双对苯醌的抗氧化活性分析及其固体发酵条件优化

为探索生物活性未知的双对苯醌（2,7-dihydroxy-3,6,9-trimethyl-9H-xanthene-1,4,5,8-tetraone，DTXT）的抗氧化活性，并提高其发酵产量，考察DTXT的还原力以及对超氧阴离子自由基、羟自由基、1,1-二苯基-2-三硝基苯肼（1,1-diphenyl-2-picrylhydrazyl，DPPH）自由基的清除效果，在单因素试验基础上，采用响应面法优化了DTXT产生菌瓶生顶孢霉（Acremonium cavaraeanum）CA022菌株的固体发酵培养基。结果表明：在200 μg/mL质量浓度下，DTXT的还原力与芦丁差异不显著，高于VE和2,6-二叔丁基-4甲基苯酚，对超氧阴离子自由基清除率达到67.00%，对羟自由基清除率达到78.83%，对DPPH自由基清除率达到76.53%。通过响应面试验，得到最佳培养基配方为葡萄糖0.773%、硝酸钠0.185%、H3BO3 0.032%、VB1 100 μg/100 g，在此条件下实际获得的DTXT产量为4 150.8 mg/kg，是优化前产量的（2 864.83 mg/kg）1.45 倍。     

电气设备安装施工的优化对策

阐述电气设备安装施工的特点，存在的问题，改进对策，包括优化电气设备安装设计、施工技术的选择、电气设备的质量控制。     

中国酿造杂志征稿简则

《中国酿造》创刊于1982年,是由中国商业联合会主管,中国调味品协会及北京食品科学研究院主办的综合性科技期刊。重点报道调味品、酿酒、食品微生物、食品添加剂、发酵乳制品、生物工程技术、生物化工、生物质能源等领域的研究成果及发展动态。《中国酿造》是中文核心期刊、中国科技核心期刊,被美国《化学文摘》(CA)、美国《乌利希期刊指南》(UPD),美国EBSCO数据库、英国《食品科学文摘》(FSTA)、英国《国际农业与生物科学研究中心》(CABI)、俄罗斯《文摘杂志》(AJ)等数据库收录。     

低压静电场辅助冷冻对竹笋品质的影响

为研究低压静电场辅助冷冻对竹笋冻结特性的影响，以冻结曲线、硬度、水分损失率、水分迁移、冰晶形态和组织微观结构为指标，探究低压静电场辅助冷冻（－35 ℃）和普通冷冻（－35 ℃）条件下竹笋品质的变化规律。结果表明：低压静电场辅助冷冻提高了冻结效率，改变了冰晶形态及分布，减轻了组织微观结构破损程度，改善了解冻汁液流失情况。与静电板间距10、20、30、40 cm处的冷冻竹笋解冻后水分损失率分别为14.16%、12.58%、9.73%、10.44%，显著低于对照组（21.01%）（P＜0.05），硬度分别为461.19、507.48、496.65 g和455.31 g，显著高于对照组（350.70 g）（P＜0.05）。低场核磁共振分析结果表明，在低压静电场辅助冷冻下竹笋解冻后汁液流失减少，扫描电子显微镜观察结果显示，竹笋纤维排列整齐，组织微观结构保持较好。低压静电场辅助冷冻可有效改善竹笋品质，可为利用低压静电场进行果蔬的冷冻贮藏和冷链运输提供参考。     

新媒体环境下智慧化阅读推广研究——以重庆第二师范学院为例

开展智慧化阅读推广,紧跟时代步伐,有效提升读者多重阅读体验和满意度,增强智慧化阅读推广的价值,促进智慧化阅读推广服务的有效化、规范化、科学化、常态化、长期化发展,已成为当前阅读推广研究中一个重要的切入点。文章基于智慧化阅读研究,结合"新媒体"高新技术环境,提出智慧化阅读推广的内容分析、具体实施、环境构建、推广评估与效果、推广改进等几个方面组成的以读者为中心的核心服务体系。本文分析了智慧化阅读基本方面,以我校图书馆实际运用推广效果,智慧化阅读存在的优、劣势及相应的对策。     

5G核心网业务模型的智能化预测研究

摘 要：核心网业务模型的建立是5G网络容量规划和网络建设的基础，通过现有方法得到的理论业务模型是静态不可变的且与实际网络存在偏离。为了克服现有5G核心网业务模型与现网模型适配性较差以及规划设备无法满足用户实际业务需求的问题，提出了一种长短期记忆（long short-term memory，LSTM）网络与卷积LSTM （convolution LSTM，ConvLSTM）网络双通道融合的 5G 核心网业务模型预测方法。该方法基于人工智能（artificial intelligence，AI）技术以实现高质量的核心网业务模型的智能预测，形成数据反馈闭环，实现网络自优化调整，助力网络智能化建设。     

配电网检修的风险可视化分析

阐述可视化控制平台控制配网通信网络的整体运行,实现对电网的智能化管理和监控。基于服务器硬件和软件平台,开发了具有图形可视化显示、数据处理和分析功能的客户/服务器可视化管理系统。     

基于全U网络的混凝土路面裂缝检测算法

针对现有的混凝土裂缝检测算法在各种复杂环境中检测精度不够、鲁棒性不强的问题,根据深度学习理论和U-net模型,提出一种全U型网络的裂缝检测算法。首先,依照原U-net模型路线构建网络;然后,在每个池化层后都进行一次上采样,恢复其在池化层之前的特征图规格,并将其与池化之前的卷积层进行融合,将融合之后的特征图作为新的融合层与原U-net网络上采样之后的网络层进行融合;最后,为了验证算法的有效性,在测试集中进行实验。结果表明,所提算法的平均精确率可达到83.48%,召回率为85.08%,F1为84.11%,相较于原U-net分别提升了1.48%,4.68%和3.29%,在复杂环境中也能提取完整裂缝,保证了裂缝检测的鲁棒性。