水中微塑料污染及转化去除的研究进展

阐述了微塑料的来源、分布以及迁移转化过程,分析评价了微塑料的毒性效应,探讨了混凝、高级氧化及膜生物反应器技术去除微塑料的研究进展。通过论述,揭示水环境中微塑料对生态系统造成的潜在风险以及对人类健康的威胁,提出目前微塑料去除技术的优势和不足,并为今后微塑料的研究做出建议和展望。     

基于智能合约的物联网访问控制架构与验证

针对传统的访问控制方法存在单点故障,不能提供可信、安全、动态化权限管理的问题,提出了一种面向无线传感器网（WSN）的基于区块链和智能合约的新型访问控制方法,以解决现有的基于区块链的访问控制方法存在的访问动态化、智能化水平不高等问题。首先,提出一种基于区块链的新型访问控制管理架构,降低网络运算开销;其次,搭建多层次智能合约体系,设计代理合约（AC）、权限管理合约（AMC）和访问控制合约（ACC）,以实现对WSN的可信化、动态化的权限管理;最后,采用基于径向基函数（RBF）神经网络的动态权限生成算法,并结合访问政策动态生成访问节点的信用度阈值,实现面向WSN海量传感器的智能化、动态化的访问控制管理。实验结果表明,所提模型在WSN安全访问控制应用上具有可行性、安全性和有效性。     

基于多模态注意力机制的跨模态哈希网络

深度跨模态哈希算法（deep cross-modal Hash,DCMH）可以结合哈希算法存储成本低、检索速度快的优点,以及深度神经网络提取特征的强大能力,得到了越来越多的关注。它可以有效地将模态的特征和哈希表示学习集成到端到端框架中。然而在现有的DCMH方法的特征提取中,基于全局表示对齐的方法无法准确定位图像和文本中有语义意义的部分,导致在保证检索速度的同时无法保证检索的精确度。针对上述问题,提出了一种基于多模态注意力机制的跨模态哈希网络（HX_MAN）,将注意力机制引入到DCMH方法中来提取不同模态的关键信息。利用深度学习来提取图像和文本模态的全局上下文特征,并且设计了一种多模态交互门来将图像和文本模态进行细粒度的交互,引入多模态注意力机制来更精确地捕捉不同模态内的局部特征信息,将带有注意的特征输入哈希模块以获得二进制的哈希码;在实行检索时,将任一模态的数据输入训练模块中来获得哈希码,计算该哈希码与检索库中哈希码的汉明距离,最终根据汉明距离按顺序输出另一种模态的数据结果。实验结果表明：HX_MAN模型与当前现有的DCMH方法相比更具有良好的检索性能,在保证检索速度的同时,能够更准确地提炼出图像和文本模态的局部细粒度特征,提高了检索的精确度。     

三维电解强化木醋液废水可生化性

该文主要研究不同有机负荷发酵条件下废水的毒性作用规律,并考察三维电解技术的解毒效果.实验结果表明,随着有机负荷的升高,产甲烷活性抑制程度逐渐增强且COD去除率急剧降低,在4 g COD/L时产甲烷抑制率达到38.2％.结合高通量测序技术对发酵过程中细菌和古菌进行分析,发现微生物菌群结构发酵前后变化较为明显.而经优化的三...     

芬顿铁泥资源化利用研究进展

芬顿铁泥是芬顿氧化技术处理工业有机废水产生的一种工业危险废弃物。芬顿铁泥中含有大量的铁资源,具有很高的资源回收潜力,现已成为国内外的研究热点。从化学法、热能法两个方面综述了目前国内外对芬顿铁泥的各类资源化利用方法,并对各类典型方法的研究进展、优缺点以及核心技术进行了介绍。展望了芬顿铁泥资源化利用未来的发展目标,并基于中国火电厂运行实际情况提出芬顿铁泥资源化利用新途径,即将芬顿铁泥作为原材料制备火电厂铁基选择性催化还原（SCR）脱硝催化剂,以期充分回收利用芬顿铁泥中的铁资源,减小铁泥堆积所造成的环境危害。     

