全缘叶蓝刺头根部化学成分提取及抗氧化活性研究

用硅胶柱色谱、Sephadex LH-20葡聚糖凝胶柱色谱、重结晶、高效液相色谱等分离手段分离全缘叶蓝刺头(Echinops integrifolius Kar.et Kir.)根的化学成分,根据理化性质和波谱数据鉴定其化学结构,采用DPPH自由基清除法测定化合物抗氧化活性.从全缘叶蓝刺头的根中分离15个化合物,鉴定了胡萝卜苷(1)、原儿茶酸(2)、原儿茶醛(3)、咖啡酸(4)、东莨菪苷(5)、breynioside A(6)、龙胆酸(7)、5,7,4'-三羟基-3,6-二甲氧基黄酮(8)、矢车菊黄素(9)等9个化合物.对其中部分化合物的DPPH自由基清除实验结果表明,化合物2、3、4、7表现出优于阳性对照Vc的自由基清除作用,IC_(50)值为2.177、0.844、0.800、1.434 mg/L,阳性对照Vc的IC_(50)值为3.629 mg/L.化合物3～7均为首次从该属中分离,化合物2、3、4、7具有良好的抗氧化活性.     

全缘叶蓝刺头化学成分研究

研究了全缘叶蓝刺头(Echinops integrifolius Kar.et Kir.)根的化学成分.采用反复硅胶柱色谱、Sephadex LH-20葡聚糖凝胶柱色谱、半制备HPLC、制备薄层色谱及重结晶等技术手段进行分离纯化,通过理化性质、核磁共振波谱及质谱数据鉴定结构.结果从全缘叶蓝刺头根乙醇提取物的石油醚萃取部位及乙酸乙酯萃取部位分离得到7个化合物,分别鉴定为大黄素甲醚(1)、(+)-11α,13-二氢去氢木香内酯(2)、豆甾醇(3)、7-羟基香豆素(4)、东莨菪素(5)、对羟基苯甲酸(6)和茵芋苷(7),其中化合物6是首次从该植物中分离得到,化合物1、2、5和7是首次从蓝刺头属中分离得到.     

基于聚类及优化集成神经网络的地铁车站空调负荷预测

分别从优化算法集成神经网络及将数据聚类后按类建模两方面建立3种模型对地铁车站空调负荷进行逐时预测,结果表明：同一物理量对地铁车站空调负荷所产生的影响程度随时间呈现某种动态变化特征,根据历史数据定量分析这些特征,对精准筛选模型输入参数、提高模型预测精度大有裨益。在3种模型中,粒子群优化算法-神经网络（PSO-BPNN）和果蝇优化算法-神经网络（FOA-BPNN）预测的平均相对误差（MAPE）较单纯神经网络（BPNN）分别降低25.87%和40.08%,聚类-神经网络（Kmeans-BPNN）预测的MAPE比PSO-BPNN及FOA-BPNN分别降低61.12%和51.90%。说明在同等情况下,优化算法集成模型比单纯BPNN预测精度更高,而当区分实际负荷变化特点后,采用聚类后建模比优化集成建模效果更佳。     

贫数据中基于模型自训练的空气处理设备故障诊断

针对空气处理设备（AHU）故障贫数据,基于深度置信网络（DBN）模型对4种特征选择算法进行对比研究,结果表明最大相关最小冗余算法的特征子集在诊断准确率及子集元素稳定性上表现最优。提出将DBN 嵌入自训练框架的故障诊断模型,发现DBN自训练的诊断准确率较单纯DBN最高可提升19.5%。提出均匀抽样及按比例抽样2种自训练伪标签抽样策略,二者的诊断准确率均随抽样数减小而增大,在不同抽样数中的最大差异为3.42%;在所有贫数据样本中,均匀抽样策略始终优于按比例抽样,诊断准确率最大相差1.39%,表明在故障标签匮乏时,采用均匀抽样策略及较小的抽样数有利于提升DBN自训练的诊断性能。