3分钟改变葡萄酒的魔法

如果我真能在3分钟之内把一瓶葡萄酒由好变坏或者由坏变好,那我还真需要些点石成金术才行。     

碳酸二甲酯及其衍生产品的应用与市场

重点介绍了碳酸二甲酯及其衍生产品在在农药、医药及有机合成领域的应用，并对该产品的国内外市场现状与趋势进行了分析。     

双峰高斯函数规定化的变分红外图像增强

针对红外图像具有目标边缘和细节模糊的缺点,提出一种双峰高斯函数规定化的变分红外图像增强算法。该方法将图像变换到梯度域,得到图像的梯度直方图,构造出一个双峰高斯函数,以此对梯度直方图的分布加以约束,用变分方法对梯度场中增强的图像进行重建以提高图像的对比度和增强目标边缘和细节信息。为了防止噪声被放大,在构造增强的梯度场时,对噪声做了幅值切割。实验结果表明,该算法无论是在视觉效果上还是在图像信息熵评估值定量指标上均明显优于直方图均衡化和规定化算法,为红外图像提供了很好的视觉效果。     

利用CobraNet协议实现分布式分区广播

结合具有CobraNet接口的TR800网络音频传输器的特点,介绍了CobraNet协议在分区广播系统中的应用,解决了传统广播系统存在的音质不佳、维护管理复杂等问题.     

旧世界里的旧世界——从北京意大利葡萄酒洽谈会看传统的意大利葡萄酒

意大利．这个名字在葡萄酒的王国里如同法国一样响亮。在这个葡萄酒的国度，北到阿尔卑斯山脚下，南到地中海的西西里岛，葡萄园几乎遍布整个版图，而其葡萄种植和酿酒的历史．可以追溯到公元前2000年以前。4000年的葡萄酒历史和传统造就了意大利人爱酒的习惯。可以这么说，意大利人的血液是被葡萄酒染红的。     

杏鲍菇多肽生物活性的研究

以杏鲍菇多肽为原料,以清除DPPH·、O-2·等自由基、抑制脂质过氧化、抑菌和乳化特性为指标对其生物功能进行研究。结果表明,在实验浓度范围内,杏鲍菇多肽对DPPH·的清除率为85.94%、O-2·的清除率为80.66%,脂质过氧化抑制率为45.57%;同时多肽具有很好的乳化稳定性,其在2%浓度时,乳化稳定性可达206;此外其对金黄色葡萄球菌、沙门氏菌、大肠杆菌有较强的抑制作用,抑菌率分别为57.7%、55.5%、87.1%。      

D型概率决策形式背景下的规则获取

基于不确定性决策问题,提出一种D型概率决策形式背景,并针对D型概率决策形式背景定义“△”算子,获得概率形式概念,构造相应的概念格。又定义了D型概率决策形式背景的协调性,在协调的背景上进行规则获取。进一步,剔除冗余规则,简化规则集。最后,给出概率概念格生成及规则获取算法,以便于计算机的实现。     

基于密度峰值聚类的超区间粒化方法及其分类模型

大数据挖掘时代,数据丰富与知识贫乏之间的矛盾日趋突出.粒计算是解决大规模、复杂问题的新范式,其核心任务是粒化.粗糙集是经典粒计算模型之一,在数据挖掘领域已广泛应用.遗憾的是基于不可区分关系的粒化条件很严格,造成粗糙集在粒化定量数据时会失效.因此,本文首先从一维属性的区间划分出发,定义多维属性组合生成的超区间粒,并基于超区间粒提出新颖的粗糙集模型有效地将定量数据和定性数据统一到一个框架;其次,从决策属性的视角考虑条件属性之间的相关性提出基于密度峰值聚类的超区间粒化算法,算法输出的超区间粒不仅是论域的划分,且每个划分块都是同质信息粒;最后,受近邻分类算法的启发,融合多数投票分类机制和近邻分类准则基于超区间粒提出自适应近邻分类模型(IGANN),并在UCI数据集上与8个经典分类模型进行实验对比,4个指标下的对比结果均表明IGANN模型具有更强的稳定性和更高的鲁棒性.     

基于双向LSTM的Seq2Seq模型在加油站时序数据异常检测中的应用

加油时序数据包含加油行为的多维信息,但是指定加油站点数据较为稀疏,现有成熟的数据异常检测算法存在挖掘较多假性异常点以及遗漏较多真实异常点的缺陷,并不适用于挖掘加油站时序数据。提出一种基于深度学习的异常检测方法识别加油异常车辆,首先通过自动编码器对加油站点采集到的相关数据进行特征提取,然后采用嵌入双向长短期记忆（Bi-LSTM）的Seq2Seq模型对加油行为进行预测,最后通过比较预测值和原始值来定义异常点的阈值。通过在加油数据集以及信用卡欺诈数据集上的实验验证了该方法的有效性,并且相对于现有方法在加油数据集上均方根误差（RMSE）降低了21.1%,在信用卡欺诈数据集上检测异常的准确率提高了1.4%。因此,提出的模型可以有效应用于加油行为异常的车辆检测,从而提高加油站的管理和运营效率。     

基于CNN‐Head Transformer编码器的中文命名实体识别

基于多头自注意力机制的Transformer作为主流特征提取器在多种自然语言处理任务中取得了优异表现,但应用于命名实体识别任务时存在一字多词、增加额外存储与词典匹配时间等问题。提出一种CNN-Head Transformer编码器（CHTE）模型,在未使用外部词典和分词工具的基础上,通过自注意力机制捕获全局语义信息,利用不同窗口大小的CNN获取Transformer中6个注意力头的Value向量,使CHTE模型在保留全局语义信息的同时增强局部特征和潜在词信息表示,并且应用自适应的门控残差连接融合当前层和子层特征,提升了Transformer在命名实体识别领域的性能表现。在Weibo和Resume数据集上的实验结果表明,CHTE模型的F1值相比于融合词典信息的Lattice LSTM和FLAT模型分别提升了3.77、2.24和1.30、0.31个百分点,具有更高的中文命名实体识别准确性。