新型VAE乳液及其在胶粘剂中的应用

介绍了在高压环形反应器上采用连续聚合工艺进行的VAE(醋酸乙烯-乙烯共聚物)乳液新品种的开发。通过在普通型VAE乳液配方基础上调整保护胶体的品种和用量,并采用新型氧化-还原引发体系,生产出高固含(6S%)低粘度的VAE乳液,具有优异的粘接强度和干燥速度。用于包装行业的快速粘接和配制成木材拼板胶,效果优异。     

VAc/AA改性的VAE乳液高速接嘴卷烟胶的研制

介绍了VAc/AA改性的VAE乳液高速接嘴卷烟胶的制备方法。研究了各种因素对胶粘剂性能的影响。结果表明 :VAc/AA用量增加 ,VAE乳液的粘接性能增强。选择与VAE乳液相适应的乳化剂和控制适宜的pH值 ,可以增加VAE乳液的稳定性。采用滴加引发剂和混合单体的方法 ,可以避免过速反应产生及大粒径胶粒生成     

融合复杂先验与注意力机制的变分自动编码器

传统变分自动编码器模型通常使用标准正态分布作为隐向量先验,当应用于推荐系统等复杂任务时容易导致模型过度正则化和隐向量解耦表现不佳。融合复杂隐向量先验与注意力机制,建立变分自动编码器模型。使用多层神经网络生成的隐向量先验分布替代标准正态分布作为假设先验分布,使得模型能根据数据学习先验分布并获得更多的潜在表征。在单层隐向量的基础上添加辅助隐向量,联合辅助隐向量与数据特征向量再生成隐向量,增强了隐向量的低维表现能力和解耦性。借助注意力机制的特征信息选择特点,对隐向量中重要节点赋予更大的权重值,使其能传递更重要的信息。在数据集Movielens-1M、Movielens-Latest-Small、Movielens-20M和Netflix上的实验结果表明,该模型的Recall@20、Recall@50、NDCG@100相较于基线模型平均提升了12.95%、10.80%、10.48%,具有更高的推荐精确度。     

基于变分自编码器的谣言立场分类算法

针对当前谣言检测任务中社交媒体推特平台的推文数据分布复杂且不均衡的特点,提出基于变分自编码器（VAE）的谣言立场分类算法VAE-LSTM。对数据进行预处理后,利用word2vec模型提取推文词向量并输入VAE中进行训练,得到符合简单概率分布的深度特征序列再从中采样获取有效特征,以避免数据量较大的推文类别影响特征向量。在此基础上,使用长短时记忆（LSTM）网络处理向量序列数据进而实现分类。理论分析和实验结果表明,VAE-LSTM算法无须手动提取或添加特征,训练过程简单高效,同时能缓解类间不平衡问题,其应用于实际场景准确率和F1得分分别为0.800和0.494,与时序注意力机制算法、Turing算法、霍克斯过程算法等相比分类性能更好,且较SVM等早期机器学习方法节省了大量数据预处理时间。     

VAE乳液研究进展

VAE乳液(醋酸乙烯-乙烯共聚乳液)可广泛用于胶粘剂、外墙外保温体系(EIFS)、建筑防水涂料及纺织品/无纺布等诸多领域中。介绍了VAE乳液的特性、应用以及国内生产企业概况,并对国内VAE乳液的发展趋势作了展望。     

有机硅氧烷改性VAE乳液的研究

在醋酸乙烯-乙烯共聚乳液（vAE乳液）聚合过程中添加有机硅氧烷单体制备改性VAE乳液。对比分析了不同种类、不同用量的有机硅氧烷对改性vAE乳液性能的影响。确定了有机硅氧烷单体在vAE乳液聚合过程中的最佳添加方式，筛选了聚合引发体系。研究表明，在反应过程中以H2O2--ZFS作为氧化-还原引发体系，选用长链的含水解阻碍官能团的硅氧烷，有机硅氧烷采用后添加的方式，能够合理而有效地控制反应节奏。制备出性能优异的改性VAE乳液。     

