排序方式: 共有30条查询结果,搜索用时 15 毫秒
1.
以降冰片烯二酸酐为起始原料, 经水解中和和催化加氢制备了双环[2.2.1]-庚烷-2,3-二羧酸钠。通过研究催化加氢步骤中催化剂种类、催化剂用量、反应温度和反应压力等关键因素对双环[2.2.1]-庚烷-2,3-二羧酸钠的收率和纯度的影响, 获得了适宜的反应条件。实验结果表明:催化剂雷尼镍可代替文献报道的价格昂贵的钯/炭催化剂完成催化加氢反应, 在反应温度为60℃、反应压力为5MPa的条件下进行催化加氢, 双环[2.2.1]-庚烷-2,3-二羧酸钠的收率大于95%;红外光谱及核磁共振分析表明, 所得加氢产物与双环[2.2.1]-庚烷-2,3-二羧酸钠结构特征吻合。 相似文献
2.
3.
主动协同半监督粗糙集分类模型 总被引:1,自引:0,他引:1
粗糙集理论是一种有监督学习模型,一般需要适量有标记的数据来训练分类器。但现实一些问题往往存在大量无标记的数据,而有标记数据由于标记代价过大较为稀少。文中结合主动学习和协同训练理论,提出一种可有效利用无标记数据提升分类性能的半监督粗糙集模型。该模型利用半监督属性约简算法提取两个差异性较大的约简构造基分类器,然后基于主动学习思想在无标记数据中选择两分类器分歧较大的样本进行人工标注,并将更新后的分类器交互协同学习。UCI数据集实验对比分析表明,该模型能明显提高分类学习性能,甚至能达到数据集的最优值。 相似文献
4.
建立一个三相体系,实现对头孢氨苄的合成与分离。对支撑液膜及其传质机理进行了简要介绍。实验中,以Isopar L为萃取剂,甲基三辛基氯化铵(Aliquat 336)为载体,1-癸醇为载体助溶剂。萃取部分考察了进料相头孢氨苄的浓度、进料液pH、进料相和有机相体积比对萃取率的影响。反萃部分考察了反萃液pH对反萃率的影响,对比了几种反萃液的反萃效果,最终选择pH=9.0的D-苯甘氨酸甲酯盐酸盐(PGME)溶液作为反萃液。选择进料头孢氨苄浓度为20 mmol/L,进料液pH为9.0,进料相与有机相体积比为1∶1进行实验,得到头孢氨苄的最终收率为58.43%。 相似文献
5.
一、前言主要用于电子工业的钽粉,国内采用陶瓷过滤混合装料钠还原法(简称老法)来制取。它与引进的分盘装料钠还原法相比,前进了一步。但仍存在着还原率低、产品氧含量高、比电容及实收率低等缺陷。为提高产品质量与收率,赶超世界先进水平,适应我国电子工业的要求,我们于78—79年进行了氟钽酸钾搅拌钠还原(简称新法)的试验研 相似文献
6.
2011年3月7日,常州纺织服装职业技术学院成人继续教育学院迎来了一批新学员,他们来自遥远的内蒙古,将在这里接受为期4个月的《服装技术与管理》培训。这意味着常州纺院的继续教育事业已经走出江苏,走向全国。 相似文献
7.
针对沿路缘行驶车辆的安全问题,提出了一种基于机器视觉的道路路缘识别及距离测量算法。该算法利用标定好的摄像机采集车辆前方道路图像,通过Canny算子检测路缘边缘信息,然后运用Hough变换检测出直线形成路缘结构,基于路缘几何结构信息最终定位和跟踪路缘边界线并实现距离的计算。实验仿真结果表明该算法能实时准确的检测不同类型道路路缘并实现距离的精确测量。 相似文献
8.
目的 由于行人图像受到光照、视角、遮挡和行人姿态等变化的影响,在视觉上容易形成很大的外观差异,对行人再识别造成干扰。为了提高行人再识别的准确性,针对以上问题,提出一种基于多特征融合与独立测度学习的行人再识别算法。方法 首先通过图像增强算法对原始图像进行处理,减少因光照变化产生的影响,然后对处理后的图像进行非均匀分割,同时提取行人图像的HSV、RGS、LAB和YCbCr 4种颜色特征和SILTP(scale invariant local ternary pattern)纹理特征,在基于独立距离测度学习方法下,融合行人的多种特征,学习得到行人图像对的相似度度量函数,最后将行人图像对的相似度进行加权匹配,实现行人再识别。结果 在VIPeR、iLIDS和CUHK01这3个数据集上进行实验,其中Rank1(排名第1的搜索结果即为待查询人的比率)分别达到42.7%、43.6%和43.7%,Rank5(排名前5的搜索结果中包含待查询人的比率)均超过70%,识别率有了显著提高,具有实际应用价值。结论 提出的多特征融合与独立测度学习的行人再识别算法,能够有效表达行人图像信息,且对环境变化具有较强的鲁棒性,有效提高了识别率。 相似文献
9.
信息系统中存在着大量数据值缺省的情况,为寻求约简的最优解需耗费大量的时间。用非对称相似关系代替粗糙集理论中的等价关系,定义了非对称相似差别矩阵,提出了基于非对称相似差别矩阵的高效求核和知识约简算法。该算法无需改变初始不完备信息系统的结构,能直接处理缺省数据。实验结果表明,新算法所获得的决策规则简洁、高效,与缺省值无关。 相似文献
10.
针对不完备弱标记数据的学习问题,提出基于粗糙集理论的半监督协同学习模型.首先定义不完备弱标记数据的半监督差别矩阵,提出充分、具有差异性的约简子空间获取算法.然后在有标记数据集上利用各约简子空间训练两个基分类器.在无标记数据上,各分类器基于协同学习的思想标注信度较大的无标记样本给另一分类器学习,迭代更新直至无可利用的无标记数据.UCI数据集实验对比分析表明,文中模型可以获得更好的不完备弱标记数据的分类学习性能,具有有效性. 相似文献