让机器人技术走进学生社团

"智能机器人"是一门跨专业、高度综合的新兴学科,将成为世界各国知识创新的前沿阵地。自动化专业的毕业生将成为前沿阵地上的指挥官和开拓者,让他们熟悉、了解、掌握机器人技术势在必行。然而利用本科课堂的有限教学时间很难达到好的效果。因此,将机器人技术与学生社团结合,转变学生和教师的角色,利用学生的课余时间以学生为主体开展学习实践活动,能提高学生的学习兴趣,同时提高学生的动手能力、创造能力、协作能力等各方面的综合能力。     

精细化工废水有机成分分析及其生物降解性与毒性的拓扑研究

针对精细化工废水处理难以稳定达标的现状,通过GC/MS法跟踪测定某精细化工园区废水处理厂生物系统进水与出水中的有机组分并分析其变化,采用拓扑分析法对进水中检测出的有机物生物降解性与毒性进行定量构效研究,评估了拓扑分析结果与出水中有机成分的吻合程度.结果表明,经生物处理后,进水中含有的酸、醇及部分苯酚和苯胺类有机物能被有效降解,但氯代苯胺、氯代硝基苯、甲氧基苯系物、腈及含氮杂环化合物等物质在出水中仍能被检出,此类有机物大部分属于难降解有机物且具有较强的生物毒性,从而导致出水不能达标排放.研究结果指出,针对含有毒/难降解有机物精细化工废水的处理,应着重考虑QSAR分析结果中低PCD、低LC50值有机物的优先控制,采用有效的预处理措施和生物强化工艺是实现废水稳定达标的关键.     

太湖水体中微塑料和纳米塑料的鉴定和定量

近年来,微塑料(<5 mm)已在各种环境甚至生物体中被广泛检出。然而,人们对环境中粒径小于1μm的纳米塑料的赋存还知之甚少。以太湖竺山湾近岸带水体为研究对象,利用不同孔径滤膜通过分级过滤、H₂O₂消解、过滤富集等方法对水样进行处理,将样品颗粒分成3个尺寸范围(>20、1～20和0.1～1μm)。利用扫描电子显微镜(SEM)、激光红外成像光谱仪(LDIR)与热裂解-气相色谱-质谱联用(Py-GC/MS)等技术手段,综合分析太湖采样点水体中微塑料和纳米塑料的赋存情况。结果显示,水体中纳米塑料(0.1～1μm)主要以PET、PP和PS为主,并且其含量远高于微塑料。已有研究证明纳米塑料有更高的生态健康风险,因此需要对环境中纳米塑料的赋存情况进行精准的定性及定量分析。     

错位纺纱角变化对纱线质量的影响

为了研究错位纺纱角对纱线质量的影响,通过自制导纱装置,在前罗拉钳口至导纱钩之间形成一个偏移的纱路.分别采用5种左斜纺纱角对5种不同细度纱线进行了纺纱质量对比试验.结果表明:在Z捻左斜的情况下,纱线有害毛羽最多可以减少16.6%～40.5%,且与细号纱相比,粗号纱毛羽的改善更为显著;不同纱号的最佳左斜角不同,粗号纱和细号纱适应大角度偏移量(在8.4°～11°之间),而中号纱只要小角度偏移(4.2°)就能使纱线毛羽得到较好改善;但过大的偏移量(16.6°以上)对改善毛羽不利,甚至会恶化毛羽.错位纺纱角对纱线条干影响不大,对纱线强力几乎没有影响.指出:错位纺纱方式可以改善环锭纺成纱毛羽,其关键是要根据纺纱号数优选错位纺纱角.     

推进高校马克思主义大众化建设的路径思考

高校是马克思主义理论研究的重要阵地,在高校推动马克思主义大众化具有重要意义。高校要通过加强核心价值体系教育、重视理论研究和宣传队伍建设、全方位构建思想政治教育平台等有效路径,积极推进高校当代马克思主义大众化建设。     

未知环境探测的多机器人协作策略研究

提出了一种基于观测点融合的改进免疫网络探测算法,完成多机器人对未知区域的快速、高效的探索任务．该算法在大大减少通信量,又能准确计算各全局观测点花费的情况下,将不同机器人的局部观测点融合在一张地图上,使机器人的协作能力充分发挥．利用T细胞函数修正了免疫网络浓度模型,同时免疫模型参数的确定考虑各观测点的扩散度和探索方向对系统性能的影响．将仿真试验与市场法和基本免疫算法比较,结果证明INEA算法使机器人之间的协作程度明显提高,而增加观测点扩散度和探索方向一致度指标,加快了系统的探索效率。     

油藏综合研究技术在泌阳凹陷下二门油田高含水开发期的应用

根据下二门油田油藏地质现阶段研究状况,以高分辨率层序地层划分为基础,应用微地质界面研究技术、低序级断层研究技术、相控砂体预测技术对构造和储层展布进行精细刻画,识别出23个低幅度圈闭。应用综合评价技术对圈闭进行评价,发现11个有利圈闭,经矿场验证,证实8个圈闭为含油圈闭,对能够形成开发井网的油藏进行开发部署,投入开发后缓解了产量递减的矛盾。     

一种基于DSmT推理的物品融合识别算法

针对目前提升深度模型分类表现方法存在的硬件性能不足、结构创新不易、训练样本有限等问题,提出一种基于DSmT(Dezert-Smarandache)推理的物品融合识别算法。对于待识别目标,应用数据融合思想将来自不同深度学习模型提供的识别信息进行融合处理。利用已有的预训练深度学习模型,根据分类识别任务进行特定的微调;针对DSmT理论中构造信度赋值困难的问题,使用深度学习网络对图像的判别输出进行证据源信度赋值;在决策级层运用DSmT组合理论对信度赋值融合处理,进而实现物品的准确识别。在不改变网络模型结构与同一数据集的情况下,将提出的方法与单一网络模型和平均值处理方法进行对比测试试验。试验结果表明,该方法可以有效地提高物品图像的识别率。