泛在电力物联网在北京经济技术开发区的应用探索

泛在电力物联网是物联网在电力领域的具体体现，建设泛在电力物联网是推进"三型两网"建设的关键环节，也是实现能源转型的必要手段。阐述了泛在电力物联网的定义，从供电公司角度出发，根据北京经济技术开发区实际情况，讨论了依托地区特点的泛在电力物联网实施策略和实际应用场景，分析了可能遇到的问题。得出结论：随着泛在电力物联网的深入建设，供电公司能够为电力客户提供多元化服务，提高客户满意度；地市供电公司能够依托泛在电力物联网开展更多电力相关业务；泛在电力物联网的安全性、实用性、有效性是发展面临的首要问题。     

谈谈作物优良品种的选择与利用

农作物优良品种是先进农业科技成果的物化载体,在农业生产发展中发挥着重要的作用,可以在短时间内有效提高农作物产量和农业生产效益,增加农民收入。本文主要从正确了解和科学认识作物优良品种入手,阐述分析优良品种在农业生产中的重要作用及选择利用优良品种应注意的问题。     

厌氧氨氧化快速启动及微生物群落演替研究

在序批式反应器(SBR)中分别添加彗星式丝状纤维滤料和Kaldnes填料组成序批式生物膜反应器(SBBR)R1和R2,接种城市污水处理厂二沉池回流浓缩污泥,旨在探求添加不同生物填料和接种普通污泥对快速启动厌氧氨氧化反应器的影响。结果表明,R1仅历时39d成功启动厌氧氨氧化,NH_4~+-N、NO_2~--N及TN去除率分别为98.0%、88.2%及82.3%;成功启动初期,化学计量比平均值为1:1.28:0.22,接近理论值1:1.32:0.26;稳定运行期间,高通量测序结果表明,浮霉菌门(Planctomycetes)相对丰度从1.97%增至60.06%,而变形菌门(Proteobacteria)从65.75%降至15.19%,Candidatus_Jettenia为主要菌属,丰度最高,占比为45.36%,是反应器内唯一的厌氧氨氧化菌,SM1A02属占比达到13.11%,实现了快速高效富集。R2培养111d后未成功启动厌氧氨氧化。     

GOS+MU:一种查询对象选择新方法

在分析单一MU(Most Uncertainty)采样缺陷的基础上,提出一种"全局最优搜寻"方法 GOS(Global Optimal Search),并结合MU共同完成查询选择。GOS+MU方法中,GOS着眼全局寻找目标,在应用环境能提供的训练样本数量有限、分类器受训不充分时,该方法选择的对象学习价值高,能快速推进分类器学习进程;MU则能够在GOS采样失效情形下,利用分类器当前训练成果,选择查询不确定性最强的样本补充训练集。通过对网络商品的用户评论进行分类仿真,并比较其他采样学习方法的效果,证明了GOS+MU方法在压缩学习成本、提高训练效率方面的有效性。     

全国冷冻空调设备标准化技术委员会(SAC/TC238)2014年度工作概要

<正>1标准发布工作2014年,全国冷冻空调设备标准化技术委员会(以下简称"冷标委")归口制定及修订的两项国标、8项行标(表1)已获批准发布。2标准报批工作冷标委于2013年三届四次会议审查通过了1项国标、10项行标,共计11项标准,目前已全部完成报批工作,待国标委、工信部批准发布(表2)。3标准立项工作冷标委的立项始终依据3方面原则:首先要符合国家政策和指导思想,具体体现为国家标准     

基于频率最大化目标的六杆四面体网壳截面尺寸优化研究

随着计算机技术的发展,基于有限元优化的拓扑优化算法在工程设计领域得到广泛应用,以提高结构性能和节约材料.在空间结构领域,目前还并未形成系统性的结构优化策略,主要还是依靠工程师的工作经验来进行优化设计.董石麟教授等提出的六杆四面体网壳是一种由相似的四面体模块组成的空间结构,具有重复性和装配性等特点.本文以六杆四面体网壳为分析对象,进行了结构频率最大化的优化设计.根据挑选出的质量参与系数总和超过90%的7阶模态,建立优化函数最大化这7阶模态的频率,以此提高整个结构的动力学性能.优化结果表明,在结构整体减重18.31%的前提下,各阶频率增加了20%到30%,起到了良好的效果.     

ICP-MS测定食品原料中微量硒

建立基于同位素77Se、乙醇基体改进电感耦合等离子体质谱法(ICP-MS)直接测定食品原料中微量硒的方法。实验以2%(V/V)乙醇作为基体改进剂,采用Y元素作内标补偿基体效应,选择同位素77Se测定样品中的硒,方法检出限为0.87 ng/g,精密度(RSD,n=6)5%,回收率为98.1%~106.0%。该方法具有简便、快速、灵敏、准确、消耗小等优点,可为食品原料中微量硒的测定提供参考。     

改进HSR-FCN的服装图像识别分类算法研究

目前网络上的服装图像数量增长迅猛，对于大量服装图像实现智能分类的需求日益增加。将基于区域的全卷积网络（Region-Based Fully Convolutional Networks，R-FCN）引入到服装图像识别中，针对服装图像分类中网络训练时间长、形变服装图像识别率低的问题，提出一种新颖的改进框架HSR-FCN。新框架将R-FCN中的区域建议网络和HyperNet网络相融合，改变图片特征学习方式，使得HSR-FCN可以在更短的训练时间内达到更高的准确率。在模型中引入了空间转换网络，对输入服装图像和特征图进行了空间变换及对齐，加强了对多角度服装和形变服装的特征学习。实验结果表明，改进后的HSR-FCN模型有效地加强了对形变服装图像的学习，且在训练时间更短的情况下，比原来的网络模型R-FCN平均准确率提高了大约3个百分点，达到96.69%。