聚四亚甲基醚二醇羟值含量的测定

介绍使用乙酸酐-N-甲基咪唑-二甲基甲酰胺催化酰化法测定聚四亚甲基醚二醇(PTMEG)的羟值含量,讨论了样品用量、酰化温度、酰化时间和酰化剂含水量及稳定性对测定结果的影响.结果表明:使用乙酸酐-N-甲基咪唑-二甲基甲酰胺催化酰化体系,在50℃下酰化反应时间30 min,测得PTMEG1000和PTMEG2000羟值结果与国标法相接近,且操作简便耗时短,避免使用对人体危害较大的吡啶溶剂,同时酰化剂用量较少,保护了环境.     

氯化钠从水到乙二醇水混合中的迁移性质

在乙二醇和水为混合溶剂中加入NaCl组成三元系,在20~40℃时,改变混合溶剂中乙二醇的质量分数,在w=0%,10%,20%和30%的条件下,测定下列电池电动势AgCl-Ag|NaCl(mA),C2H6O2(w),H2O(1-w)|Na-ISE,(A)确定混合溶剂中AgCl-Ag和Na-ISE电极对在不同温度时的标准电动势,计算了NaCl的迁移性质。结果表明,低温时NaCl在纯水中有较高的吉布斯自由能状态,而在高温时,NaCl在乙二醇和水的混合溶液中处于较高的吉布斯自由能状态。     

空间极大co-location模式挖掘研究

空间co-location模式代表了一组空间特征的子集,它们的实例在空间中频繁地关联。挖掘空间co-location模式的研究已经有很多,但是针对极大co-location模式挖掘的研究非常少。提出了一种新颖的空间极大co-location模式挖掘算法。首先扫描数据集得到二阶频繁模式,然后将二阶频繁模式转换为图,再通过极大团算法求解得到空间特征极大团,最后使用二阶频繁模式的表实例验证极大团得到空间极大co-location频繁模式。实验表明,该算法能够很好地挖掘空间极大co-location频繁模式。     

异质信息网络中基于邻接熵的影响力最大化

影响力最大化是研究如何在社会网络中寻找小部分最具影响力的节点作为信息扩散源,使信息在网络中传播范围最大的问题.已有相关研究大多只是针对同质信息网络,但现实中的社会网络是包含了多种对象类型和对象之间多种关系类型的异质网络,因此提出了基于元路径的邻接信息熵(MPAIE)模型,以及基于元图的邻接信息熵(MGAIE)模型来模拟异质信息网络中的社会影响.通过设置元路径或元图,该方法可以灵活地整合异质网络中的结构和语义信息,对节点的影响力做出度量,并在两个真实数据集上验证了MPAIE及MGAIE模型的有效性.     

MLCPM-UC:一种基于模式实例分布均匀系数的多级co-location模式挖掘算法

空间co-location(并置)模式是一组空间特征的子集,其实例在空间中频繁地邻近出现.由于空间数据同时存在关联性和异质性,co-location模式实例的分布或在整个研究区域中全局出现(全局co-location模式),或在研究区域的局部区域出现(区域co-location模式),从而提出了多级co-location模式挖掘.当前的多级co-location模式挖掘方法存在两个问题:1)已有的多级co-location模式挖掘方法忽略了模式在空间中的分布特性,未能准确区分全局和区域co-location模式;2)已有的多级模式挖掘方法将全局非频繁co-location模式作为候选区域co-location模式,导致候选区域co-location模式数量过多.针对以上问题,首先,定义了模式的实例分布均匀系数,在考虑模式频繁性的同时考虑了模式在空间中的分布情况,从而正确、高效地识别出全局和区域co-location模式.其次,基于模式的实例分布均匀系数,设计了一个有效的多级co-location模式挖掘算法,提出了有效的剪枝策略以提高算法效率.最后,在真实和合成数据集上进行了广泛的实验,验证了所提方法的正确性和高效性.     

费托合成水相副产物混合醇分离脱水工艺模拟及优化

针对费托合成水相副产物混合醇的回收问题,通过对混合醇的物性进行分析结合流程模拟软件Aspen Plus,开发了一种费托合成水相副产混合醇分离脱水工艺。运用Aspen Plus中的灵敏度分析工具计算出各塔理论板数、进料位置、回流比等操作参数,并对全工艺流程进行节能分析,提出了最优的工艺流程。模拟计算结果表明,该工艺得到的合成水中含醇量为PPM级,混合醇回收率很高,得到的混合醇产品含水量小于1%,优化后的工艺节能42%。     

影响图及遗传算法的私人信息推测

市场竞争中,准确推测竞争对手的私人信息对于竞争者掌握竞争的主动权具有重要意义。以影响图作为竞争对手的决策模型,以对手的目标是使整体决策的总期望效用最大,而不仅仅是使每一步决策获得最大效用为准则,根据所观测到的竞争对手的决策行为,利用遗传算法推测对手的自然信息、决策信息或效用信息。实验结果表明,所提方法是正确有效的。     

多级特征增强的图表示学习模型

针对图数据的表示学习在推荐系统、链接预测等图下游任务已展现出重要的研究价值。然而目前主流的方法存在一些缺陷：图卷积网络的固定传播模式限制节点表示的语义表达能力,以及编码器-解码器结构中的正则化重建阻碍学习节点间的差异化特征,这些都可能导致节点表示不能很好适应图下游任务。为此,基于互信息最大化理论提出一种多级特征增强的图表示学习模型,能以无监督的方式生成高质量的节点表示。模型使用提取器保留节点原始属性中的差异化特征,利用注意力聚合器维持编码空间中节点分布的局部相关性和全局差异性,应用深度图信息最大化策略统一全局编码规则。实验结果证明,在几个基准图数据集上该模型在直推式学习和归纳式学习下的编码表现均超过了所有的主流对比基线。     

影响图的扩展综述

影响图是单决策人基于不确定信息表示和求解复杂决策问题的图模型,已成为一种流行的标准建模工具。由于决策环境纷繁复杂,决策问题多种多样,没有任何一种建模工具能够普遍适用于各种决策问题。为了表示复杂决策问题,增强影响图的表达能力,研究者对影响图进行了多种扩展。从建模无限制决策问题、非对称决策问题、涉及连续变量的决策问题、涉及非精确变量的决策问题及多Agent决策问题等方面对影响图的扩展进行了较为全面的回顾与分析,指出了有关影响图的进一步研究方向。关键词:决策;影响图;无限制决策;非对称决策;多Agent决策     

带权定性影响图

定性影响图是具有精确概率和效用的影响图的定性抽象。在定性影响图中,节点之间的影响关系使用定性符号描述,这种符号描述简化了不确定知识的表示,降低了影响图建模的难度,加速了不确定知识的推理。但是,定性影响图在抽象过程中损失了部分信息,导致定性影响图在评价过程中会产生不确定结果,阻碍了定性影响图的广泛应用。以加权的思想扩展定性影响图,使扩展的定性影响图中每个定性影响都带有一个表示节点间影响强弱的数值权值,在评价过程中根据定性影响权值的比较来减少不确定结果的产生,从而扩大定性影响图的应用范围。