珍贵橙色束丝放线菌发酵产安丝菌素P-3的分离纯化工艺优化

安丝菌素是从珍贵橙色束丝放线菌的发酵液中分离出来的苯安莎类抗生素，具有显著的抗肿瘤活性。常采用乙酸乙酯对发酵液进行分离萃取，然而其发酵液成分复杂，除菌丝体外还含有许多杂蛋白质及易溶于有机溶剂的色素，这对后续提取和精制有很大的影响，影响产品质量和回收率。本文通过对AP-3发酵液进行预处理，将AP-3发酵液调整pH至3后，用10g/L硅藻土辅助抽滤；收集滤液，添加20g/L活性炭于60℃吸附2h，然后用洗脱液乙酸乙酯对活性炭进行脱附处理，2h后达到动态洗脱平衡，对洗脱液采用中性氧化铝柱层析，以乙酸乙酯和石油醚作为洗脱剂进行梯度洗脱，最终获得AP-3纯度86.15%，经重结晶后得到AP-3纯品，经过HPLC检测AP-3纯度达95%。     

改进Elman神经网络在短期热负荷预测中的应用

热电厂的短期热负荷预测在城市集中供暖中起着至关重要的作用,直接影响热电厂的经济效益和热能利用率。电厂的短期热负荷一般采用神经网络预测模型进行预测,而BP神经网络应用最为广泛。Elman神经网络算法在BP神经网络基础上加入了承接层,作为一步延时算子,实现记忆能力,使系统具备适应时变能力,增强系统全局稳定性。但Elman神经网络算法模型的构造依然需要大量样本的支撑,而且输入层的变量多,导致预测时间依然很长,收敛速度慢。该文在Elman神经网络预测前,进行了相关系数预处理和对样本中异常值的平均化预处理,通过数据归一化运算,使Elman神经网络输入层变量大幅减少。仿真实验表明,改进的Elman神经网络算法使预测模型快速寻优,减少预测时间的同时明显提高预测精度。     

溶液浓差能驱动的逆电渗析反应器制氢实验研究

低品位热能制氢技术首先是将热能转换为溶液浓差能，然后通过逆电渗析（RED）反应器将溶液浓差能转换成氢能。为了验证RED反应器能将溶液浓差能转换为氢能，探索关键运行参数变化对能量转换过程的影响。设计了一个由40个膜对所构成的RED反应器，以NaCl水溶液为工作溶液，NaOH水溶液为电极液的制氢系统。通过改变浓/稀溶液入口浓度，溶液过膜流速以及输出电流来考察对RED反应器产氢率、制氢效率和能量转换效率的影响。实验结果发现，浓/稀溶液入口浓度，过膜流速变化均会影响RED反应器的输出电流。在外电路短接条件下，输出电流越大，反应器产氢率和制氢效率越高，但能量转换效率越低。     

扩展稀疏表示稳健HRRP目标特征提取方法

为提高低信噪比下高分辨一维距离像目标识别性能，提出扩展稀疏表示的噪声稳健目标特征提取方法。本方法通过对稀疏表示的扩展，实现对目标高分辨一维距离像局部特征与全局特征的提取。其中，在训练阶段利用支持向量理论与字典学习原理，对特征提取字典进行优化提高特征向量的可分性。在测试阶段，利用因子分析模型匹配方法对去噪声字典进行优化，从而实现对噪声的有效抑制，保证了目标识别系统的噪声稳健性。利用实测数据对本方法性能进行测试，结果表明本方法可在低信噪比条件下有效地恢复目标高分辨一维距离像，并实现较高的识别正确率。     

基于改进深度学习算法的文本极性智能判断方法研究

为了解决传统的文本极性智能判断方法判断结果准确率和召回率普遍较低的问题,基于改进深度学习算法研究一种新的文本极性智能判断方法。在CNN结构基础上设计一种新的深度学习算法模型,模型由输入层、输出层、采集层、连接层、卷积层五部分构成。使用该模型对文本进行智能判断,判断过程共有五步,分别是文本预处理、情感词提取、表情符号提取、感情倾向值计算和情感最终倾向值分析。为检测所提方法的有效性以及优越性,与传统判断方法进行实验对比,结果表明,基于改进深度学习算法的文本极性智能判断方法判断的准确率和召回率更高,发展空间更广阔。     

玉米秸秆衍生碳基固体酸的制备及其催化纤维素水解糖化

以玉米秸秆为原料，通过碳化-磺化法制备了碳基固体酸（CSA），采用XRD、FTIR、XPS、SEM、阳离子交换与返滴定法等手段对其结构形貌进行表征，并考察了制备条件对固体酸表面活性基团含量与催化活性的影响。以NaOH/尿素冻融预处理后的纤维素为底物，研究了CSA催化纤维素水解糖化的效果与条件。结果表明：NaOH/尿素冻融预处理能够有效辅助固体酸催化纤维素水解，在350℃碳化2h、100℃磺化5h条件下制备的CSA催化性能最好，其酸量达3.94mmol/g，其中磺酸基、羧基、酚羟基含量分别为1.09mmol/g、1.36mmol/g、1.49mmol/g。在m(CSA)∶m(纤维素)=3∶1、水解温度200℃、水解时间为0.5h的条件下，纤维素水解还原糖得率与转化率分别为47.1%和63%。CSA循环利用3次催化活性下降不大。本研究可为废弃生物质原料制备的固体酸催化纤维素水解转化利用提供科学参考。     

一种高误码(n,k,m)非系统卷积码盲识别算法

针对信息截获等领域中的卷积码盲识别问题，提出一种高误码 (n,k,m)非系统卷积码盲识别算法。首先建立可变的数据矩阵模型，对侦收到的数据进行相关预处理，以减小误码对识别的影响，提高算法的容错性能；再对预处理后的数据矩阵进行统计分析，识别出卷积码的各项参数，并提取各个数据矩阵的校验序列；进而利用校验序列构建线性方程组求解生成多项式矩阵组，通过设定筛选生成多项式矩阵的条件，筛选出非系统卷积码的生成多项式矩阵，最终完成对非系统卷积码的识别。仿真实验表明，该算法可以对高误码(n,k,m)非系统卷积码实现有效的盲识别。