自配复合型防霉剂对变色移膜革防霉效果的研究

根据所报道的各种防霉剂特性,自配了针对变色移膜革的复合型防霉剂。从霉变的变色移膜革上分离出各种霉菌,在验证了单成分防霉剂防霉效果的基础上,试验各成分的最佳组合。通过抑菌圈法、最低抑菌浓度(MIC)法及皮革厂实际应用,证实该自配复合型防霉剂对变色移膜革有较好的防霉效果。

新形势下绿色皮革防霉剂的研究进展综述

介绍了目前所使用的皮革防霉剂的主要有效成分,综述了在环保、健康要求更加严格的新形势下绿色皮革防霉剂的研究进展及趋势。

自配变色移膜革专用防霉剂性能评价试验

通过杀菌效果试验,理化性质检测,毒性、刺激性试验和耐药试验,评价了自配复合型变色移膜革专用防霉剂的综合性能。同时设计了几种乳油配方,并对由各配方在水中的分散性进行了评估。研究结果表明:该防霉剂高效、低毒、环保、经济,对变色移膜革具有良好的综合防霉性能;几种自制乳油配方在水中具有良好的分散性。

日交通流预测的编码器-解码器深度学习模型研究

精准的日交通流预测是智能交通领域的重要研究内容之一。目前已有的日交通流预测模型大多在短期预测模型的基础上通过多步预测或者多目标预测的方式改进而来。这两种改进方案中,前者对误差的传播更为敏感,而后者则忽视了预测结果的时序关系,导致预测模型精度偏低。提出了一种用于日交通流预测的编码器-解码器深度学习模型,首先将长短时记忆网络(long short-term memory,LSTM)作为编码器-解码器模型的基本单元以提高模型捕捉长期依赖关系的能力,其次引入注意力机制调节编码向量的权重以进一步提高模型的预测精度。新的模型是一种典型的序列到序列预测模型,与传统的序列到点的模型相比更加契合日交通流预测的需求。为验证模型的有效性,取美国5号州际公路西雅图段的实际交通流数据进行实验,实验结果表明,提出的预测模型在平均车流密度大于40辆/km的时间段中,其预测结果的平均绝对百分比误差(mean absolute percentage error,MAPE)与LSTM、门控循环单元(gated recurrent unit,GRU)、反向传播(back propagation,BP)神经网络、卷积神经网络(convolutional neural network,CNN)、图卷积网络(graph convolution network,GCN)传统预测模型相比,分别减小了19%、20%、25%、16%、25%。

时空融合的DGM(1,N)模型在城市路网短时交通流预测中的应用

文章提出了一种新型的融合时空信息的分数阶滚动DGM(1,N)模型,新的预测模型充分考虑了城市路网中待测路段的交通流受多条相邻道路的历史信息的影响,采用分数阶累加生成算子对数据进行预处理极大程度上弱化原始序列的随机性和波动性,并采用粒子群算法(PSO)选取最优的累加阶数γ。此外,在有限数据的情况下对模型进行一个实时滚动预测保证模型能够充分利用新信息。来自OpenITS平台的中国长沙城市路网算例的计算结果表明,文章所提出的模型具有较高的预测精度,明显优于已有的一些预测模型。