正倒向随机系统在非光滑指标下最优控制的必要条件

讨论正倒向随机系统在非光滑指标下的最优控制,用凸变分方法和Ｅｋｅｌａｎｄ变分原理给出了最优控制应满足的必要条件。     

操作条件对分子蒸馏纯化不饱和单甘酯的影响

通过单因素试验和正交试验研究了蒸发温度、进料流速、进料温度和冷凝温度对分子蒸馏纯化不饱和单甘酯时轻相/进料质量比D/F的影响,试验结果表明:影响D/F值的因素从大到小为:蒸发温度进料流速进料温度冷凝温度.建立了轻相中单甘酯和甘二酯的含量对不同蒸发温度的二次回归方程,为验证方程的可靠性,分别在进料流速为0.71、1.06、1.42mL/min,蒸发温度为150～200℃的条件下进行试验,将模型值同实验值进行比较,发现数学模型值和实验值很吻合.文中还考察了不同操作条件下不饱和单甘酯的回收率,当蒸发温度在170～190℃之间、进料流速为0.71mL/min、进料温度为70℃、冷凝温度为60℃时,只通过一步分子蒸馏,轻相中单甘酯的纯度便可提高到80%以上,回收率在60%～80%.     

交通事故下路段通行能力变化研究模型

多车道路段中交通事故的发生会极大影响该路段的通行能力.本文根据无信号交叉口与多车道交通事故点交通流的相似性,建立了交通事故下路段通行能力预测模型.对多车道路段的通行能力在交通事故发生前、发生时、发生后的变化情况分别进行了预测,并结合实际案例对模型进行了分析与验证.本模型能较为准确的估算交通事故对该路段通行能力的影响程度,这将为开发城市紧急救援系统提供理论依据.     

人工湿地处理污水中药品及个人护理品的效能研究进展

 药品及个人护理品在环境中具有“持久”、难生物降解、生物累积等特性,如何有效控制污水中的药品及个人护理品成为水处理领域所面临的重要难题之一。人工湿地作为一种生态污水处理技术,在药品及个人护理品的去除研究中逐渐受到关注。本文在总结了人工湿地与污水厂二级处理的对比效果、深度处理（二级处理后带UV处理）的对比效果研究后,得出人工湿地对污水中药品及个人护理品的处理效果与污水厂的处理效果相似或比其更好。对人工湿地的去除机制进行分析,发现光照、植物、基质和微生物等都不同程度地影响着人工湿地的去除效能。最后,对人工湿地处理污水中药品及个人护理品进一步的研究方向进行展望。     

水和水蒸气对钙基吸收剂脱硫性能影响的研究

在半干法烟气脱硫试验中,分别就水和水蒸气对钙基吸收剂脱硫性能的影响进行了对比研究。从化学反应热力学及反应动力学分析可知,与液态水活化钙基吸收剂相比,水蒸汽活化后吸收剂的脱硫性能有了比较明显地提高,吸收剂的失效时间和利用率都有所提高。钙基吸收剂的利用率随着水分含量的增加而变大,当烟气含湿量为20%时,水蒸气活化下,吸收剂的利用率可达到20%左右,比液态水的活化高10%。     

藜麦异戊烯基转移酶基因(CqIPT)家族的全基因组鉴定与分析

基于藜麦全基因组和转录组数据，利用生物信息学的方法对藜麦IPT(CqIPT)基因家族进行了鉴定和系统分析。结果表明，在藜麦基因组中鉴定到12个可分为4个亚组的CqIPT基因，同亚组CqIPT基因具有相似的基因结构和蛋白Motif结构；CqIPT基因家族所有成员的表达模式存在明显差异，CqIPT9仅在顶端分生组织和花序中显著表达，CqIPT5和CqIPT11在花和未成熟的种子及干种子中显著表达；非生物胁迫下的基因表达同样存在多种模式。本研究为深入研究藜麦CqIPT基因的功能提供了一定的理论基础。     

藜麦4,5-多巴双氧化酶基因(CqDODA)家族的全基因组鉴定与分析

基于藜麦高质量基因组数据，鉴定了18个CqDODA基因家族成员，并对其进行了系统分析。结果表明：大多数CqDODA蛋白理化性质差异较小；根据CqDODA基因的亲缘关系可分为三支，分支1中的8个CqDODA基因在甜菜素合成中具有重要的作用；分支1的CqDODA基因结构差异较小，并且蛋白高度保守；CqDODA基因在逆境胁迫或者激素处理下可能存在响应。本研究结果可为深入研究CqDODA基因在藜麦甜菜素合成中的作用提供理论依据。     

基于强化学习的沥青路面长期性能养护决策方法

针对道路长期性能养护决策中庞大的数据分析问题，将深度确定性策略梯度(deep deterministic policy gradient, DDPG)强化学习模型引入到了养护决策分析中，将道路性能的提升及养护资金的有效利用作为机器学习的奖励目标，建立了一套科学有效的沥青路面长期性能养护决策方法，经过与DQN(deep Q-learning network)算法和Q-Learning算法进行对比，DDPG算法所需要的采样数据更少、收敛速度更快，表现更为优异，可有效提升道路服役性能的评估效率，对沥青路面多目标长期养护决策方案的制定起着重要的推动作用。     

极限学习机及其在质子交换膜燃料电池参数辨识中的应用

为对质子交换膜燃料电池(PEMFC)进行精确建模，需要准确辨识PEMFC中的未知参数.然而，PEMFC的参数辨识是一个多变量、多峰值和强耦合的非线性优化问题，传统的参数辨识方法往往得不到满意的结果.此外，不同运行条件下产生的噪声会阻碍启发式算法(MhAs)获取精确的参数.针对该问题，提出一种基于极限学习机(ELM)的MhAs策略——ELM-MhAs,以实现PEMFC的参数辨识.利用ELM对数据进行训练以降低或消除噪声，为MhAs提供更为准确可靠的适应度函数，从而保证MhAs对PEMFC参数的精确辨识.为验证该策略的可行性和有效性，在低温、低相对湿度和高温、高相对湿度两种条件下，分别对25组电压-电流数据进行不降噪、贝叶斯正则神经网络(BRNN)降噪以及ELM降噪处理，随后对比不同数据中6种MhAs和列文伯格-马夸尔特反向传播法的参数辨识结果.实验结果表明，与不降噪和BRNN降噪处理相比，应用ELM能够显著减少数据噪声对实验数据的影响，从而有效提高MhAs的参数辨识精度.