排序方式: 共有14条查询结果,搜索用时 11 毫秒
1.
高效液相法测定爬山虎红色素中原花青素含量 总被引:2,自引:0,他引:2
采用高效液相色谱法对爬山虎红色素中原花青素的含量进行了测定. 色谱柱:C18柱(日本岛津5μm;150 mm×4.6mm),柱温:25℃,流动相:V(甲醇):VU(水)=90:10,检测波长:280 nm,进样量:20 μL,流速:1 ml/min.结果表明在0.50~7.5μg/mL范围内具有良好的线性关系,回收率为99.96%,相对标准偏差为1.0%,原花青素的平均含量为6.8 μg/mL.结论是本方法简便、快速、准确、可靠,可为爬山虎叶子提取物红色素中原花青素的含量测定的方法. 相似文献
2.
3.
4.
针对目前国内燃机电厂转子故障诊断主要依靠振动分析,无自动识别轴心轨迹设备的现状,将在自然语言处理领域大放异彩的Transformer神经网络引入转子轴心轨迹监测与识别领域,通过独立成分分析(Independent Component Analysis,ICA)与Transformer结合提升燃机转子故障诊断准确性。使用ICA代替Transformer自身的线性变换提取图片特征信息构建输入样本,为了解决自注意力机制无法捕捉位置信息的问题,提出相对位置编码方法,区别于使用较多的绝对位置编码,通过嵌入相对位置编码子层,将相对位置信息注入自注意力机制,使得Attention模块能够学习到序列的相对位置信息,可进一步提高图像识别模型的准确性,该模型对于轴心轨迹故障类型平均识别率达到93.8%。实验结果表明ICA-Transformer模型对转子轴心轨迹的识别准确率较高,对电厂运维具有一定的指导意义。 相似文献
5.
本研究运用霍兰德职业能力人格测验,对建筑类专业(包括建筑学、土木工程、工程管理、环境工程)学生进行测试,以探讨建筑类专业的大学生职业能力人格的特点,以及专业对大学生职业人格的影响。 相似文献
6.
7.
8.
9.
为了建立精准的NO_x预测模型,解决燃气轮机电站存在NO_x超标排放的问题,提出一种基于卷积神经网络(Convolutional Neural Network, CNN)和长短期记忆神经网络(Long Short-term Memory, LSTM)组合模型的NO_x排放预测方法。将NO_x排放历史数据和燃气轮机燃烧的状态参数通过滑动窗口法构建成特征图格式输入到CNN中,利用其卷积层和池化层提取表征NO_x动态变化的特征向量,并转化为时间序列格式输入到LSTM中进一步挖掘内部规律,从而实现NO_x的排放预测。以某三菱燃气轮机的历史运行数据进行试验。结果表明:CNN-LSTM的相对均方误差e_(RMSE)为1.811 mg/m~3,并通过与PCA-BP,PCA-RNN和PCA-LSTM模型进行比较,验证了方法的可行性。 相似文献
10.