聚丙烯纤维玻化微珠复合保温材料的性能

分别采用碱处理、醋酸乙烯-乙烯共聚乳液(VAE乳液)包覆处理对聚丙烯纤维进行表面改性,研究了聚丙烯纤维掺量(质量分数,下同)对玻化微珠复合保温材料力学性能和软化系数的影响.结果表明:与空白样品相比,聚丙烯纤维掺量为1.0%时,玻化微珠复合保温材料的抗折强度和抗压强度分别提高93.75%和7.30%;聚丙烯纤维经过碱处理和VAE乳液包覆处理均可改善复合保温材料的界面结合状况,与未改性聚丙烯纤维相比,经碱处理后的改性聚丙烯纤维使复合保温材料的抗折强度和抗压强度分别提高了14.52%和4.08%,软化系数基本无变化;经VAE乳液包覆处理后的聚丙烯纤维使复合保温材料的抗折强度和抗压强度分别提高了58.06%和10.20%,软化系数增加了12.50%.采用扫描电子显微镜(SEM)对聚丙烯纤维表面微观形貌及复合保温材料断口形貌进行观察,探讨了改性聚丙烯纤维对玻化微珠复合保温材料的增强机制.     

基于变分自编码器的输送带煤量分级算法研究

为了能够高效精准地对煤矿带式输送机上的煤量进行分级,提出了一种基于变分自编码器(VAE)的输送带煤量分级算法。首先为了解决真实场景图像往往存在许多噪声信息的问题,利用VAE对图像进行重构处理,使图像更加光滑以减少噪声信息对后续分级的干扰。然后为了提升输送带煤量的分级精度,利用卷积神经网络(CNN)对重构后的图像进行分级预测。实验结果表明,相对于对比方法,此该算法在各评价指标上均有提升,同时重构图像能够保留原始图像的关键信息。     

改性大米淀粉胶粘剂的制备和应用

以大米淀粉为原料、丙烯酰胺(AM)为接枝改性剂、封闭型异氰酸酯为主交联剂和三羟甲基苯酚(TMP)为助交联剂,合成了一种改性大米淀粉胶粘剂。对各种影响因素进行了分析,得出了最佳的工艺参数,即当w(淀粉)≈25%(相对于主剂而言)、w(双氧水)=7%(相对于淀粉而言)、6%≤w(AM)≤8%(相对于主剂而言)、w(TMP)=5%(相对于主剂而言)、并选用乙烯/醋酸乙烯共聚乳液(VAE)作为分散剂以及采用亚硫酸氢钠对芳香族异氰酸酯预聚体进行封闭时,改性大米淀粉胶粘剂的耐水性能和胶接性能明显提高,符合Ⅱ类胶合板的使用要求。     

基于自回归预测模型的深度注意力强化学习方法

近年来,深度强化学习在各种决策、规划问题中展示了强大的智能性和良好的普适性,出现了诸如AlphaGo、OpenAI Five、Alpha Star等成功案例.然而,传统深度强化学习对计算资源的重度依赖及低效的数据利用率严重限制了其在复杂现实任务中的应用.传统的基于模型的强化学习算法通过学习环境的潜在动态性,可充分利用样本信息,有效提升数据利用率,加快模型训练速度,但如何快速建立准确的环境模型是基于模型的强化学习面临的难题.结合基于模型和无模型两类强化学习的优势,提出了一种基于时序自回归预测模型的深度注意力强化学习方法.利用自编码模型压缩表示潜在状态空间,结合自回归模型建立环境预测模型,基于注意力机制结合预测模型估计每个决策状态的值函数,通过端到端的方式统一训练各算法模块,实现高效的训练.通过CartPole-V0等经典控制任务的实验结果表明,该模型能够高效地建立环境预测模型,并有效结合基于模型和无模型两类强化学习方法,实现样本的高效利用.最后,针对导弹突防智能规划问题进行了算法实证研究,应用结果表明,采用所提出的学习模型可在特定场景取得优于传统突防规划的效果.