棉皮纤维增强聚丁二酸丁二醇酯复合材料的热性能及力学性能研究

采用连续式蒸汽爆破法对棉皮纤维进行预处理,将其与聚丁二酸丁二醇酯(PBS)进行共混,制备了PBS/棉皮纤维复合材料。利用扫描电镜对棉皮纤维及PBS/棉皮纤维复合材料的微观形貌进行了分析,并研究了棉皮纤维含量对PBS/棉皮纤维复合材料熔融及结晶行为、热降解性能、热变形温度以及力学性能的影响。结果表明:经蒸汽爆破处理后,棉皮纤维直径变小,比表面积变大,在PBS基体中分散均匀;棉皮纤维的存在改变了PBS的熔融峰值温度,提高了其结晶度;与纯PBS相比,PBS/棉皮纤维复合材料在高温条件下的热稳定性得到改善维,卡软化温度和弯曲强度提高。     

格列齐特脂质体的制备及质量评价

采用薄膜分散法制备格列齐特脂质体,以粒径和包封率为考核指标,通过单因素实验和正交实验优化制备条件,测定最优条件制备格列齐特脂质体的平均粒径和包封率。确定最优制备条件为:药脂比1∶10(g∶g)、超声时间10min、成膜温度60℃、缓冲液pH值6。所制备脂质体的平均粒径为(108.3±12.4)nm、包封率为(72.19±3.6)%、平均Zeta电位为(-40.8±2.3)mV,且在4℃下保存稳定性好。电镜照片显示,所制备脂质体圆整度好、粒径均一、无粘连。表明采用薄膜分散法制备格列齐特脂质体工艺稳定,质量可控。     

智能家居平台分析与广电业务方向

分析智能家居行业存在标准不统一、各个体系之间不协调，操作繁琐、场景定义与用户需求无法完全切合等问题。探讨智能家居标准Matter制订进展情况，由标准建立到大规模产品推出需要较长时间，为解决各体系相互不通，各App建立的壁垒，提出借鉴Home Assistant的API模式思路，开发广播电视智能家居服务平台，满足用户需求，结合广播电视自身优势，开拓广播电视新业务形态。     

试析保温节能技术在住宅工程中的应用

随着经济的发展,人们的生活水平日益提升,对于生活环境的舒适度开始提出更高的要求,这也带来了前所未有的能源消耗和环境问题。近几年,更多的人开始提出环保低碳的生活理念,这就使更多的住宅在建筑保温设计中面临节能设计的考验,本文就将结合近几年住宅建筑中的保温节能技术进行探讨。     

分布式频谱监测的黑广播发现系统

分析黑广播具体特点、危害和打击黑广播一般的通行方法,提出一种基于分布式频谱快速识别方案。该方案通过小型化分布式频谱检测探针实现对黑广播的快速识别及定位,具有更高的识别准确率和更快的发现速度。后期该系统将开发射频指纹特征识别算法,以期获得更好更快的识别黑广播效果。     

国际绿色建筑评价体系对完善我国绿色建筑评价体系的启示

绿色建筑评价体系是综合衡量并有效推动居住环境建设的重要工具.本文将现有国际上具有代表性的几个评价体系——英国BREEAM、美国LEED、加拿大GBTOOL、日本CASBEE以及我国的《绿色建筑评价标准》进行综合分析,并在多层次比较和适宜性研究的基础上,提出几点对建立我国绿色建筑评价体系的可借鉴之处.     

注触变性水泥停泵安全启动压力预测

触变性水泥浆是现场防窜、堵漏的有效手段之一,但是在注水泥过程中若临时停泵,再启泵时启动压力会随停泵时间增加而增大,启动压力过大可能压漏薄弱地层,甚至无法启泵。针对上述情况,在分析多种触变性模型的基础上,提出了描述触变性水泥浆特征的模型;并将该模型与压降方程结合,得出了注触变性水泥停泵安全启动预测模型。用该模型分析触变性水泥浆在不同井身结构下的启动压力,实例计算结果表明:停泵时间越长,环空间隙越小,所需要启动压力越大,停泵30或60 min后启动压力分别达到13.94和21.12 MPa,选用φ139.7 mm的套管停泵30 min的启动压力比用φ177.8 mm的套管低了4.66 MPa,停泵60 min的启动压力降低了7.51 MPa,触变剂加量改变影响附加压耗,触变剂加量由5%降为2.5%后,30 min的启动压力降低了42.73%。因此触变性水泥浆应在环空间隙较大的井使用,可降低因故停泵重启泵时的风险。      

基于"学生主体"理念的"教、学、做、评"一体化教学软件平台的设计与实施

本项目研究的意义在于：基于“学生主体”理念的“教、学、做、评”一体化教学软件平台的实现,将解决教与学脱节的问题,同时在学生自主学习时间与空间扩展的问题上,提供“全天候学习”的基础。最后,在如何解决学生自主学习动力不足的问题上,借鉴网络游戏的各种形式,让学生在教学软件平台中学习,能及时得到学习成效的反馈,能及时了解学习进度,有效提高学生学习成就感,也逐渐增加了学生学习的主动性。     

引入全局上下文特征模块的DenseNet孪生网络目标跟踪

近年来,采用孪生网络提取深度特征的方法由于其较好的跟踪精度和速度,成为目标跟踪领域的研究热点之一,但传统的孪生网络并未提取目标较深层特征来保持泛化性能,并且大多数孪生网络只提取局部领域特征,这使得模型对于外观变化是非鲁棒和局部的。针对此,该文提出一种引入全局上下文特征模块的DenseNet孪生网络目标跟踪算法。该文创新性地将DenseNet网络作为孪生网络骨干,采用一种新的密集型特征重用连接网络设计方案,在构建更深层网络的同时减少了层之间的参数量,提高了算法的性能,此外,为应对目标跟踪过程中的外观变化,该文将全局上下文特征模块(GC-Model)嵌入孪生网络分支,提升算法跟踪精度。在VOT2017和OTB50数据集上的实验结果表明,与当前较为主流的算法相比,该文算法在跟踪精度和鲁棒性上有明显优势,在尺度变化、低分辨率、遮挡等情况下具有良好的跟踪效果,且达到实时跟踪要求。