友能坐在稻穗下乘凉。这便是人们津津乐道的"禾下乘凉梦"。 一粒种子改变世界，因为这粒种子承载着人类的梦想，因为梦想的力量使这粒种子在悄无声息的生根发芽，它以惊人的生命力，奋力破土而出。这粒种子改变了中国，改变了世界，改变了人类。小小的种子迸射出了前所未有的能量。知识+汗水+灵感+机遇，给了它无限的养料，沐浴在新时代的阳光中，这粒改变世界的种子还在欣欣的生长着， 那些禾下的梦想，那些远离饥饿的愿望，也将随着种子的茁壮生长而付诸现实。
生物小论文 (关于种子) 一、种子的发芽率 种子发芽率一般是指在适宜的条件下，经浸种吸足水分的种子,在l0天内发芽的种子数占供试种子总数的百分率。它是决定种子质量和实用价值，确定播种量和用种量的主要依据。不同的种子，其发芽力往往有很大差别，相同的种子，其发芽力也会有变化。种子的发芽力受栽培条件、成熟程度、收获时的气候、入库时的种子含水率以及贮藏条件好坏、贮藏时间长短等多因素的复杂影响。如果不进行发芽测定，盲目地进行浸种、催芽或者直接播种，就有可能出现出苗不齐、苗数不足、甚至完全不出苗等现象，其结果不仅浪费粮食，又耽误了季节，造成生产被动。认真做好种子的发芽力测定，周密计算用种量，有计划地进行生产，不但可以避免出现上述情况，还可以提高产量。水稻种子发芽率常用的测定计算方法是：先从供试品种的种子容器中，分上、中、下、边缘、中央不同部位分别随机取出少量种子，去除杂质后，在水温20—30℃条件下浸24小时，然后将吸足水分的种子以100粒为一组，分成四组，分别均匀排列在铺有滤纸或草纸的4个培养皿内，并分别以等量适量的水，放在气温30—35℃环境条件—下，逐日记载发芽数，从试验开始记载10天，最后分组计算其发芽率，四组的平均数即为该种子的发芽率，其计算公式为：发芽率（%）=发芽的种子数*100/供试种子总数 二、种子发芽需要的条件 种子发芽必需的条件是水分、温度、氧气及阳光。 水分是种子发芽的首要条件。种子必须吸收足够的水分才能加速种子内部的生理作用，促进酶的活动，有利于贮藏养料的溶解和胚的增长，从而促进种子的萌发。 温度也是种子发芽必要条件之一。种子在吸收足够水分和氧气后，还需要一定的温度才能萌发，温度是种子萌发的能量来源。温度作用在于促进酶的活性，种子萌发的最适温度也就是酶的最适宜温度。此外，温度也直接影响到种子吸水快慢和呼吸强弱。在一定温度范围内，温度越高，种子吸水越快，呼吸也越强，发芽越快。 种子发芽试验需要大量的氧气。种子发芽时呼吸作用增强，如种子缺氧呼吸，造成种子不宜发芽。 不同作物种子，发芽时对光的反应不同。大部分农作物种子（如玉米、禾谷类等种子）对光照要求不严格。这些种子发芽试验时用光照或黑暗均可。有一些好光性的种子如烟草种子，芹菜种子等，只有在光照条件下才能发芽或促进发芽。还有一些嫌光性的种子，如黑草种有光照时会抑制发芽。这些种子发芽试验时应给黑暗处理。 三、种子萌发的过程 当一粒种子萌发时。首先要吸收水分。子叶或胚乳中的营养物质转运给胚根、胚芽、胚轴。随后，胚根发育，突破种皮，形成根。胚轴伸长，胚芽发育成茎和叶。 我也曾经做过两次种子萌发的实验，是用绿豆做的，第一次实验的时候，因为总是忘了给种子加水，结果种子全都干死了，终于第一次实验以失败而告终。接着马上就迎来了第二次实验，这次记得了上次的教训，我的种子终于发芽了。 我的论文主题是关于种子的，介绍了怎么样测种子的发芽率、种子萌发的条件与种子萌发的过程。这就是我的生物小论文。
蔡自兴教授已在国内外发表论文和科技报告等860多篇。2010年： Zixing. Research on navigation control and cooperation of mobile robots (Plenary Lecture 1). 2010 Chinese Control and Decision Conference, New Century Grand Hotel, Xuzhou, China, May 26- 28, Zixing. Research on navigation control and cooperation of mobile robots (Plenary Lecture 1). 2010 Chinese Control and Decision Conference, New Century Grand Hotel, Xuzhou, China, May 26-28, . Chen Baifan,Zi-Xing Cai, Zhi-Rong Zou. A Hybrid Data Association Approach for Mobile Robot SLAM. International Conference on Control, Automation and Systems, October 27-30, 2010, KINTEX, Gyeonggi-do, KOREA (Accepted).4. Guo