泛型直线螺线管型电磁阀运动分析和改进的电压控制

在直线螺线管型高速电磁阀的整个运动过程中，由于铁磁材料的磁化需要一个动态过程，导致其电磁吸力随着铁磁材料的磁化而变化。为了获得一种不依赖电磁阀材料各异性的最优电压控制方法，从静态磁场出发，由电磁阀的理论静态吸力公式建立电磁阀衔铁的动力学模型，通过分析电磁阀的衔铁启动过程，上升运动过程和下落过程，得到各阶段的位移、电流随时间的变化。然后经过前面过程分析得到了采用两段梯形电压控制电磁阀的控制策略，实现了精准控制占空比的目的。     

基于儿童使用主体的建成环境评价尺度研究

评价尺度是建筑使用后评价的基 本问题之一，它是使用者评判建成环境好 坏、优劣的重要测度标准。为弥补目前环境 评价尺度研究方面的缺失，建立与儿童使用 主体相一致的建成环境评价尺度，对儿童常 用语义量词进行汇总和筛选，采用五级线 分刻度方法进行问卷调查研究。基于儿童的 理解，通过问卷试验分析，结果表明：双侧 5级区间评价尺度为：很（负面）；有点（负 面）；中等；有点（正面）；很（正面）；单侧 5级区间评价尺度为：不；好像有点；比较； 很；特别。     

紫色马铃薯酒发酵工艺优化及主发酵期花青素与色泽的动态变化

以紫色马铃薯为原料，在单因素的基础上，通过响应面法对紫色马铃薯酒的发酵工艺参数进行优化。最佳发酵工艺参数为:马铃薯与面粉比1:0.6、料水比1:1 (g/mL)、α-淀粉酶添加量8.5 U/g、酒曲添加量0.45%。此工艺在28 ℃下发酵14 d，得到的紫色马铃薯酒酒精度13.5%vol，花青素含量166.34 mg/mL，酒体澄清透明呈紫红色，酸甜适中，有独特酒香，综合感官评定得分90分。测定主发酵期花青素和色泽的动态变化，分析表明，紫色马铃薯酒在发酵过程中花青素呈现先上升后下降的趋势，色度呈现先下降后趋于平缓的趋势，色调则与之相反。聚合色度和褐变指数总体均呈现逐渐上升的趋势。试验结果为工业化生产紫色马铃薯酒提供理论依据。     

严寒地区室内多层贯通空间热湿环境实测研究

通过对严寒地区贯通空间温湿度在水平方向及垂直方向上的连续实测，分析了供暖前后，太阳辐射、建筑开口、供暖等因素对贯通空间热湿环境的影响有很大差异。结果表明供暖前贯通空间受到太阳辐射、建筑开口的影响较大，温湿度波动明显；供暖期间受供暖因素影响，温差波动不稳定但幅度小。水平方向上非供暖期最大温差为2℃，供暖期最大温差为8℃；垂直方向上非供暖期的最大温差为3℃，供暖期最大温差为7℃。     

冷链条件下气调包装酱卤鸭肉制品货架期预测模型的建立

目的 以气调包装酱卤鸭肉制品为研究对象,在冷链温度范围内建立一套准确、高效的货架期预测模型。方法 利用选择性培养基测定不同温度下产品各微生物数量,确定4~25℃条件下产品优势腐败菌。对乳酸菌数量与感官评定值进行了回归分析确定最小腐败量Ns。分别采用修正的Gompertz方程和平方根方程建立一、二级模型,并通过预测值与实测值对比验证模型的可靠性。结果 确定了4~25℃条件下产品优势腐败菌为乳酸菌,最小腐败量Ns=6.14(lg(cfu /g))。一、二级模型拟合度均良好,三种温度下模型预测值与实际值间的差异均在30％左右,波动幅度在10%以内。结论 实现了对4~25℃内任何时间点产品剩余货架期的预测,为冷链条件下气调包装酱卤鸭肉制品品质的变化提供了理论指导。     

基于模糊谱聚类的不确定蛋白质相互作用网络功能模块挖掘

针对谱聚类融合模糊C-means（FCM）聚类的蛋白质相互作用（PPI）网络功能模块挖掘方法准确率不高、执行效率较低和易受假阳性影响的问题，提出一种基于模糊谱聚类的不确定PPI网络功能模块挖掘（FSC-FM）方法。首先，构建一个不确定PPI网络模型，使用边聚集系数给每一条蛋白质交互作用赋予一个存在概率测度，克服假阳性对实验结果的影响；第二，利用基于边聚集系数流行距离（FEC）策略改进谱聚类中的相似度计算，解决谱聚类算法对尺度参数敏感的问题，进而利用谱聚类算法对不确定PPI网络数据进行预处理，降低数据的维数，提高聚类的准确率；第三，设计基于密度的概率中心选取策略（DPCS）解决模糊C-means算法对初始聚类中心和聚类数目敏感的问题，并对预处理后的PPI数据进行FCM聚类，提高聚类的执行效率以及灵敏度；最后，采用改进的边期望稠密度（EED）对挖掘出的蛋白质功能模块进行过滤。在酵母菌DIP数据集上运行各个算法可知，FSC-FM与基于不确定图模型的检测蛋白质复合物（DCU）算法相比，F-measure值提高了27.92%，执行效率提高了27.92%；与在动态蛋白质相互作用网络中识别复合物的方法（CDUN）、演化算法（EA）、医学基因或蛋白质预测算法（MGPPA）相比也有更高的F-measure值和执行效率。实验结果表明，在不确定PPI网络中，FSC-FM适合用于功能模块的挖掘。     

基于多尺度双线性卷积神经网络的多角度下车型精细识别

针对多角度下车辆出现一定的尺度变化和形变导致很难被准确识别的问题，提出基于多尺度双线性卷积神经网络（MS-B-CNN）的车型精细识别模型。首先，对双线性卷积神经网络（B-CNN）算法进行改进，提出MS-B-CNN算法对不同卷积层的特征进行了多尺度融合，以提高特征表达能力；此外，还采用基于中心损失函数与Softmax损失函数联合学习的策略，在Softmax损失函数基础上分别对训练集每个类别在特征空间维护一个类中心，在训练过程中新增加样本时，网络会约束样本的分类中心距离，以提高多角度情况下的车型识别的能力。实验结果显示，该车型识别模型在CompCars数据集上的正确率达到了93.63%，验证了模型在多角度情况下的准确性和鲁棒性。