金属磁记忆检测技术概况及初步应用

介绍金属磁记忆检测技术的背景、发展、现状、目的和意义，用两个应用实例初步评价了磁记忆检测技术的有效性，提出了磁记忆技术发展的近期和远期目标，展望了应用前景。     

纳米W-Cu粉末的均相沉淀法制备及其烧结性能

采用湿化学工艺--蒸氨均相沉淀法,制备了纳米CuWO4·2H2O/Cu2WO4(OH)2均相沉淀物,然后煅烧、还原,得到含Cu 30%的W-Cu复合粉.将该复合粉压坯在H2气氛中于不同温度下烧结后,对烧结体的微结构和物理、力学性能等进行了测试分析.实验结果表明:蒸氨均相沉淀法制备的W-Cu复合粉体具有纳米粒度和均匀的化学组成,其烧结活性高,在较低温度下烧结即可达很高的致密化程度.由上述W-Cu粉体所制备的烧结体具有良好的物理、力学性能.     

4种新型氟碳表面活性剂

介绍了巨化集团技术中心最新开发的4种氟碳表面活性剂:3-三聚环氧六氟丙烷酰胺基丙基(2-亚硫酸) 乙基二甲基铵、3-三聚环氧六氟丙烷酰胺基丙基甜菜碱、8-3-9氟碳-碳氢柔桥混链双季铵、6-3_9氟碳柔桥混链双季铵。其临界胶束浓度CMC分别为1.14×10-4、1．12×10-3、4．93×10-4、2．78×10-4 mol／L,在临界胶束浓度时表面张力分别为19．0、22．0、20．9、22．7 mN／m,在质量分数0．1％时,表面张力分别为16．4、18．2、19．2、20．4 mN／m。分析了氟碳表面活性剂结构与性能的关系。     

国外先进的水合肼生产工艺

对国外先进的水合肼生产工艺－拜尔工艺和ｐｃｕｋ工艺作了介绍和总结，并与传统的老工艺－腊希工艺及尿素法作了技术经济上的对比最后分析了国内水合肼生产技术与国际先进水平的差距，指出了国内外水合肼生产技术发展和进步的方向。     

酞菁配合物在光限幅中的应用

酞菁配合物是一种很有前途的光限幅材料,具有特殊的结构和优良的光限幅性能,已引起人们极大的兴趣。综述了近年来酞菁配合物光限幅材料的研究,并展望了今后的研究方向。     

当归挥发油的提取与成分分析

采用常压水蒸汽蒸馏法、超声波提取法、微波提取法提取当归挥发油,实验表明采用微波提取法在微波功率720 W、萃取时间120 s、100 mL环己烷中的收率最高,为1.04%.并采用GC-MS联用技术对3种方法提取到的挥发油进行了成分和含量分析,主要成分是当归的活性成分藁本内酯.     

重组人白细胞介素-10在大肠杆菌中的表达及生物学活性分析

目的在大肠杆菌中表达重组人白细胞介素-10(Interleukin-10,IL-10),并检测其生物学活性。方法将IL-10基因重组到质粒pET11c中,转化BL21(DE),提取质粒,经酶切鉴定和测序分析;在25℃用低浓度的IPTG诱导表达,对包涵体IL-10稀释复性;经ELISA检测其含量,MC/9细胞增殖法检测其生物学活性。结果工程菌IL-10/pET11c/BL21诱导表达的目的蛋白以可溶性和包涵体两种形式存在,Westernblot鉴定证实为IL-10蛋白,两种形式的IL-10均具有一定的生物学活性。结论已成功地在大肠杆菌中表达了IL-10,为进一步纯化和制备IL-10的基因工程药物打下了基础。     

注塑机模板的实用计算模型

本文通过对注塑机合模机构实际工作情况的分析，提出了模板可简化为两端固定的普通梁的基本假设．并采用有限元方法和回归分析法，推出了注塑机前、后模板新的实用计算模型．经厂家实际使用证明，该计算模型简单、实用可靠，可以在注塑机模板设计中应用。     

高斯PLDA在说话人确认中的应用及其联合估计

近年来,基于总变化因子的说话人识别方法成为说话人识别领域的主流方法.其中,概率线性鉴别分析（Probabilistic linear discriminant analysis,PLDA）因其优异的性能而得到学者们的广泛关注.然而,在估计PLDA模型时,传统的因子分析方法只更新模型空间,因此,模型均值不能很好地与更新后的模型空间耦合.提出联合估计法对模型均值和模型空间同时估计,得到更为严格的期望最大化更新公式,在美国国家标准与技术局说话人识别评测2010扩展测试数据库以及2012核心测试数据库上,等错率得到一定提升.     

面向口语统计语言模型建模的自动语料生成算法

在资源相对匮乏的自动语音识别(Automatic speech recognition, ASR)领域, 如面向电话交谈的语音识别系统中, 统计语言模型(Language model, LM)存在着严重的数据稀疏问题. 本文提出了一种基于等概率事件的采样语料生成算法, 自动生成领域相关的语料, 用来强化统计语言模型建模. 实验结果表明, 加入本算法生成的采样语料可以缓解语言模型的稀疏性, 从而提升整个语音识别系统的性能. 在开发集上语言模型的困惑度相对降低7.5%, 字错误率(Character error rate, CER)绝对降低0.2个点; 在测试集上语言模型的困惑度相对降低6%, 字错误率绝对降低0.4点.