Fan,Cai Zixing, Xie Bin, Tang Jin. Automatic Image Haze Removal Based on Luminance Component. The International conference on Signal and Image Processing (SIP 2010).May 2010 (Accepted).5. Linai. Kuang,Zixing. System based Redeployment Scheme for Wireless Sensor Networks[C].In proceeding of 1st IET International Conference on Wireless Sensor Network. Beijing, China, November,. Lingli YU,Zixing CAI, A Study of Multi-Robot Stochastic Increment Exploration Mission Planning [J]. Frontiers of Electrical and Electronic Engineering in China, (Received).7. Liu Hui,Cai Zixing, and Wang Yong. Hybridizing particle swarm optimization with differential evolution for constrained numerical and engineering optimization. Applied Soft Computing, 2010,10(2): 629–. LIU Xian-ru,CAI Zi-xing. Advanced obstacles detection and tracking by using fusing radar and image sensor data. International Conference on Control, Automation and Systems，2010/10/27,. Liu Xianru,Cai zixing. Advanced obstacles detection and tracking by using fusing Radar and Image Sensor Data[C]. International Conference on Control, Automation and Systems. (October 27-30,2010, KINTEX, Gyeonggi-do, KOREA).10. Ren Xiaoping,Zixing Cai. Kinematics Model of Unmanned Driving Vehicle. Proceedings of the 8th World Congress on Intelligent Control and Automation, July 6-9 2010, Jinan, China, 2010: . Suqin Tang,Zixing Cai: Tourism Domain Ontology Construction from the Unstructured Text Documents. The 9th IEEE International Conference on Cognitive Informatics, Beijing, . Suqin Tang,Zixing Cai: Using the Format Concept Analysis to Construct the Tourism Information Ontology. The 2010 Seventh International Conference on Fuzzy Systems and Knowledge Discovery (FSKD'10)，Yantian, , . Tan Ping,Zixing Cai. An Adaptive Particle Filter Based on Posterior Distribution. Proceedings of the 8th World Congress on Intelligent Control and Automation, July 6-9 2010, Jinan, China, 2010: . Wang Yong,Cai Zixing, Zhang Qingfu. Differential evolution with composite trial vector generation strategies and control parameters. IEEE Transactions on