淀粉接枝共聚高吸水树脂的研究进展及应用

介绍了淀粉系高吸水性树脂的制备引发方式,阐述了利用化学引发法合成的淀粉接枝丙烯腈类、丙烯酸类和丙烯酸酯或丙烯酰胺类3个系列吸水树脂的研究进展,并且介绍了淀粉接枝共聚高吸水树脂在个人卫生、医药、农业园林等方面的应用。简要指出了高吸水树脂的研究及发展方向。     

给IT人算算账

据说国内IT企业薪资最为优厚的企业是深圳某公司,而且其他IT企业也紧随其后,这多少令本来就供不应求的IT人才市场"战事频频",IT人的薪资随之水涨船高.每年10月一过,在各大高校人才招聘会上争夺最为惨烈的就是计算机专业.计算机专业的学子也为自己即将成为一名准IT人而自豪不已,因为多年的寒窗苦读马上就可以"变现"为诱人的货币单位.     

用块稀疏贝叶斯学习算法重构识别体域网步态模式

针对低功耗体域网步态远程监测终端非稀疏加速度数据重构和步态模式识别性能优化问题,提出了一种基于块稀疏贝叶斯学习的体域网远程步态模式重构识别新方法,该方法基于体域网远程步态监测系统架构和压缩感知框架,在体域网传感节点利用线性稀疏矩阵压缩原始加速度数据,减少传输数据量,降低其功耗,同时在远程终端基于块稀疏贝叶斯学习算法充分利用加速度数据块结构内在相关性,获取加速度数据内在稀疏性,有效提高非稀疏加速度数据重构性能,为准确识别步态模式提供可靠的数据支撑.采用USC-HAD数据库中行走、跑、跳、上楼、下楼五种步态运动的加速度数据验证新方法的有效性,实验结果表明,基于所提算法的加速度数据重构性能明显优于传统压缩感知重构算法性能,使基于支持向量机多步态分类器识别准确率可达98%,显著提高体域网远程步态模式识别性能.所提新方法不仅有效提高非稀疏加速度数据重构和步态模式识别性能,并且也有助于设计低功耗、低成本的体域网加速度数据采集系统,为体域网远程监测步态模式变化提供一个新方法和新思路.     

基于过完备字典稀疏表示的多通道脑电信号压缩感知联合重构

该文基于多通道脑电信号时空特性构建非正交变换过完备字典,准确稀疏表示蕴含时空相关性信息的多通道脑电信号,提高基于时空稀疏贝叶斯学习模型的多通道脑电信号压缩感知联合重构算法性能。实验选用eegmmidb脑电数据库的多通道脑电信号验证所提算法有效性。结果表明,基于过完备字典稀疏表示的多通道脑电信号,能够为多通道脑电信号压缩感知重构算法提供更多的时空相关性信息,比传统多通道脑电信号压缩感知重构算法所得的信噪比值提高近12 dB,重构时间减少0.75 s,显著提高多通道脑电信号联合重构性能。     

基于块稀疏贝叶斯学习的人体运动模式识别

在人体运动模式识别中, 传统稀疏表示分类算法未考虑待测试样本相应稀疏系数向量内在块结构相关性信息,影响了算法识别性能。为此,提出一种基于块稀疏模型的人体运动模式识别方法。该方法充分利用人体运动模式内在块稀疏结构,将人体运动模式识别问题转化为稀疏表示问题,采用块稀疏贝叶斯学习算法,求解基于样本训练集优化稀疏表示待测样本的稀疏系数, 并根据稀疏系数重构残差判定待识别动作类别,能有效提高人体运动模式识别率。选用包含多类别人体动作行为模式的USC-HAD数据库对所提算法性能进行了验证。实验结果表明,所提算法能够有效捕获不同运动模式内在差异信息,平均动作识别率达到97.86%,比传统动作识别方法平均提高近5%,有效提高了动作识别准确率。     

聚丁二酸丁二醇酯的合成及工艺研究

以丁二酸(SA),1,4-丁二醇(BDO)为原料,通过熔融聚合法合成聚丁二酸丁二醇酯(PBS)。通过对催化剂筛选及用量、缩聚反应温度、总反应时间和酸醇比等因素对产品粘均分子量影响的探讨,优化出了熔融法合成PBS的最佳工艺条件:选择SnCl2做催化剂,用量在2%(以催化剂加入SA的质量比表示),缩聚反应温度在230℃,总反应时间5h,在酸醇配比为1∶1.1时,反应得到的PBS产品的粘均分子量最大,粘均分子量为5.14×104g/mol,产品颜色为白色。用IR、TG、1H-NMR等表征证明产品合成成功。     

醋酸素雅缎染整工艺探讨

讨论了醋酸素雅缎（涤纶/二醋酸织物）的染整工艺条件,选择了最佳工艺参数,解决了强力损伤、皱印、两相色不匀等关键技术难题,已替代进口,批量生产。     

织物印花用可逆热敏变色涂料

简述了热变色材料的开发情况，介绍了有机类热敏剂复配物的微胶囊化方法、胶囊壁材种类、芯材种类，最后指出了可逆热敏变色涂料的应用前景。     

国产α-乙酰乳酸脱羧酶在啤酒生产中的应用

双乙酰的前驱物质是α-乙酰乳酸,在生产过程中添加α-乙酰乳酸脱羧酶可迅速降解α-乙酰乳酸,从而降低双乙酰含量,缩短发酵周期.通过两年来对进口和国产α-乙酰乳酸脱羧酶的试用比较,认为国产α-乙酰乳酸脱羧酶的使用效果完全可靠,能够替代进口同类酶制剂.     

基于K-SVD的最大似然稀疏表示体域网动作分类算法

为有效提高体域网动作分类性能,本文提出了一种基于K-SVD的最大似然稀疏表示体域网动作分类算法. 该算法首先基于K-SVD优化学习算法,将不同动作模式训练样本按其所属类别分组优化训练,避免各类样本数据训练时相互干扰,得到不同动作模式类别所属的子字典,然后将其拼合构成一个完整字典,准确稀疏表示测试样本,最后基于最大似然稀疏模型准确估计稀疏表示系数残差,并得到测试样本所属类别. 实验结果表明,本文所提算法能够获得最优字典,基于最大似然稀疏表示可准确估计测试动作样本稀疏表示残差. 所提算法识别率明显优于传统稀疏表示动作分类算法,可有效提高体域网动作模式分类性能.