雪菊精油对希氏肠球菌产酪胺及相关基因表达的影响

探讨不同质量浓度雪菊精油对希氏肠球菌（Enterococcus hirae）N47产酪胺的影响机制。利用反转录实时定量聚合酶链式反应分析E. hirae在雪菊精油作用下酪氨酸脱羧途径相关基因的表达情况；利用高效液相色谱法检测不同质量浓度雪菊精油对E. hirae产酪胺的影响。并将E. hirae接入到含不同质量浓度雪菊精油的熏马肠中发酵，评估香肠pH值、菌落总数和酪胺积累量。结果表明：在E. hirae纯培养体系和熏马肠体系中，雪菊精油通过抑制微生物的生长和酪氨酸脱羧途径中tyr DC、tyr P基因的表达，降低酪胺的积累量（P＜0.05）。当雪菊精油添加量为1/2最小抑菌浓度（minimal inhibitory concentration，MIC）和MIC时，熏马肠中酪胺的含量分别为78.52 mg/kg和45.83 mg/kg，较对照组分别减少了64.72%和79.41%。     

基于纸浆纤维的贵重物品内包装塑造系统研究

为解决贵重物品与其内包装“契合度”不高的问题，提出基于纸浆纤维的贵重物品内包装塑造系统。系统通过三维扫描获取待包装物品的点云信息，经主控计算机进行数据处理，以下位机为执行中枢，辅之其他外部设备，利用纸浆纤维为贵重物品塑造“量身定制”的内包装，提升内包装契合度，增强保护效果，绿色环保，安全稳定。     

基于VMD和改进TCN的短期光伏发电功率预测

光伏发电功率存在波动性,且光伏出力易受各种气象特征影响,传统TCN网络容易过度强化空间特性而弱化个体特性。针对上述问题,文中提出一种基于VMD和改进TCN的短期光伏发电功率预测模型。通过VMD将原始光伏发电功率时间序列分解为若干不同频率的模态分量,将各个模态分量以及相对应的气象数据输入至改进TCN网络进行建模学习。利用中心频率法确定VMD的最优分解模态分解个数。在传统TCN预测模型的基础上,使用DropBlock正则化取代Dropout正则化以达到抑制卷积层中信息协同的效果,并引入注意力机制自主挖掘并突出关键气象输入特征的影响,量化各气象因素对光伏发电的影响,从而提高预测精度。以江苏省某光伏电站真实数据为例进行仿真实验,结果表明所提预测方法的RMSE为0.62 MW,MAPE为2.03%。     

三维石墨烯-碳纳米管/水泥净浆的压敏性能

为了探索三维石墨烯-碳纳米管(G-CNTs)/水泥净浆的压敏性能,采用四电极法研究了荷载作用下GCNTs/水泥净浆的电阻率变化,并分析不同G-CNTs掺量、加载幅度、加载速度以及恒定荷载对电阻率变化的影响。研究表明:随着G-CNTs掺量的增加,电阻率呈先减小后稳定的变化趋势,在G-CNTs掺量由0.2wt%增加至1.6wt%时,电阻率下降51.8%;电阻率与温度呈负相关;G-CNTs掺量高于0.8wt%时可以显著提高水泥净浆的压敏性能,且电阻率变化率与应力应变有明显的对应关系,1.2wt%G-CNTs掺量下试件的应力灵敏系数和应变灵敏系数分别为2.3%/MPa和291;G-CNTs/水泥净浆电阻率变化率幅值随着加载幅度增大而相应增加,其电阻率变化率曲线在不同加载速度以及恒定荷载作用下均与应力-应变曲线一一对应,具有良好的压敏特性。     

丁二酸酐酯化改性糯米淀粉的研究

目的 为了提高糯米淀粉的粘度，以达到标签胶的要求。方法 对糯米淀粉进行丁二酸酐酯化改性，通过单因素试验及响应面优化确定出最佳酯化条件，测定其理化性质，并对其进行结构表征。结果 丁二酸酐酯化改性糯米淀粉的最优工艺条件：丁二酸酐添加量（丁二酸酐占淀粉干基的质量百分比）为10.3%，酯化温度为41.5℃，酯化时间为2.0 h,pH为9.0，在此条件下制得的糯米淀粉胶的粘度较高，可达到61.6 Pa·s，且溶解性与溶胀度均有不同程度的提高。电镜与热力学性质分析表明，酯化后淀粉颗粒结晶结构受到破坏，表面粗糙，出现凹陷与裂缝。结论 经过丁二酸酐酯化后，糯米淀粉胶的粘度得到提高。     

煤峪口矿81010工作面煤层底板裂隙发育特征及防治

针对煤炭开采过程中出现的突水事故,采用RFPA数值模拟软件建立采动模型,对底板裂隙破断过程和声发射进行模拟,研究煤层底板采动裂隙扩展突水通道,结果表明:离断层越近,断层内水压导升高度越高,断层出现活化,裂隙扩展发育,最终贯通形成导水通道,在进行注浆改造后,单个钻孔的最大涌水量为8 m³/h,说明注浆加固防治水效果较好,能确保工作面的安全回采。     

Visual privacy attacks and defenses in deep learning: a survey

The concerns on visual privacy have been increasingly raised along with the dramatic growth in image and video capture and sharing. Meanwhile, with the recent breakthrough in deep learning technologies, visual data can now be easily gathered and processed to infer sensitive information. Therefore, visual privacy in the context of deep learning is now an important and challenging topic. However, there has been no systematic study on this topic to date. In this survey, we discuss algorithms of visual privacy attacks and the corresponding defense mechanisms in deep learning. We analyze the privacy issues in both visual data and visual deep learning systems. We show that deep learning can be used as a powerful privacy attack tool as well as preservation techniques with great potential. We also point out the possible direction and suggestions for future work. By thoroughly investigating the relationship of visual privacy and deep learning, this article sheds insights on incorporating privacy requirements in the deep learning era.