Evolutionary Computation, Accept, regular . Wang Yong,Cai Zixing. Constrained evolutionary optimization by means of (mu+lambda)-differential evolution and improved adaptive trade-off model. Evolutionary Computation, in . Wang Yong, Combining multiobjective optimization with differential evolution to solve constrained optimization problems. IEEE Transactions on Evolutionary Computation, (regular paper, Accepted).17. Xianru Liu,Zixing Obstacles Detection and tracking by Fusing Millimeter Wave Radar and Image Sensor Data,International IEEE Intl Coference on Control,Automation and Systems , Korea, 2010, 22:. Xie Bin, Fan Guo,Zixing Cai. Improved Single Image Dehazing Using Dark Channel Prior and Multi-Scale Retinex. 2010 International Conference on Intelligent System Design and Engineering Application, Changsha, China, 2010. (Accepted) .19. YU Ling-li,CAI Zi-xing, GAO Ping-an, LIU Xiao-ying. A spatial orthogonal allocation and heterogeneous cultural hybrid algorithm for multi-robot exploration mission planning. Journal of control theory and applications (Received) .20.蔡自兴，陈白帆，刘丽珏. 智能科学基础系列课程国家级教学团队的改革与建设. 计算机教育，2010，（127）：40-44 .21.蔡自兴，任孝平，李昭.一种基于GPS/INS组合导航系统的车辆状态估计方法. , .蔡自兴。智能科学技术课程教学纵横谈. 计算机教育，2010，（127）：.蔡自兴，蒋冬冬，谭平，安基程。中快速运动估计算法的一种改进方案;计算机应用研究2010,27(4):.蔡自兴; 任孝平; 邹磊; 匡林爱. 一种簇结构下的多移动机器人通信方法.小型微型计算机系统,2010,31(3):. 陈爱斌，蔡自兴.一种基于目标和背景加权的目标跟踪方法,控制与决策，2010,25(8):. 陈爱斌;蔡自兴; 文志强; 董德毅. 一种基于预测模型的均值偏移加速算法. 信息与控制 2010,39(2): . 陈爱斌; 董德毅;杨勇;蔡自兴. 基于目标中心定位和NMI特征的跟踪算法.计算机应用与软件,2010,27(4):. 陈白帆，蔡自兴，刘丽珏. 人工智能课程的创新性教学探索——人工智能精品课程建设与改革. 计算机教育，2010，（127）：. 官东，蔡自兴，孔志周. 一种基于推荐证据理论的网格信任模型.系统仿真学报，2010，22（8）：.郭璠,蔡自兴,谢斌, 唐琎. 图像去雾技术研究综述与展望. 计算机应用, 2010, 30(9):. 郭璠,蔡自兴, 谢斌, 唐琎. 一种基于亮度分量的自动图像去雾方法. 中国图象图形学报. 2010年3月(录用).32. 江中央,蔡自兴,王勇. 一种新的基于正交实验设计的约束优化进化算法. 计算机学报, 2010，33（5）：. 江中央,蔡自兴,王勇.求解全局优化问题的混合自适应正交遗传算法.软件学报, 2010,21(6):. 匡林爱,蔡自兴. 基于遗传算法的无线传感器网络重新部署方法. 控制与决策，2010,25(9):. 匡林爱,蔡自兴.一种簇机构下的多移动机器人通讯方法.小型微型计算机系统.，2010，31（3）：. 匡林爱,蔡自兴.一种带宽约束的无线传感器网络节点调度算法.高技术通讯，2010,20(3):. 刘丽珏，蔡自兴，唐琎. 人工智能双语教学建设. 计算机教育，2010，（127）：. 刘献如，蔡自兴. 基于SAD与UKF-Mean shift的主动目标跟踪. 模式识别与人工智能，2010,23(5)：. 刘献如，蔡自兴. 结构化道路车道线的鲁棒检测与跟踪. 