沙棘籽多酚超声耦合真空提取工艺的研究

以沙棘籽多酚得率为指标,通过超声波耦合真空提取法确定沙棘籽多酚的最佳提取工艺。采用单因素和响应面设计相结合的方法,以料液比、超声温度、功率、提取时间为考察因素,优化沙棘籽多酚提取工艺。结果表明,超声耦合真空法提取沙棘籽多酚的最佳工艺条件为：超声功率260 W,液固比 20∶1,超声时间30 min,超声温度52 ℃,在此条件下多酚得率为（11.394±0.083）%。经验证,与模型预测值（11.422%）相比较无显著差异（P>0.05）。提示,运用超声波耦合真空法提取沙棘籽多酚稳定可靠,节能省时,具有实用价值,可用于工业化大规模生产。     

新时代家风建设的思想基础与实践路径探析 #br#

党的十八大以来,以习近平同志为核心的党中央高度重视家风建设在治国理政中的独特作用,深刻体现了家与国辩证统一的战略思维。优秀传统家训文化、马克思、恩格斯家庭观以及红色家风文化是新时代家风建设的思想基础。创造性转化和创新性发展优秀传统家训文化,继承和弘扬红色家风文化,运用好道德和制度两个杠杆,发挥好女性在家风建设中的重要作用是新时代家风建设的重要实践路径。     

基于罗丹明B为发色团的锡离子荧光探针的合成及识别性能研究

以2-氨基嘧啶和罗丹明B为原料,两步法反应合成一种罗丹明基荧光探针,通过荧光和紫外-可见光谱法研究探针对金属离子的检测能力。实验结果表明,该探针可以快速有效地检测锡离子,且不受其他共存金属离子的干扰。荧光/紫外-可见光谱滴定结果表明,线性关系曲线为y=657.34x-50.864(荧光强度)、y=0.153 8x-0.004 9(紫外吸收强度),线性检测范围为0~10μmol/L,可用于溶液中锡离子的定量分析。     

基于LabWindows/CVI的工程机械振动测试与分析系统

本文介绍了一个利用虚拟仪器技术开发的工程机械振动测试与分析系统.系统以WBK14信号调理模块、WBKS12数据采集模块和计算机为主控平台,利用虚拟仪器开发软件LabWindows/CVI7.0与高级信号分析软件包等,实现对工程机械整机及各部件性能的多功能检测、分析、处理和显示存储,满足对测试过程高精度、自动化、智能化等各项测试要求.     

基于协同强化学习的微电网分布式两级电压优化控制

由于微电网中分布式电源组成复杂,运行模式多样,孤岛微电网的电压恢复控制面临着不确定性干扰的影响。为此,针对不确定性干扰下微电网的二级电压恢复控制问题,提出了一种基于协同强化学习的微电网分布式两级电压优化控制方法,实现孤岛模式下微电网的电压调节控制。首先构建孤岛微电网分布式一致性协同电压控制算法,并建立李雅普诺夫函数稳定性判定方法。其次根据控制器性能与控制器增益参数的关系,求解孤岛微电网电压控制器增益上界,并根据控制器增益参数上界限制强化学习智能体动作集。随后,采用强化学习算法优化二级控制器增益参数,给出相应的强化学习智能体状态集、协同全局奖励函数。最后在Matlab/Simulink上通过仿真实验验证了所提出的控制方法的有效性和适应性。     

基于伪标签深度学习的高光谱影像半监督分类

研究了一种仅利用少量标记点训练深度卷积神经网络并对高光谱影像进行分类的方法。以图像分割获得的同质区增加训练样本数目；借助这些增加的样本训练初始分类器并预测所有未知点的初始类别；将每一初始类别聚集为适当的类簇，以类簇号作为伪标签对深度卷积网进行预训练；最后利用经过同质区增加的训练样本精调预训练深度卷积网。实验结果证明新方法可以在仅用少量实际标记样本的情况下成功地训练深度卷积网，对高光谱数据进行有效分类。     

基于相关性分布式卡尔曼滤波的谐波检测方法

微电网谐波问题严重。针对微电网谐波动态特性复杂的特点,探索了一种基于相关性分布式卡尔曼滤波的微电网时变谐波检测方法。首先,针对微电网系统相邻母线的谐波在一定程度上是相关的特点,提出了代表邻居节点间相关程度的邻节点相关系数这一概念,并给出一种微电网谐波测量邻节点间的量测值和协方差矩阵逆的两个融合变量计算方法;其次,对邻节点间估计值作了分布式融合处理,从而保证了邻节点间估计结果具有一致相关性;再者,通过重构迭代过程,简化了该算法的计算过程。通过在IEEE-14节点系统的仿真实验结果表明,该方法可实现多个检测点分布协同地完成微电网多母线谐波电压的状态估计,且相比传统卡尔曼滤波算法具有更好的估计精度和抗扰动性能,实时性和动态性也表现出较好的性能。     

硬盘自动播出系统中采用的关键技术

随着数字技术的不断发展和成熟,硬盘自动播出成为播控系统改造的首选。主要介绍了在硬盘自动播出系统中使用的关键技术,包括视频压缩技术、海量存储技术和容错技术、网络技术以及系统的备份方式等,并讨论了硬盘播出的未来趋势。     

利用同质区特性的高光谱图像迁移学习分类

深度卷积神经网络能充分利用特征间的内在联系,提高高光谱影像的可分性,近年来受到了广泛关注.但是,训练深度网络模型对大量标记样本的需求限制了此类方法的应用.将迁移学习思想引入遥感影像分类以减少对标记样本数量的需求.具体研究目标图像中每类只有一个标记样本的情况.通过对目标图像分割得到的同质区扩增目标域的训练样本数量,在此基础上运用深度孪生卷积神经网络减少源域图像与目标域图像的分布差异,实现对目标高光谱图像的最终分类.实验结果表明:同质区和孪生卷积网络的结合可提高半监督迁移学习分类的效果,较好地解决跨区域的高光谱图像分类问题.