番石榴叶中挥发油组分的固相微萃取分析

建立了一种应用顶空固相微萃取-气相色谱质谱分析番石榴叶中挥发油组分的方法。对固相微萃取纤维种类、萃取温度、萃取时间和样品溶液的离子强度进行了单因素优化试验,并得出了最优试验条件为:碳分子筛羧乙基/二乙烯基苯/聚二甲基硅氧烷(CAR/DVB/PDMS)萃取纤维,萃取温度65 ℃,萃取时间40 min,离子强度20%。该方法共鉴定出了47种组分,其中酮类化合物8种,醛类14种,酯类5种,醇类6种,烯烃类4种,酸类2种,剩余酚类等其他化合物8种。通过面积归一化法分析,鉴定出化合物结构的组分相对含量占总挥发油组分含量的93.97%。该方法为番石榴叶药用价值的研究提供方法及数据支持。     

水稻土细菌群落对长期施肥和短期氮添加的响应

为更好地了解长期施肥下水稻土的细菌多样性、群落结构和组成,本研究以中性紫色水稻土长期定位试验基地为平台,采用高通量测序技术,研究长期施用化肥和短期氮添加对水稻土细菌群落的影响。实验结果表明：相比于短期氮添加,长期施肥显著提升土壤养分含量,同时使土壤pH值明显下降,并改变了土壤细菌群落特征。试验所用水稻土细菌主要优势菌门为变形菌门（Proteobacteria）、放线菌门（Actinobacteria）、酸杆菌门（Acidobacteria）和绿弯菌门（Chloroflexi）,它们的总占比超过70%。长期施肥显著提高了富营养型细菌变形菌门和拟杆菌门（Bacteroidetes）的相对丰度。相关性分析和冗余分析表明,水稻土细菌多样性、群落结构和组成受到土壤pH和土壤养分水平（如速效磷、速效钾、全氮等）的显著影响。     

结合交并比损失的孪生网络目标跟踪算法研究

SiamRPN算法采用Ln范数损失训练边界框预测，未考虑预测框与真值框间交并比(inersection over union, IoU)的关系，导致准确性不足。针对该问题，提出一种结合IoU损失的SiamRPN目标跟踪改进算法。设计了IoU-smooth L1范数联合优化模块，对候选正样本进行IoU损失与smooth L₁范数损失的联合优化；依据回归预测结果，用预测框与真值框的IoU作为权重对正样本进行加权分类预测，增加正样本间的区分度，同时确保分类预测与回归预测的关联性。对比实验结果表明：本文所提改进算法能有效提升跟踪性能。     

城市灾区无人机基站部署优化

通过优化无人机基站（UAV-BS）三维空间部署位置，以最小化满足通信需求的UAV-BS部署数量.针对城市灾区中UAV-BS的部署优化方法较少考虑到建筑的具体形状及位置对通信影响情况，在构建一个建筑物对UAV-BS视距（LoS）链路的遮挡模型的基础上，提出一种UAV-BS部署算法——PSO-PPGE.该算法首先采用粒子群算法（PSO）在目标区域搜索全局部署方案，然后基于相邻UAV-BS部署间的势博弈关系，根据遮挡信息及UAV-BS负载制定博弈策略，局部调整每个粒子中的UAV-BS位置，以提高UAV-BS的用户覆盖率，进而确定所需UAV-BS的最小数量.仿真结果表明，所提出的算法与PGE、PSO等优化算法相比，在最小化UAV-BS数量同时最大化用户覆盖率方面具有明显优势.     

基于集合卡尔曼-Elman网络的软测量建模方法

污水处理系统是一个复杂的非线性、大时延的动态系统，由于工艺的复杂性、检测设备的不完备性以及经济成本的限制，一些重要的出水指标无法实现精准的检测。为解决此问题，文中提出了基于集合卡尔曼-Elman网络的软测量方法。传统动态神经网络具有能够处理时延信息数据的动态记忆能力，可用于基于数据驱动的软测量建模过程。但是，常规训练方法容易使神经网络陷入局部最小值，导致模型预测性能欠佳。鉴于此，文中引入集合卡尔曼滤波技术和对偶有限样本集合卡尔曼技术对典型的动态神经网络——Elman神经网络进行无梯度训练，构建新型软传感器模型，不仅有效提高了传统Elman神经网络的预测能力，而且提供了一种简单、无梯度的神经网络训练方法。将该方法在加州大学欧文分校的污水处理数据（UCI数据）上进行验证，结果表明，文中方法具有较好的预测性能，集合卡尔曼滤波技术可作为一种无梯度的替代方法来训练神经网络。