光电子.激光，2010，21(12):. 刘献如,蔡自兴.UKF 与Mean shift 相结合的实时目标跟踪.中南大学学报，2009年录用.41. 刘晓莹;蔡自兴; 余伶俐; 高平安. 一种正交混沌蚁群算法在群机器人任务规划中的应用研究. 小型微型计算机系统, 2010,31(1):. 蒙祖强，蔡自兴，黄柏雄. 课程交叉教学在应用型人才培养中的实践探索. 计算机教育，2010，（127）：. 潘薇;蔡自兴; 陈白帆. 复杂环境下多机器人协作构建地图的方法;四川大学学报(工程科学版) . 任孝平,蔡自兴,邹磊,匡林爱.“中南移动二号”多移动机器人通信系统.中南大学学报（自然科学版）,2010,41(4):. 任孝平,蔡自兴.四种虚拟力模型在传感器网络覆盖中的性能分析.信息与控制,2010，39（4）：. 任孝平;蔡自兴; 陈爱斌. 多移动机器人通信系统研究进展. 控制与决策 2010,(3): .唐素勤，蔡自兴，王驹，蒋运承: 基于gfp语义的描述逻辑系统FLE的有穷基,计算机研究与发展，2010,47(9):. 唐素勤，蔡自兴，王驹，蒋运承: 描述逻辑非标准推理, 模式识别与人工智能，2010,23(4)：. 肖赤心，蔡自兴，王勇. 字典序进化算法用于组合优化问题. 控制理论与应用，2010，27（4）：. 谢斌，蔡自兴. 基于MATLAB Robotics Toolbox的机器人学仿真实验教学. 计算机教育，2010，（127）：. 余伶俐,蔡自兴,谭平,段琢华.基于多模态Rao-Blackwellized进化粒子滤波器的移动机器人航迹推算系统的故障诊断. 控制与决策，2010，25（12）：. 余伶俐,蔡自兴,谭平,进化粒子滤波器对比研究及其在移动机器人故障诊断的应用. 信息与控制，2010，39（5）：. 余伶俐，蔡自兴，肖晓明. 智能控制精品课程建设与教学改革研究. 计算机教育，2010，（127）：. 余伶俐,焦继乐,蔡自兴. 一种多机器人任务规划算法及其系统实现. 计算机科学，2010，37（6）：.周涛;蔡自兴。 信息审计中短消息中心实验环境的仿真[J].科学技术与工程 2010,10(6): . 邹磊,蔡自兴,任孝平.一种基于虚拟力的自组织覆盖算法.计算机工程,2010,36(14):93-95 .2009年：57. Gao Ping-an,Cai Zi-xing. Evolutionary Computation Approach to Decentralized Multi-robot Task Allocation. Proc. of the 5th International Conference on Natural Computation, IEEE Computer Society, 2009,. Wang Yong,Cai Zixing, Zhou Yuren. Accelerating adaptive trade-off model using shrinking space technique for constrained evolutionary optimization, International Journal for Numerical Methods in Engineering, 2009, 77(11):. Wang Yong,Cai Zixing, Zhou Yuren, Fan Zhun. Constrained optimization based on hybrid evolutionary algorithm and adaptive constraint-handling technique, Structural and Multidisciplinary Optimization, 2009, 37(1): . Wang Yong,Cai Zixing. A hybrid multi-swarm particle swarm optimization to solve constrained optimization problems, Frontiers of Computer Science in China, 2009,3(1):. Wang Yong,Cai Zixing. Constrained evolutionary optimization by applying (mu+lambda)-differential evolution and improved adaptive trade-off model. Evolutionary Computation, . Liu Hui,Cai Zixing, and Wang Yong. Hybridizing particle swarm optimization with differential evolution for constrained