工作-家庭冲突对建筑工人习惯性违章行为的影响——安全氛围的中介作用

为有效预防和遏制建筑工人的习惯性违章行为，本文基于角色冲突理论探讨工作-家庭冲突、安全氛围与建筑工人习惯性违章行为三者之间的深层次作用关系。针对建筑工人的工作性质，采用结构方程技术，以安全氛围作为中介变量，构建工作-家庭冲突与建筑工人习惯性违章行为的SEM模型，并自行编制工作-家庭冲突量表、安全氛围量表、习惯性违章行为量表，以246名建筑工人为问卷调查样本，对建筑工人习惯性违章行为进行实证分析。结果表明：工作-家庭冲突的3个维度对建筑工人习惯性违章行为均具有正向影响，工作-家庭冲突对安全氛围具有负向影响，安全氛围对建筑工人习惯性违章行为具有负向影响，安全氛围在工作-家庭冲突与建筑工人习惯性违章行为之间的中介效应。可以通过减轻建筑工人的压力冲突、行为冲突、时间冲突，增强安全氛围来降低建筑工人的习惯性违章行为发生几率。     

崩积体粒径的图像识别与分析

崩塌是一种常见的地质灾害,崩落块石所形成的崩积体往往可以反映崩塌运动过程、影响范围等。基于无人机航拍影像技术以及孔隙(颗粒)与裂隙图像识别与分析系统(PCAS)的崩积体调查方法,将粒径分析方法引入崩积体调查,对崩积体粒度分布与堆积特点进行研究。结果表明:"无人机航拍影像技术-PCAS"统计方法切实可行,具有便捷、安全、成本低、高效和高精度的特点;将小茅坡崩积体划分为主积区、散落区、影响区,3个特征明显的区域;小茅坡崩积体粒径服从Y=A+(B/t)的逆分布规律;从纵向上看,崩积体内小块石占比呈先减小后增大再减小的趋势;从横向上看,距崩源相同距离各区粒径组分的含量基本相同,中块石与大块石在横向上呈现先增大后减小的趋势。研究成果对崩塌堆积调查具有重要意义,为野外调查提供一种新的技术手段。     

基于双通道多特征融合的电力负荷智能感知方法

负荷识别是分析用户用电行为的主要工具之一.提高负荷识别的精度对于开展用能监测服务、实现节能降损具有重要意义.提出了一种基于双通道多特征融合的电力负荷智能感知方法.首先,从电器设备的基本属性出发,分析了电流、谐波、功率等数值特征以及电压-电流(V-I)轨迹图像特征对负荷识别的影响;其次,考虑了特征之间的互补性,分别采用主成分分析-神经网络(principal component analysis-back propagation,PCA-BP)算法和卷积神经网络算法将数值特征和图像特征以不同通道在高维空间进行深度融合;最后,采用Softmax分类算法对融合后的高级特征和设备标签进行有监督的学习,从而实现了不同类别电器设备的有效辨识.算例测试结果显示,所提出方法的负荷识别准确率高达94.55％.该结果充分说明了将多种特征进行高维空间融合,可以更全面、立体地反映设备的本质属性,提高算法的识别精度.     

白酒窖泥中乳酸菌分离鉴定及其发酵产挥发性风味物质比较

从白酒窖泥中分离得到11株乳酸菌,经16S rDNA基因序列同源性分析,鉴定为1株短乳杆菌、1株鼠李糖乳杆菌、2株干酪乳杆菌和7株铅黄肠球菌。 分析了11株菌MRS培养基发酵产乳酸性能,结果表明:乳酸产量与菌群生长呈正相关,鼠李糖乳杆菌L₉、干酪乳杆菌L₁₀与L₁₁发酵液乳酸含量较高,分别为15.74、15.58、14.74g/L。4株代表菌相同条件下发酵高粱培养液产挥发性风味组分,共有物质13种,包含了白酒中重要香气成分:乙酸、己酸、乙酸苯乙酯和苯乙醇,且乙酸、己酸相对含量较高。各菌产可挥发性组分差异明显,相对含量较高的化合物种类为:短乳杆菌L₅产烷烃类化合物(27.91%),铅黄肠球菌L₈产醇类化合物(43.14%),鼠李糖乳杆菌L₉产酯类(7.35%)、酮类(3.61%)和吡嗪类(3.3%)化合物,干酪乳杆菌L₁₁产酸类(27.98%)和芳香类(5.96%)化合物。仅有短乳杆菌L₅产四甲基吡嗪,短乳杆菌L₅和铅黄肠球菌L₈可明显产乙醇,鼠李糖乳杆菌L₉和干酪乳杆菌L₁₁产3-羟基-2-丁酮。这些物质对白酒风味和口感有重要影响。研究显示,窖泥中各种乳酸菌特征不一,对白酒酿造有不同影响。本研究旨在为进一步挖掘白酒酿造功能微生物、拓展乳酸菌的应用提供理论依据。     

