金属皂类热稳定剂对RPVC流变性能的影响

采用Brabender转矩流变仪，分析并探讨了硬酯酸钡（BaSt2）、硬酯酸铅（PbSt2）、硬酯酸钙（CaSt2）、硬酯酸锌（ZnSt2）4种硬酯酸金属皂类热稳定剂以及复配BaSt2／PbSt2热稳定剂对硬质聚氯乙烯（RPVC）流变性能的影响。结果表明，BaSt2，CaSt2能够促进RPVC的塑化，而PbSt2和ZnSt2却推迟RPVC的塑化；在复配BaSt2／PbSt2稳定剂体系中，随着BaSt2比例的增大，塑化时间缩短，但BaSt2与PbSt2按分子数1：1比率时，RPVC熔体粘度增幅较大。     

基于PIC16F917单片机的预付费电能表设计

预付费电能表是实行"先购电,后用电"的一种计量装置。系统以单片机为主控核心,集电能采集、数据处理、写卡、显示及控制等多种功能为一体。设计实现的智能预付费电能表具有稳定性强、实时性好及使用方便等特点,不仅克服了手工抄表缺乏智能化的缺点,而且能适应多种应用状况,具有良好的发展前景和应用价值。     

多传感器数据采集系统中的数据融合研究

针对多传感器数据采集系统的准确性与可靠性的要求,提出了单传感器分批估计融合与模糊理论中的相关性函数与加权自适应算法相结合的数据融合方法。首先,对每一只传感器进行分批估计融合,得到了较为可靠的局部决策值。然后,利用模糊理论中的相关性函数,计算出每只传感器与其它传感器的相关程度,并剔除掉那些相关程度较低的传感器的局部决策值。最后,在权的最优分配原则下,利用加权自适应算法对剩下的局部决策值进行数据融合。该方法能在数据先验知识未知的情况下,客观地反映各个传感器的可靠程度。数据分析结果表明:与同类融合方法相比,该方法具有更高的精度。     

橡胶改性聚氯乙烯鞋底的制备与应用

分别介绍了丁腈橡胶、氯丁橡胶、聚氨酯橡胶和氯化聚乙烯改性聚氯乙烯鞋底的特点和橡胶改性聚氯乙烯鞋底材料的配方设计原则。同时结合实例叙述了橡胶改性聚氯乙烯在制造仿革底、注塑底、透明底、耐油鞋底、微孔鞋底等方面的应用。     

MPE改性母料通过鉴定

采用南京化工学院高分子教研室的小试成果,由南京化工学院、南京塑料工业协会和南京塑料九厂共同承担中试的MPE改性母料不久前在南京通过江苏省科委主持的鉴定会,产品已由南京塑料九厂投入批量生产。MPE改性母料是由聚乙烯、改性聚乙烯、碳酸钙及其它辅助材料为主体,经特定的工艺加工而成。     

丁腈橡胶改性聚氯乙烯冲刀垫板

丁腈橡胶(NBR)改性聚氯乙烯(PVC)冲刀垫板已由南京塑料九厂投入批量生产。该产品是以NBR和PVC为主体材料,配以各种助剂,先经混炼再经高温     

正交设计在优化硬质聚氯乙烯配方中的应用

在设计硬质聚氯乙烯(RPVC)配方中，需要考虑各种添加剂在体系中的影响，利用Brabender转矩流变仪，采用正交设计优化法，以丙烯酸酯类抗冲改性剂(KM355P)、丙烯酸酯类加工助剂(K125P)、硬脂酸钡(BaSt2)、硬脂酸铅(PbSt2)、硬脂酸(SA)、碳酸钙(CaCO3)和聚乙烯蜡(P1)等7个因素，每一种添加剂以3种不同的用量选用L18(3^7)正交表，确定了各种添加剂对RPVC的影响，并找出优化的方案。正交试验结果表明：聚乙烯蜡P1是RPVC体系中影响最大的因素．它对塑化时间、凝胶速度、最大扭矩、平衡扭矩和平衡温度都有极大的影响，而丙烯酸酯类加工助剂K125P是影响最小的因素，它对凝胶速度、最小扭矩、最大扭矩、平衡扭矩和平衡温度的影响都很小。     

海河流域防洪应急通信系统设计

海河流域在重点蓄滞洪区、主要河道和大型水利工程枢纽采用地面数字微波、租用光纤及水利卫星等方式建成流域水利通信专网。本设计是在充分利用现有通信电路、计算机网络和防汛会商系统的基础上,将洪水现场的图像、声音、数据等信息实时传输到上级指挥部门,为领导准确、科学做出决策提供技术支持。     

聚丙烯微孔膜研究进展

聚丙烯（PP）是一种价格低廉的塑料，是目前最主要的制备高分子微孔膜的材料之一。笔者综述了近年来PP微孔膜制备方法的研究进展，重点介绍了熔纺拉伸法（MSCS）、热致相分离法（TIPS）、共混拉伸法、熔融烧结法等PP微孔膜的常用制备方法，并对相关的影响因素进行了讨论。     

信息动态

深度学习是机器学习研究中的一个新的领域,其核心思想在于模拟人脑的层级抽象结构,通过无监督的方式分析大规模数据,发掘大数据中蕴藏的有价值信息.深度学习应大数据而生,给大数据提供了一个深度思考的大脑. 尽管YahnLecun在1993年提出的卷积神经网络是第一个真正成功训练多层网络结构的学习算法,但应用效果一直欠佳.直到2006年,Geoffrey Hinton and RuslanSalakhutdinov基于深度置信网,提出非监督贪心逐层训练算法,应用效果才取得突破性进展.从2009下半年开始,美国微软研究院邀请Hinton到雷德蒙与他的研究员合作,将深度学习巧妙地应用在大规模语音识别,迅速获得巨大成功,由此掀起了深度学习的浪潮[1-3].2014年3月,Facebook报道他的DeepFace项目使得人脸识别技术的识别率已经达到了97.25％,只比人类识别97.5％的正确率略低一点,准确率几乎可媳美人类.该项目利用了9层的神经网络来获得脸部表征,神经网络处理的参数高达1.2亿.