numerical and engineering Soft Computing, 2010,10(2):629–. Liu Limei,Cai Zixing. An Improvement of Hough Transform for Building Feature . Limei Liu, Zixing Cai, Method Based on Uncertain Information of Sonar Sensor[C]. The 9th International Conference for Young Computer Scientists,2009,. YU Ling-li,CAI Zi-xing. Robot Detection Mission Planning Based on Heterogeneous Interactive Cultural Hybrid Algorithm. Proc. of the 5th International Conference on Natural . Ren Xiaoping,Cai Distributed Actor Deployment Algorithm for Maximum Connected Coverage in WSAN. Proc. of the 2009 Fifth International Conference on Natural Computation, 2009,. 王勇,蔡自兴,周育人,肖赤心.约束优化进化算法.软件学报, 2009,20(1): . 陈白帆,蔡自兴, 潘薇. 基于声纳和摄像头的动态环境地图创建方法.高技术通讯, 2009, 19(4): . 陈白帆,蔡自兴, 袁成. 基于粒子群优化的移动机器人SLAM方法研究.机器人, 2009, 31(6)：. 高平安,蔡自兴. 多移动机器人任务负载均衡分组规划方法.高技术通讯,2009, 19(5):. 高平安,蔡自兴. 一种基于多子群的动态优化算法.中南大学学报(自然科学版) 2009, 40(3): . 刘献如,;蔡自兴. 一种基于Integral Imaging和与模拟退火相结合的深度测量方法研究. 系统仿真学报. 2009，21(8)：2303~. 刘利枚，蔡自兴，潘薇.一种基于声纳信息的地图创建方法.计算机工程，2009，35（7）：. 余伶俐，蔡自兴. 基于异质交互式文化混合算法的机器人探测任务规划.机器人.2009, 31(2):. 余伶俐，蔡自兴，刘晓莹，高平安. 均分点蚁群算法在群集机器人任务规划中的应用研究[J].高技术通讯. 2009,19(10),. 余伶俐，蔡自兴. 改进混合离散粒子群的多种优化策略算法.中南大学学报,2009, 40(4): . 余伶俐，蔡自兴，高平安，刘晓莹. 当代学习自适应混合离散粒子群算法研究. 小型微型计算机系统. 2009, 30(9):. 余伶俐，蔡自兴. 基于当代学习离散粒子群的多机器人高效任务分配算法研究. 计算机应用研究. 2009, 26(5):.蔡自兴; 谢斌; 魏世勇; 陈白帆. 《机器人学》教材建设的体会. 2009年全国人工智能大会(CAAI-13)，北京：北京邮电大学出版社，252-255，2009年9月.80.蔡自兴，郭璠. 密码学虚拟实验平台的设计与实现.中国人工智能进展（2009），中国人工智能大会(CAAI-13)论文集，北京：北京邮电大学出版社，432-438，2009年9月.81.蔡自兴,任孝平,邹磊.分布式多机器人通信仿真系统.智能系统学报,2009,4(4): . 任孝平,蔡自兴.基于阿克曼原理的车式移动机器人运动学建模.智能系统学报, 2009,4(6);.蔡自兴; 任孝平; 邹磊. 分布式多机器人通信仿真系统.智能系统学报, 2009,4(4);. 文志强;蔡自兴. 一种目标跟踪中的模糊核直方图. 高技术通讯, 2009,19(2):.刘星宝;蔡自兴. 种子检测器刺激-应答变异算法研究. 高技术通讯, 2009,19(3):. 刘星宝;蔡自兴. 负选择算法中的检测器快速生成策略. 小型微型计算机系统, . 刘星宝;蔡自兴. 异常检测系统的漏洞分析.中南大学学报(自然科学版), . 潘薇;蔡自兴; 陈白帆. 一种非结构环境下多机器人构建地图的方法. 高技术通讯, . 孔志周;蔡自兴; 官东. 两种模糊密度确定方法的实验比较. 小型微型计算机系统, . 江中央;蔡自兴; 王勇. 用于全局优化的混合正交遗传算法. 计算机工程, . 肖赤心;蔡自兴; 王勇; 周经野. 一种基于佳点集原理的约束优化进化算法. 控制与决策, 2009-02-15 .92. 官东;蔡自兴; 孔志周. 一种基于网格技术的HLA分布仿真实现方法. 系统仿真学报, 2009,21(5):.刘慧;蔡自兴; 王勇. 基于佳点集的约束优化进化算法. 系统仿真学报, 2009-03-20 .94. 潘薇;蔡自兴; 陈白帆. 