常规煤粉作为再燃燃料的燃料分级燃烧试验研究

引对燃料分级燃烧技术在我国处于发展阶段．目前国内还没有工业应用的成果和经验这一状况，进行了常规煤粉作为再燃燃料的燃料分级燃烧试验研究．其目的是通过试验了解和掌握燃料分级燃烧技术，并为电厂锅炉燃料分级燃烧技术积累经验．华能长兴电厂用常规煤粉(R90=20％)作为再燃燃料进行的燃料分级燃烧试验是以锅炉3层燃烧器下面的2层燃烧器作为主燃区的燃料喷口，通过控制给粉机转速使主燃区的给粉量约80%，最上层燃烧器作为再燃区燃料喷口，再燃区的给粉量约20%，原三次风喷口则作为燃尽风喷口；调整和关闭不同位置的二次风门开度，使锅炉炉膛燃烧形成下面为主燃区（空气过剩系数为1.0）、中间是再燃烧区（空气过剩系数为0.88）和上面为燃尽区（空气过剩系数为1.2）的3个燃烧区段，实现燃料分级燃烧。通过工业试验得到电厂锅炉在现有条件下采用常规煤粉作为再燃燃料可使烟气中NOx排放值降低约20%。     

一类分数阶微分方程三点边值问题的多重正解

主要研究了一类Riemann-Liouville分数阶微分方程三点边值问题多重正解的存在性,通过格林函数的正性和上下解方法建立了边值问题{Da0+y(t)+f(t,y(t))=0,0＜t＜1;y(O)=0,y(1)=βy(η) 的单一正解的存在性,应用Leray-Schauder非线性抉择定理和Guo-Krasnosel'skii不动点定理得到了该边值问题的多重正解的存在性.     

吗替麦考酚酯片与原研制剂溶出行为一致性评价

目的：建立吗替麦考酚酯片溶出度测定方法，评价自研制剂与原研制剂溶出行为的一致性。方法：采用了紫外-可见分光光度法，测定了自研吗替麦考酚酯片与原研制剂分别在pH值1.0盐酸溶液、pH值4.5醋酸盐缓冲液、pH值6.8磷酸盐缓冲液(含0.8%SDS)和水(含0.8%SDS)四种溶出介质中的溶出曲线，并评价其一致性。结果：自研制剂与原研制剂在四种不同溶出介质中溶出曲线均相似。结论：自研制剂与原研制剂体外溶出一致，保证了自研制剂的安全性和有效性。     

基于Matlab和AVR单片机的串行数据通信设计

介绍了基于Matlab和AVR单片机通过PC机进行通信的方法。通过Matlab下的通信类Serial类元件库实现串行通信,并利用AVR单片机对采集到的数据进行相应处理。     

气相色谱-质谱法测定西吡氯铵含片中的氯代烷烃类杂质

建立了测定西吡氯铵含片中氯代十四烷、氯代十五烷、氯代十六烷、氯代十七烷、氯代十八烷的方法。采用气相色谱-质谱联用法(GC-MS),用HP-5MS毛细管色谱柱，以多反应监测模式(MRM)进行测定。初始柱温为60℃,保持1 min后，以30℃·min^-1升温至300℃,保持3 min;进样口温度为350℃;载气为氦气；柱流速1.0 mL·min^-1;分流比为10∶1;进样量为1μL。待测成分在2.6～26 ng·mL^-1内线性关系良好(r>0.999 0),定量限浓度分别为0.82,1.27,1.35,3.54和4.39 ng·mL^-1,回收率分别为101.28%,101.96%,102.02%,101.30%和102.55%,RSD<10.0%。该方法灵敏度高，准确度好，可用于西吡氯铵含片中氯代烷烃类杂质的检测。     

EI-XCL型双调风旋流燃烧器性能工业试验研究

通过在某发电厂600 MW机组锅炉上进行的空气动力场试验和热态性能试验,对该机组锅炉的EI-XCL型双调风旋流燃烧器的性能进行研究,掌握此类型燃烧器的性能特性,为锅炉热态运行提供参考。     

面向关系模式的领域本体获取

从遗留信息系统中获取领域信息是创建领域本体的重要环节,也是设计知识重用的有效方式。以常用的关系模式为研究对象,分析如何从遗留系统中识别关系模式的结构信息,在此基础上,提出了12条术语转换规则,根据转换规则从关系模式的结构信息中逆向提取领域术语及相互关系,为领域本体的创建奠定了基础。     

基于VC和Matlab的实时语音识别系统研究

介绍了一种基于VC和Matlab混合编程的实时语音识别系统。在VC环境下,通过借助Windows MultimediaAPI实现对信号的实时采集,并且通过Matlab强大的计算功能,实现对语音信号的端点检测、特征值提取和模板匹配,从而实现实时的语音识别。     

标签行业发展方向探析

从人均消费量上看,我国的不干胶标签人均消费量只有0．5～0．6m^2,美国的人均消费量在14m^2,欧洲10m^2,日本也有8m^2,但我国的不干胶人均消费量正在以每年15％～20％的速度在增长,远远高于北美6％～7％的增长速度,这说明我国的不干胶标签市场还有着巨大的潜力空间。     

基于自注意力机制的局部与全局特征融合的评分预测算法

为了完全挖掘异质信息网络中节点的特征并且更好地融合这些特征,提高推荐算法的性能,提出一种基于自注意力机制的局部与全局特征融合的评分预测算法（rating prediction algorithm based on self-attention mechanism and fusion of local & global features,AMFL&GRec）。首先基于LeaderRank算法提取目标节点的全局序列,基于元路径带偏置的随机游走算法提取节点的局部序列,通过skip-gram模型分别学习节点的全局特征与局部特征;通过自注意力机制学习目标节点对局部与全局特征的偏好,从而得到在单一元路径下节点的特征表示;再通过自注意力机制融合不同元路径下同一节点的表示,从而得到节点在不同元路径下的最终的特征表示;最后基于多层感知器实现评分预测任务。在两个真实数据集进行了大量实验,实验结果验证了AMFL&GRec算法不仅能够捕获具有密集连通节点的微观（局部）结构,而且还能够捕获该节点在网络中的全局结构,从而使其得到的节点特征得以体现节点的整体（局部+全局）特征。同时,实验结果也证明了AMFL&GRec算法评分预测性能优于对比算法,从而证明利用自注意力机制考虑异质信息网络中节点对于局部、全局特征以及元路径的偏好能够提高评分预测的准确性。