天然斜发沸石催化α-蒎烯水合反应研究

用两种云南产天然斜发沸石催化α-蒎烯的水合反应，采用程序升温脱附法研究了催化活性与催化剂酸性质间的关系；讨论了反应温度、反应时间及催化剂用量对水合反应的影响，生产物为α-松油醇。     

乳化燃料油替代燃煤在玉米烘干机系统的应用

我国东北地区是玉米主产区,收获后水分较高,需要烘干后才能安全储藏。现有的玉米烘干机多数以煤作为热源,存在热效率低、能耗高、污染重等问题。随着国家环保政策对大气污染物排放要求的提高,以燃煤作为热源的玉米干燥方式已不能满足环保要求。为满足新形势下玉米烘干领域的技术需求,研制了乳化燃料油热风炉替代燃煤热风炉的供热工艺,并在辽宁某粮库的玉米烘干机系统升级改造中进行应用试验,经生产试验表明乳化燃料油替代燃煤作为热源完全可行。     

粳稻冠层叶绿素含量PSO-ELM高光谱遥感反演估算

目的 叶绿素含量是表征粳稻生长状态的重要指示信息,利用无人机高光谱遥感技术及时获取区域尺度的粳稻叶绿素含量。方法 以2016—2017年沈阳农业大学辽中水稻实验站粳稻无人机遥感试验数据为基础,利用连续投影算法(SPA)进行有效波段的提取,提取的特征波段分别为410、481、533、702和798 nm。将提取出的特征波段作为输入,利用极限学习机(ELM)和粒子群优化的极限学习机(PSO-ELM)分别建立粳稻冠层叶绿素含量反演模型。在PSO-ELM模型中,针对PSO算法的种群规模(p)、惯性权重(w)、学习因子(C₁、C₂)、速度位置相关系数(m)这5个参数进行了优化。结果 确定了最优参数：p为80,w为0.9~0.3线性递减,C₁和C₂分别为2.80和1.10,m为0.60。利用优化后的ELM和PSO-ELM所建立的粳稻冠层叶绿素含量模型的决定系数分别为0.734和0.887,均方根误差分别为1.824和0.783。结论 利用优化后的PSO-ELM建立的粳稻叶绿素含量反演模型精度要明显高于单纯利用ELM建立的反演模型,前者具有较好的粳稻叶绿素含量反演能力。本研究为东北粳稻叶绿素含量反演无人机遥感诊断提供了数据支撑和应用基础。     

基于特征转移植被指数的水稻叶片氮素含量定量估算

水稻叶片氮素含量遥感检测是实现水稻精准施肥的前提条件.为了探究利用光谱技术快速、便捷的实现水稻叶片氮素的精准检测,该研究在水稻关键生育期,利用水稻叶片400～1000 nm高光谱反射率信息,利用连续投影法提取敏感波段,在此基础上,提出了一种波段特征转移的植被指数构建思路,构建了由3个波段构成的氮素特征转移指数(Nitr...     

化学气相沉积法修饰13X分子筛上α－蒎烯的异构化反应

用经化学气相沉积法（ＣＶＤ）修饰的一系列１３Ｘ分子筛催化ａ－蒎烯的异构化反应。发现随着ＣＶＤ处理时间的增加，ＳｉＯ＿２沉积量增加，烯的选择性提高。     

天然斜发沸石催化α—蒎烯水合反应研究

用两种云南产天然斜发沸石催化α－蒎烯的水合反应，采用程序升温脱附法研究了催化与催化剂酸性质间的关系；讨论了反应温度、反主催化剂用量对水合反应的影响，说物为α－权油醇。     

基于多植被指数组合的BAS-ELM粳稻冠层氮含量反演方法

粳稻氮素含量的快速、无损、准确反演,可以反映和诊断作物的氮营养状况,为施肥决策提供依据。基于田间试验采集的粳稻分蘖期无人机光谱影像数据与对应氮素含量数据,采用无信息变量消除法(uninformation variable elimination,UVE)筛选得到的特征波段光谱反射率两两组合构建NDVI、DSI、RVI、RDVI、TVI、NRVI、WDRVI、LogR指数变量,根据与粳稻叶片氮素含量的决定系数等势图挑选出9组不同的植被指数组合(8种植被指数的组合共1组,每一种植被指数的组合共8组)分别作为模型的输入量,构建极限学习机(extreme learning machine,ELM)、天牛须搜索算法优化极限学习机(tenniu shall optimize-extreme learning machine,BAS-ELM)粳稻冠层叶片氮素含量反演模型并验证分析。UVE算法较好地剔除了无用及冗余信息波段,得到266个光谱特征波段;在构建植被指数过程中,各指数与粳稻冠层叶片氮含量的决定系数R²分布在0.7283～0.7580之间,构建的植被指数均与氮含量呈现显著...     

基于极限学习机的玉米干燥系统出机水分含量预测模型

精准预测玉米出机水分含量是实现玉米干燥过程自动控制的关键。为提升玉米干燥系统自动化程度，实现玉米出机水分的快速、无损、精准预测，研究依托粮食干燥模拟试验系统，通过调节干燥过程的热风温度、干燥段温度和排粮频率，设计8组多批次玉米干燥平行试验，分时段获得玉米干燥过程6个点位的温湿度特征数据，以及相对应的出机玉米水分含量数据；通过相邻平均法（adjacent average smoothing,AAS）对12组温湿度特征数据进行平滑处理，平滑后的数据点集合毛刺减少、波动明显缓解，12组特征数据与玉米出机水分含量的Pearson相关性大幅提升，提高幅度在0.061～0.105之间，为后续构建玉米水分预测模型提供了数据基础；进而，研究以相邻平均法平滑后的12组特征数据作为模型输入量，构建了基于极限学习机（extreme learning machine,ELM）的玉米干燥过程出机水分含量预测模型并进行评价分析。结果表明：基于ELM的玉米出机水分含量预测模型以sigmoid为激活函数、神经元个数设定为22时，模型运行速率较快、预测效果较好，其中训练集和验证集拟合优度R2分别为0.988 6和0.9...