基于遗传算法的多机器人协作建图方法. 计算机应用研究, . 任孝平;蔡自兴; 卢薇薇. 一种基于扫描相关度的LSB算法. 计算机应用, .胡强;蔡自兴. 一种基于改造时钟系统的Linux实时化方案. 计算机工程, . 袁成;蔡自兴; 陈白帆. 粒子群优化的同时定位与建图方法. 计算机工程, . 王勇;蔡自兴. “智能优化算法及其应用”课程教学的实践与探索. 计算机教育, . 任孝平;蔡自兴; 卢薇薇. 网络可重构的多机器人仿真系统. 计算机应用研究, . 袁湘鹏;蔡自兴; 刘利枚. 基于声纳的移动机器人环境建图的设计与实现. 计算机应用研究, . 官东;蔡自兴; 孔志周.网格服务本体匹配算法研究. 小型微型计算机系统, 2009，30(8):. 邹磊;蔡自兴; 任孝平. 基于簇的多移动机器人通信系统. 计算机应用研究, .蔡自兴. 从严施教,精心育才,培养高素质人才. 计算机教育, . 肖晓明; 旷东林;蔡自兴. 单亲遗传算法种群初始化方法分析. 电脑与信息技术, . 刘丽珏; 陈白帆; 王勇; 余伶俐;蔡自兴. 精益求精建设人工智能精品课程. 计算机教育, . 陈爱斌;蔡自兴; 安基程. 一种基于摄像机视角的立体视觉定位方法.中南大学学报(自然科学版), . 唐素勤;蔡自兴; 江中央; 肖赤心. 用于求解约束优化问题的自适应佳点集进化算法. 小型微型计算机系统,2009,第9期，.胡扬;桂卫华;蔡自兴. 多元智能算法控制结构综述. 计算机科学, .蔡自兴. 《混沌系统的模糊神经网络控制理论与方法》评介. 计算技术与自动化, . 陈爱斌;蔡自兴; 安基程. 一种基于摄像机视角的立体视觉定位方法. 2009年中国智能自动化会议论文集（第六分册）[中南大学学报（增刊）], . 于金霞;蔡自兴; 段琢华. 复杂地形下移动机器人运动学建模研究. 2009中国控制与决策会议论文集（1）, . 刘献如，蔡自兴，杨欣荣. Integral Imaging与模拟退火相结合的深度测量方法研究. 系统仿真学报，2009,21（8）：2303－2307.
我这里有一个粒子群的完整范例：<群鸟觅食的优化问题>function main()clc;clear all;close all;tic; %程序运行计时E0=; %允许误差MaxNum=100; %粒子最大迭代次数narvs=1; %目标函数的自变量个数particlesize=30; %粒子群规模c1=2; %每个粒子的个体学习因子，也称为加速常数c2=2; %每个粒子的社会学习因子，也称为加速常数w=; %惯性因子vmax=; %粒子的最大飞翔速度x=-5+10*rand(particlesize,narvs); %粒子所在的位置v=2*rand(particlesize,narvs); %粒子的飞翔速度%用inline定义适应度函数以便将子函数文件与主程序文件放在一起，%目标函数是：y=1+(*(1-x+2*x.^2).*exp(-x.^2/2))%inline命令定义适应度函数如下：fitness=inline('1/(1+(*(1-x+2*x.^2).*exp(-x.^2/2)))','x');%inline定义的适应度函数会使程序运行速度大大降低for i=1:particlesize for j=1:narvs f(i)=fitness(x(i,j)); endendpersonalbest_x=x;personalbest_faval=f;[globalbest_faval i]=min(personalbest_faval);globalbest_x=personalbest_x(i,:);k=1;while k<=MaxNum for i=1:particlesize for j=1:narvs f(i)=fitness(x(i,j)); end if f(i) 目标函数是什么 还有约束条件 喝金银花吧，一般人真喝不了这玩意儿，就像过期了了的麦香味的苦咖啡 明兴 清开灵颗粒￥ 近年研究表明，清开灵颗粒除具有抗菌、抗炎、抗病毒作用外，还具有改善血液循环、清除体内自由基等作用，从而拓宽了该药的应用。那么呢? 清开灵颗粒为内科感冒类非处方药药品，成分为胆酸、珍珠母、猪去氧胆酸、栀子、水牛角、板蓝根、黄芩苷、金银花。成分中的板蓝根、黄芩苷、金银花有清热解毒的功效，成分中的珍珠母，水牛角具有镇静安神的功效。主要用于外感风热时毒火内盛所致高热不退、烦躁不安、咽喉肿痛，舌质红绛、苔黄;上呼吸道感染，病毒性感冒，急性扁桃体炎，急性咽炎，急性气管炎，高热等症。 多年实践显示清开灵颗粒用于外感风热所致发热，烦躁不安，咽喉肿痛;及上呼吸道感染、病毒性感冒、急性咽炎见上述证候者。颗粒剂是将药物与适宜的辅料配合而成的颗粒状制剂，一般可分为可溶性颗粒剂、混悬型颗粒剂和泡腾性颗粒状，其主要特点是可以直接吞服，也可以冲入水中饮入，应用和携带比较方便，溶出和吸收速度较快。清开灵颗粒研究论文