1株猪源2009/H1N1流感病毒反向遗传系统的建立

为建立1株猪源2009/H1N1流感病毒A/swine/Heilongjiang/44/2009(HLJ44)的反向遗传系统,利用双向表达质粒p HW2000,分别构建了该病毒株8个基因节段的重组质粒,将其共转染于293T和MDCK混合培养的细胞,拯救出重组病毒R-HLJ44。测序结果表明,R-HLJ44与亲本病毒HLJ44的核苷酸序列完全一致;二者在细胞上具有相似的增殖特性;抗原性未发生变化;分别以106TCID50的剂量鼻腔感染BALB/c小鼠,结果显示R-HLJ44与亲本HLJ44在小鼠脏器中的复制滴度也基本一致。以上结果表明拯救的重组病毒保持了与亲本病毒一致的生物学特性。该病毒反向遗传系统的建立,为进一步研究H1N1亚型流感病毒的致病分子机制及新型疫苗研制等奠定了基础。     

液电混合直线驱动系统位置控制特性研究

提出了一种采用电-机械直线执行器和液压缸的液电混合直线驱动系统。为消除电-机械直线执行器和液压缸之间的耦合影响,液压泵和比例阀协同控制液压缸输出力和运行方向,满足系统负载力需求,电-机械直线执行器用于运动控制,并补偿液压缸输出力波动和外部干扰力。为实现上述目标,设计了基于扩张状态观测器的电-机械直线执行器自适应滑模控制方法,以估计的负载力调节泵压力和比例阀开度,对液压缸输出力进行调控。比例阀在系统运行中主要用于控制液压缸运动方向,阀开度较大,可显著降低节流损失。通过仿真和试验分析了系统的运行特性和能效特性。结果表明,该系统具有良好的位置控制特性,能量效率高,较传统阀控系统能耗减少51%。     

RFID技术在茶叶物流追溯系统中的应用

我国居民对茶叶产品的消费需求日益提高。应当建立科学完善的茶叶物流追溯系统,让消费者充分了解茶品物流信息,保障消费者消费权益。这对消费者与茶叶物流企业都是非常有利的事情。本文分析了RFID技术在茶叶物流追溯系统中的应用所存在的优势及问题,提出了拓展RFID技术应用于茶叶物流追溯系统的相关建议。     

校园环境噪声监测与评价--以华中师范大学为例

环境噪声是环境质量评价的重要指标。通过噪声监测实验,记录了华中师范大学校园内的噪声污染数据,根据国家标准评估了校园环境噪声状况。试验采用网络剖分法,分别于昼间7:30~10:00和夜间22:00~22:55两个时间段对等效声级进行了测定。实验结果表明:昼间噪声污染更为严重,平均噪声超标率达到26%,夜间噪声污染相对较轻,但噪声超标率也达到19%。校园内不同功能区的噪声来源不同,工程施工产生的噪声是主要的污染源,影响比重达到58%。根据实验结果,校园声环境质量一般,需要对现状提出合理的改进建议。     

国家地下水监测工程(辽宁省部分)站网布设探析

根据国家地下水监测工程的总体部署,辽宁省地质环境监测总站完成了"国家地下水监测工程(辽宁省部分)"的初步设计、监测站点的建设以及验收工作。辽宁省共建成自动水位监测站点455个,监测站点覆盖了全省14个地级市,控制面积达62 118 km~2,全部实现了水位数据自动传输,提高了地下水监测工作的精度,形成了一个集地下水信息采集、传输、处理、分析及信息服务为一体的信息系统,基本实现了对辽宁省地下水动态的有效监测以及对重点地区地下水监测点的实时监控。     

农村电网配电台区智能化改造及系统建设

强调了加强农村电网配电台区智能化改造及系统建设的重要性，阐述了农村电网配电台区的构成情况。重点以某农村地区为例，提出并实施了相应改造措施，评价了改造效果。      

基于双向准Z源逆变器的无刷直流电机驱动系统研究

针对农用电动运输车直流电源电压降落而导致的动力降低,以及车辆行驶工况复杂多变等问题,设计一种基于双向准Z源逆变器的无刷直流电机驱动系统。以STM32F103C8T6为控制器,完成驱动系统的硬件电路设计。通过直流母线方波升压和SVPWM控制策略,使无刷直流电机驱动系统具有ON-PWM斩波、准Z源方波升压、准Z源SVPWM三种驱动模式。最后搭建驱动系统的试验平台,取直流电源电压U_(dc)=24 V,直通占空比D_0=0.2,准Z源方波升压和准Z源SVPWM都将逆变桥的直流母线电压提升至40 V以上,有效解决直流电源电压降落的问题。驱动系统根据加速、爬坡、重载等具体工况快速、准确地切换工作模式,满足车辆的动力需求,提高车辆行驶的安全性和可靠性。     

基于PCA-Attention-LSTM网络的土壤氮含量监测

土壤作为农作物生长的主要营养来源,氮是植物生长的重要元素,有效评价土壤氮素含量可以促进配方施肥的发展。提出主成分分析、注意力机制和长短时记忆神经网络相结合的模型(PCA-Attention-LSTM)来监测土壤的氮素含量。采用PCA(主成分分析)对数据进行处理,提取影响土壤氮含量的关键影响因子,降低模型向量输入的维数,利用注意机制突出预测中的关键输入特征。在Keras深度学习框架的基础上搭建PCA-Attention-LSTM的网络模型,实现对未来2 h土壤氮含量的精监测。最后,以黑龙江省依安甜菜养植基地的数据对土壤氮含量进行训练和验证。结果表明,与RNN等其它网络模型相比,该模型的效果更好,基于PCA-Attenlion-LSTM网络模型的平均绝对误差,均方根误差和平均绝对百分误差分别为0.119、0.020、0.156。该模型预测精度高,泛化能力强,可以应用于土壤氮含量的监测。