哌啶醇连续精制工艺过程模拟与应用

介绍了哌啶醇精制的工艺流程,运用Aspen Plus软件对精制过程进行了模拟,利用其中的组分自定义模块完成了哌啶醇和哌啶酮的物性估算,同时利用Aspen Plus的灵敏度分析工具对哌啶醇塔的理论塔板数及回流比(质量比)进行了具体的模拟优化。产品哌啶醇的质量分数达到99.66%,模拟结果与现场数据吻合较好,一方面验证了物性估算的准确性,另一方面也说明了采用的方法适用于哌啶醇精馏过程的模拟。     

卧式双轴搅拌釜内流场分析及釜残回收研究

采用SolidWorks软件建立卧式双轴搅拌釜三维模型,应用FLUENT软件进行数值模拟。针对高黏度流体,分析了卧式双轴搅拌釜沿Y轴方向截面上的流场特性。计算结果表明:该卧式双轴搅拌釜中高黏度流体具有较好的流场分布,搅拌效果良好;在导热油为加热介质的实验装置上分别进行了高黏度二价酸酯混合物(MDBE)蒸馏釜残和甲苯二异氰酸酯(TDI)蒸馏釜残中产品的回收实验。实验结果证明将该釜作为蒸馏塔釜残的深度蒸馏再沸器,产品回收率高达99%以上,可以大幅度减少化工固体废物排放。     

文本词向量与预训练语言模型研究

介绍了文本词向量及预训练语言模型的发展体系,系统整理并分析了其中重点方法的思想特点。首先,阐述了传统的文本词向量表征方法及基于语言模型的文本表征方法;然后,详述了预训练语言模型方法的研究进展,包括动态词向量的表征方法和基于Transformer架构的预训练模型;最后,指出了未来探究多模态间更有效的融合方式和迁移学习将成为该领域的发展趋势。     

基于覆盖的粗糙模糊集的粗糙熵

覆盖约简是研究覆盖去冗余问题的一种有效方法。本文在基于最简覆盖的粗糙集模型的基础上,将粗糙度和粗糙熵的概念引入基于最简覆盖的粗糙模糊集,用来度量其不确定性程度;讨论了它们的一些性质,并通过实例说明粗糙熵比粗糙度更能精确地反映基于最简覆盖的粗糙模糊集的不确定性程度。     

基于组分调控的胶原蛋白肠衣凝胶糖果物性及感官品质

为了考察组分对胶原蛋白肠衣凝胶糖果物性及感官品质的影响,分别以显微结构、色差分析、物性分析、感官品质分析为手段,探究糖馅中高、低酰基结冷胶及蔗糖、果葡糖浆的最佳用量。结果表明,低酰基结冷胶用量与凝胶糖果的紧实程度、硬度和回弹力呈正相关,与顺滑感、融化性和润湿性呈负相关;高酰基结冷胶用量与贴合程度呈正相关。最终获得消费者喜爱的胶原蛋白肠衣凝胶糖果糖馅中各物质质量分数为：去离子水150%、果葡糖浆80%、蔗糖20%、低酰基结冷胶1.5%、高酰基结冷胶1.5%、乳酸钙1.0%、柠檬酸钠0.25%。     

热处理温度对鲜炖燕窝制品安全性及食用品质的影响

燕窝作为传统的养生食品,营养价值丰富,但是少有关于热处理温度对燕窝制品品质影响的研究。以从中国海关进口的食用燕窝为原料,经过不同温度的热处理制成鲜炖燕窝,对其微生物指标、蛋白质消化率、唾液酸溶出率、感官属性进行研究。结果表明,110℃及以上炖煮30min的热处理强度能使燕窝在1个月的储藏期间符合商业无菌要求。体外模拟消化结果表明,燕窝的唾液酸溶出率随温度升高而上升,120℃时提升至90.19%,显著大于100℃炖煮的溶出率（46.22%）(P<0.05),115℃与120℃热处理组的燕窝无显著差异（P>0.05）。定量描述性感官分析发现,110℃和115℃炖煮的燕窝具有较100℃处理组更适中的硬度、顺滑度、咀嚼性、弹性及适当强度的蛋清味,但进一步升高温度至120℃会造成感官品质劣化。综上,115℃炖煮30 min是兼具安全、营养及感官品质的鲜炖燕窝最佳热处理参数。     

《食品感知学》教学框架设计与教学实践探索

在"双一流"学科建设和"课程思政"双重背景下,江南大学食品科学与工程专业对开设了近40年的《食品感官评定》课程进行改革,新开设《食品感知学》课程,教学框架重点包括食物刺激及其感知的物质基础、食品刺激触发的情绪认知以及消费者认知驱动下的未来食品设计3个方面,将思政元素融于教学当中,以期达到提升教学效果和德育育人的目的.针...     

一种多权值神经元覆盖网络的构造方法

仿生模式识别利用多权值神经元覆盖网络构造模式类的覆盖来进行相应事物的识别.但在构造多权值神经元覆盖网络的过程中,关于构造神经元个数的确定方法没有相关讨论,即需要使用多少个神经元才能完成对模式类的覆盖.较多的神经元在精确的对模式类进行覆盖同时,也增大了网络的复杂度.文中提出了一种多权值神经元覆盖网络的构造方法.在保持神经网络对模式类的覆盖能力的基础上采用尽量少的神经元,从而能有效的降低神经网络构造代价.最后,通过实验作者验证了算法的有效性.     

基于带权多维尺度变换的奇异值挖掘

大量的高维数据在分布上表现为一低维流形,试图从这样的数据集中探测出奇异点,传统的奇异点挖掘算法可能失效.本文提出了一种带权重的多维尺度变化,算法通过局部的高维数据集和其低维重构的误差来设定数据点的局部权重,再利用权重之和得到的数据点置信度,以此来进行奇异值的判定.通过实验验证了算法的有效性.     

基于改进Self-Attention的股价趋势预测

近年来中国经济发展迅速,相应的,中国的金融市场也迅速发展,受到国内外投资者的关注,因此研究中国金融市场上股票价格趋势对学者、投资者和监管者具有重要的意义。随着量化交易等理念的兴起,越来越多的学者将深度神经网络(DNN)应用于金融领域。虽然近几年DNN在图像、语音以及文本等方面已经取得了极大的成功,但其在金融时间序列预测方面遇到了很多挑战,因为其数据本质上是高度动态性,且具有高噪声。作为DNN在时序数据处理的典型代表LSTM,由于该方法没有考虑不同时间点、不同来源数据的重要性程度,效果仍不理想。不同于在传统LSTM模型上引入Attention机制,通过改进Self-Attention模型,分别对日线数据和分时线数据进行编码并融合,学习资金流变化对股票趋势变化的影响。实验结果表明,所提方法将对趋势判断的准确率提高到63.04%,并在两个月的回测实验中获得了6.562%的收益,证明了该模型在股价趋势预测上具有一定的有效性和实用性。