磁珠法核酸自动提取温度控制系统设计

针对自主设计的基于纳米磁珠的自动核酸提取系统设计了温度系统,主要包含系统温度控制算法分析、硬件电路设计及相关软件设计;系统温度采用全加热和在固定频率及占空比PWM波控制下间歇性加热的分段控制,通过实验确定全加热时间及PWM波的占空比,并建立知识库,可以满足使用多种磁珠法核酸提取试剂盒进行核酸提取的温度要求;用该系统为河南惠尔纳米科技公司试剂盒中裂解液及洗脱液加热,实验发现,裂解时8个裂解孔的最大温度差异小于6℃,洗脱时8个洗脱孔的最大温度差异小于5℃,均满足核酸提取实验时对温度的要求。     

混合制冷剂(R600a+R152a+R134)的气液相平衡分析

制冷剂的选取不仅要考虑保护臭氧层,而且也要考虑降低温室效应,开发新型的制冷剂必须要研究制冷剂的热物性。文中基于真实溶剂似导体屏蔽(COSMO-RS)模型,即依据量子化学计算信息和统计热力学理论进行物质的热物性预测。采用COSMO-RS模型研究三元混合制冷剂(R600a+R152a+R134)的气液相平衡性质,并将模拟结果与实验数据进行对比分析,结果表明:三元混合制冷剂(R600a+R152a+R134)气液相平衡时压力的相对误差绝对值最大为7%,组分1(R600a)的气相摩尔相对误差绝对值能够控制在12%以内。组分2(R152a)气相摩尔相对误差绝对值最大为7%。所以模拟数据与实验数据有很好的一致性,同时证明了COSMO-RS模型可用于计算三元混合制冷剂的气液相平衡性质。     

基于GRU-FedAdam的工业物联网入侵检测方法

针对工业物联网中的入侵检测存在数据隐私泄露和训练时间长的问题,提出一种基于GRU-FedAdam的入侵检测方法。该方法首先采用联邦学习协作训练入侵检测模型,保护客户端数据隐私;其次,构建基于门控循环单元(GRU)的入侵检测模型并采用Adam优化算法,提高客户端模型的训练速度。选用TON＿IoT数据集为实验数据,经过两轮通信轮次计算,训练时间比单层LSTM模型减少4 s;利用Adam算法训练模型比SGD算法收敛速度更快,入侵检测模型准确率为0.99。实验结果表明,基于GRU-FedAdam的入侵检测方法在保护数据隐私的情况下,可减少训练时间和获得更好的入侵检测效果。     

壁面粗糙度及弯曲纳米通道对气体流动特性影响的分子动力学研究

近年来,纳米通道技术发展迅速,纳米通道内流体流动规律越来越受重视。本文运用分子动力学模拟方法,对Ar原子在弯曲纳米通道和粗糙纳米通道内的流动特性进行了研究。研究结果表明,温度、压力、纳米通道的种类和粗糙度都对纳米通道内的流通量和流通速率产生影响。升高温度或者升高压力都会使纳米通道内的流通量和流通速率上升,但温度对流通量和流通速率影响较小。在粗糙纳米通道中,增大粗糙元高度或者减小粗糙元间距会使流通量和流通速率下降。     

基本型脉管内气体振荡制冷机理的分子动力学模拟

脉管制冷机在当今社会应用广泛,但目前对脉管内部气体流动的热力动态过程缺乏微观机理研究。本文采用分子动力学模拟方法,建立微通道模型,并对微通道内进行充气和放气,模拟脉管的压缩和膨胀过程,研究脉管轴向压力、密度、速度和温度随时间的变化。结果表明:随着过程进行,气体轴向的压力与密度梯度逐渐减小,直至达到平衡,但会出现微小的逆向梯度。膨胀和压缩过程在64 ps时,在微通道出口附近出现最大速度,分别为775 m/s和864 m/s,且随着反应的进行,最大速度处逐渐向压力低的方向移动。微通道内各点压力波与速度波的相位随位置而变。在压缩过程中,微通道内靠近封闭端温度较高,可高达500 K;远离封闭端温度较低,可降至223 K,膨胀过程则相反。一次循环温度场叠加时,在热端处,时间积分的平均值为375 K;在冷端处,时间积分的平均值为244 K,有利于热端向环境散热和冷端制冷。     

融合MS-IRB与CAM的入侵检测模型

针对深度学习模型复杂度高导致的模型训练时间长、收敛速度慢等问题，本文提出了一种融合多尺度倒残差块(Multiscale-Inverted Residual Block, MS-IRB)与通道注意力机制(Channel Attention Mechanism, CAM)的入侵检测模型，该模型在确保检测性能的同时降低了复杂度.首先，将数据集中的一维网络流量数据进行数值化、归一化处理，进而转化为三通道格式；其次，利用三组倒残差块对数据进行多尺度特征提取，所使用的卷积核尺寸分别为1×1、2×2、3×3,采用通道注意力机制为各个卷积通道分配不同权重，提高了本文模型对包含更多有效信息通道的关注度，选用BN方法来降低过拟合程度并加快模型的收敛速度；最后，将全连接处理所得特征矩阵通过Softmax函数映射获得分类结果.为验证本文模型，在UNSW-NB15数据集上进行实验评估.实验结果表明：本文模型参数数量分别比CNN少34%、比LSTM少60%,且计算量比CNN小45%;同时，分类准确率相比CNN提高了0.7%.     

面向ICS的CGAN-DEEPFOREST入侵检测

随着工业化与信息化的深度融合，工业控制系统(ICS)的安全问题广受关注，ICS领域出现了许多入侵检测模型.但是，现存模型存在局限性，无法同时解决数据不平衡、分类时间长、小样本检测率低和准确率低的问题.因此，本文提出CGAN-DeepForest入侵检测模型解决上述问题.首先，采用改进的条件生成对抗网络(CGAN)定向扩充数据来改善数据的不平衡性.其次，采用随机森林对平衡后的数据集进行特征提取，降低分类模型训练时间和分类时间.再次，采用深度森林(DeepForest)进行分类，提高小样本检测率和整体准确率，输出分类结果.最后，使用数据集Gas验证模型效果.实验结果表明，本文模型与简单深度森林模型相比准确率整体提升3%,小样本数据NMRI、MFCI、Dos的查全率、查准率、F1分别提高至95%、84%、90%;与随机森林模型相比，准确率整体提高6%,小样本NMRI的查全率提升23%;与深度卷积神经网络相比，准确率接近94%时，模型训练时间和分类时间提高约50%.