猪肉质量系于生命

当前,全国各地正在认真落实党中央、国务院领导关于进一步加强生猪等畜禽屠宰检疫管理工作的指示,为了把国务院对上市生猪实行“定点屠宰,集中检验,统一纳税,分散经营”的管理办法落到实处,我们觉得有必要让人们了解病猪肉的危害性,提高全民卫生观念,同时也请有关部门本着对人民负责的态度,顾全大局,理顺体制,抓     

一种新型耐腐蚀耐磨蚀衬塑自吸泵的设计北大核心

这种新型衬塑自吸泵运用了独特的"虹吸+真空泵原理",不需要传统自吸泵的进液S型弯管和回流孔,也不需要配装进口管缓冲阀和出口管空气控制阀,就能完成自吸过程,自吸性能优异,开创了自吸泵设计制造的新路子。     

基于深度自编码网络的Android恶意软件检测方法

针对传统Android恶意软件检测方法检测率低的问题,文中提出一种基于深度收缩降噪自编码网络(Deep Contractive Denoising Autoencoder Network,DCDAN)的Android恶意软件检测方法。首先,逆向分析APK文件获取文件中的权限、敏感API等7类信息,并将其作为特征属性;然后,将特征属性作为深度收缩降噪自编码网络的输入,使用贪婪算法自底向上逐层训练每个收缩降噪自编码网络(Contractive Denoising Autoencoder Network),将训练完成的深度收缩降噪自编码网络用于原始特征的信息抽取,以获取最优的低维表示;最后,使用反向传播算法对获取的低维表示进行训练和分类,实现对Android恶意软件的检测。对深度自编码网络的输入数据添加噪声,使得重构的数据具有更强的鲁棒性,同时加入雅克比矩阵作为惩罚项,增强了深度自编码网络的抗扰动能力。实验结果验证了该方法的可行性和高效性。与传统的检测方法相比,该检测方法有效地提高了对恶意软件检测的准确率并降低了误报率。     

基于深度学习的交通流量预测研究

交通流量序列具有不平稳性、周期性、易受节假日等因素影响的特点，因此交通流量预测是一项困难的任务。针对交通流量序列的预测问题，设计了一种基于深度学习的交通流量预测模型。模型融合了卷积神经网络和长短时记忆神经网络两种网络结构，卷积神经网络用于提取特征分量，长短时记忆神经网络综合提取出来的特征分量做序列预测。通过在贵州省高速公路车流量数据集上的验证，模型比传统的预测方法具有更高的精确度和实时性，在不同数据集上的泛化性能良好。     

机车受电弓用新型粉末冶金滑板

本文探讨了机车受电弓用滑板与接触网导线的磨耗机理，介绍了一种新研制的粉末冶金滑板，其寿命提高约33％，并对接触网导线无不良影响。该滑板与现用产品相比，电接触和摩擦磨损性能有明显的改善。     

食品大数据应用综述

大数据技术是指从各类数据中快速获得有价值信息的能力。大数据技术方兴未艾,为食品科学提供了一种全新的思维方式和分析方法,可以提升食品科学在食品追踪溯源、食物配对、食谱推荐、食品安全、食品生产管控、用户食品偏好、未来食品分析上的预测性以及准确性,然而在大数据应用系统中存在数据缺失、难以辨真伪等挑战。本文中阐述了食品大数据的应用现状,分析了其面临的挑战并讨论可行性解决方案,展望了食品大数据未来发展趋势。本文作者的目的是希望食品大数据领域研究者在本文研究基础上,继续从大数据角度为食品科学添砖加瓦,并根据未来食品发展趋势,实现食品科学提升。     

固定化增殖细胞发酵半纤维素糖类的研究

采用海藻酸钠包埋及进一步增殖培养，将休哈塔假丝酵母（ＣａｎｄｉｄａｓｈｅｈａｔａｅＲ）的细胞密集固定在凝胶珠表层，大大减小了传递阻力，为该菌的“半好气”发酵创造了有利条件。试验结果表明，ＣａＣｌ２浓度以２％为宜，凝胶中掺入适量的Ａｌ２Ｏ３（１．２％）能明显增加凝胶珠的机械强度及使用寿命。固定化增殖细胞能够利用己糖和戊糖及８０ｇ／ｌ的混合糖（己糖与戊糖各占一半）。经１２ｈ发酵，糖的利用率达９０．５％（相同条件下的游离细胞发酵需４８ｈ）。混合糖发酵的适宜条件为：温度３４～３６℃；初始糖浓度８０ｇ／Ｌ；通气量３．３ｍｌ／ｍｌ发酵体积·ｈ。固定化休哈塔假丝酵母能成功地发酵玉米秆水解液、杨木水解液及亚硫酸盐制浆废液，酒精得率达理论值的９０％以上，具有广阔的实际应用前景。     

四川省宣汉县钾盐普查ZK001参数井钻井施工技术

以四川省宣汉县黄金口钾盐普查ZK001井钻探工程为背景,从井身结构、钻具组合、钻井液工艺、取心技术、井斜控制、深部抽水试验等方面,总结研究了钾盐参数井的钻井施工技术。针对施工过程中超长裸眼段钻进、井漏、长段膏盐层钻进等技术难题,通过优化钻具组合,调整钻井液性能,随钻堵漏等措施,工程得以顺利完成。     

基于AN和LSTM的恶意域名检测

目前,恶意域名被广泛应用于远控木马、钓鱼欺诈等网络攻击中,传统恶意域名检测方法存在长距离依赖性问题,容易忽略上下文信息并且数据维度过大,无法高效、准确地检测恶意域名。提出了一种自编码网络（Autoencoder Network,AN）降维和长短期记忆神经网络（Long Short-Term Memory network,LSTM）检测恶意域名的深度学习方法。利用实现包含语义的词向量表示,解决了传统方法导致的数据表示稀疏及维度灾难问题。由word2vec构建词向量作为LSTM的输入,利用Attention机制对LSTM输入与输出之间的相关性进行重要度排序,获取文本整体特征,最后将局部特征与整体特征进行特征融合,使用softmax分类器输出分类结果。实验结果表明,该方法在恶意域名检测上具有较好的表现,比传统检测恶意域名方法具有更高的检测率和实时性。