基于时序超图卷积神经网络的股票趋势预测方法

传统的股票预测方法大多基于时间序列模型,忽视了股票之间复杂的关系,并且该关系往往超出成对连接,例如同行业板块内股票或者基金持仓多支股票。针对该问题,提出一种基于时序超图卷积神经网络（HGCN）的股价走势预测方法,根据金融投资事实构造超图模型以拟合股票之间的多元关系,该模型包括两大组件：门控循环单元（GRU）网络和超图卷积神经网络。GRU网络对历史数据进行时间序列建模,捕捉长期依赖关系;HGCN建模股票间的高阶关系以学习内在关系属性,从而将股票间多元关系信息引入到传统的时序建模中,进行端到端的趋势预测。在中国A股市场真实数据集上的实验结果表明,相较于已有的股票预测方法,所提模型预测性能有所提升;如与GRU网络相比,所提模型在ACC和F1_score上的相对增幅分别为9.74%和8.13%,且更具有稳定性。此外,模拟回测结果显示,基于该模型的交易策略更具获利能力,年回报率达到11.30%,与长短期记忆（LSTM）网络相比提高了5个百分点。     

结构增强的属性网络表示学习

属性网络表示学习旨在结合结构信息与属性信息为网络中的节点学习统一的向量表示。现有的属性网络表示学习方法在学习属性信息时与其互补的结构信息增强不足,从而影响最终表示。针对这一问题,提出一种结构增强的属性网络表示学习方法,以提高表示质量。该方法基于网络归一化邻接矩阵和属性矩阵通过自动编码器提取增强网络全局结构特性的属性信息,使用skip-gram模型捕捉局部结构信息,引入一个联合损失函数使结构信息与属性信息在同一向量空间中得以表示。在三个真实属性网络数据上进行节点分类和链路预测实验,效果较目前流行的网络表示学习方法优势明显。     

焙烧温度对球状Ni-Al纳米催化剂结构及生物质催化热解的影响研究

采用水热法制备三维Ni-Al纳米结构催化剂,并利用多种表征手段和稻壳催化热解实验研究焙烧温度（500~800 ℃）对催化剂的整体结构及催化性能的影响。结果表明：催化剂为球状结构,活性位点分布均匀,焙烧温度对材料结构有显著影响,800 ℃焙烧条件下球状结构有向内塌陷的趋势。相较于无催化条件下的稻壳热解产物,催化热解后焦油产率明显减小,产气量大幅提高。500 ℃焙烧制备的Ni-Al催化剂作用条件下,稻壳热解气体产物中H₂/CO最大可达2.66,600 ℃焙烧条件下可获得最大合成气产量737 mL/g,而700 ℃焙烧条件下可获得最低的焦油产率（13.5%）。材料表征发现,反应后的催化剂仍具有稳定的球状结构与活化性能。     

Ni、Fe负载CaO催化剂作用下生物油模化物水蒸气催化重整制氢研究

采用浸渍法制备Ni/CaO、Fe/CaO、Ni-Fe/CaO催化剂,用于生物油模化物乙酸水蒸气催化重整反应.对反应前后催化剂进行BET、H2-TPR、CO2-TPD、XRD等表征.通过比较3种催化剂重整反应性能得出Ni/CaO催化剂具有最佳性能.进一步研究在Ni/CaO催化剂参与下反应温度、水碳比(S/C)、液时空速(...     

模块化数据中心感烟灭火装置优化设计

针对模块化数据中心感烟灭火装置火灾探测灵敏度低、灭火介质效率低、储压式设计存在危险等问题,设计火灾探测与灭火一体化的感烟灭火装置。基于Mie散射原理,利用主动空气采样感烟探测技术进行早期火灾探测;利用光学仿真软件对探测暗室的光路进行模拟仿真,优化设计探测暗室结构;发明一种非储压式、洁净环保型全氟己酮灭火装置,装置具有多级报警设计。经测试,装置初、中、高级报警灵敏度分别为0.05,0.11,0.21 db/m。感烟灵敏度为Ⅰ级,灭火剂平均喷射时间为7.2 s,灭火时间平均为11.2 s,具有较高灵敏度和良好灭火能力,能够保障数据中心设备安全运行。