基于模型参数在线辨识技术的SOC估算方法

针对遗传算法(genetic algorithm，GA)存在收敛速度慢、易陷入局部最优以及难以实现在线应用的问题，面向如动力电池等效电路模型一类非线性较强、实时性要求高的模型辨识问题，提出一种能够快速缩小搜索空间，且有效避免陷入局部最优的在线快速搜索的优化辨识框架，实现电动汽车动力电池等效电路模型参数在线快速辨识，扩展全局搜索优化算法的应用范围.进一步，将此算法应用于电池剩余荷电状态(SOC)估算问题，提出基于改进GA参数辨识技术的无迹粒子滤波SOC估算方法(IGA-UPF).并将此SOC估算方法与基于最小二乘参数辨识技术的无迹粒子滤波的SOC估算算法(LS-UPF)作比较，结果验证了本文提出的在线快速参数辨识框架具有更好的模型参数辨识精度.     

连续搅拌反应釜的自适应模糊辨识与预测控制

化工领域为保证生产安全,对温度、压强、浓度等工艺指标有严格的要求。连续搅拌反应釜属于典型的化工设备,存在较强的非线性和时滞性,传统的建模与控制方法无法满足其精度要求。针对连续搅拌反应釜系统提出一种自适应模糊辨识与预测控制的方法。首先根据模糊划分C均值聚类算法得到模糊隶属度和初始聚类中心,在此基础上采用分层遗传算法进一步优化连续搅拌反应釜T-S模糊模型的参数。其次,采用自适应机制遗忘因子递推最小二乘法来估计T-S模糊模型的后件参数。最后,基于得到的T-S模糊模型,对连续搅拌反应釜进行自适应模糊广义预测控制,仿真结果验证了该算法的有效性。     

基于工况识别的安全距离模型

针对传统自适应巡航控制系统安全距离模型缺乏对车辆驾驶工况变化考虑的问题，提出一种基于驾驶工况识别的安全距离模型。依据城市驾驶工况特点构建了4种典型城市工况，引入人工神经网络对车辆实时驾驶工况进行识别与预测，然后以现有安全距离模型为基础，结合工况识别结果，完成对该模型的优化。通过CarSim和Simulink联合仿真验证，结果表明：基于驾驶工况识别的安全距离模型可以更好地实现与前车的速度跟随与距离控制，提高了乘坐安全性与道路利用率。     

基于Attention Bi-LSTM模型构建蛋白质诱饵序列库

利用计算机技术在海量质谱数据中鉴定蛋白质序列是蛋白质组学研究最基本且重要的任务之一，诱饵序列库构建的好坏是蛋白质鉴定质量控制成功的关键之一。发展了基于注意力机制-双向长短期记忆神经网络(Attention Bi-LSTM)的诱饵序列构建方法，整体研究基于编码-解码框架，采用双向长短期记忆神经网络在解决传统循环神经网络梯度消失问题的同时，可以捕获前向后向更多依赖信息对处理序列数据更加有优势；引入注意力机制提高模型对目标序列库和诱饵序列库相关程度的关注度；并与目前常用的随机和反转算法进行比较。结果显示，基于Attention Bi-LSTM模型构建的诱饵序列库能满足理想诱饵序列库的各项特征要求；在不同大小实验数据集以及谱图、肽段、蛋白3个层面对比分析，显示构建的诱饵序列库与其他方法比具有更好的灵敏性。因此，Attention Bi-LSTM是一种很有潜力的诱饵序列库构建方法。     

基于最小二乘偏差补偿法的舵机模型参数辨识

舵机作为无人旋翼机一个重要的执行机构,控制着旋翼机飞行姿态与轨迹的改变,为建立舵机的数学模型,提出了基于最小二乘偏差补偿法辨识伺服舵机的模型参数。在研究了伺服舵机的结构与工作原理的基础上,首先建立舵机各组件模型,综合得到舵机的系统模型;然后采用最小二乘偏差补偿法辨识模型参数。实验仿真验证了该方法具有较高辨识精度与有效性。     

First record of the genus Tanaostigma (Hymenoptera,Chalcidoidea, Tanaostigmatidae) from the Afrotropical region with description of three new species

ABSTRACT

The genus Tanaostigma is newly recorded from the Afrotropical region and three new species are described: Tanaostigma lasallei van Noort sp. nov. (South Africa), Tanaostigma mulu van Noort sp. nov. (Kenya) and Tanaostigma ukumbusho van Noort sp. nov. (Kenya). We provide comprehensive images of the holotypes and an illustrated identification key to the African species. New country distribution records are provided for Tanaostigmodes tambotis Prinsloo & LaSalle, 1995. All images presented here as well as supplementary images and online keys are available on www.waspweb.org

www.zoobank.org/urn:lsid:zoobank.org:pub:61D1A59D-3702-480A-B146-73067C29CD82