|
搜索
搜 索
高等教育领域数字化综合服务平台
脂肪酸深度开发产品及市场前景
混合脂肪酸是一种重要的化工和工业原料。主要由石油、天然气、煤等天然物质为原料得到。近年来，随着这些天然资源的短缺和枯竭，粮油等天然再生资源成为生产脂肪酸的重要原料。由于脂肪酸的衍生物具有毒性低、易降解的优点，在工业生产得到了广泛的应用。同时，随着人民生活水平的提高，对以粮油为原料生产的油脂在品种和质量的要求愈来愈高，向天然、纯正方向发展。这样在生产油脂的同时必然产生大量的油脚废料，如果不加以综合利用，势必造成大量的资源浪费和环境污染。用油脚肥料和生活油废料生产脂肪酸，对节约天然资源、降低环境污染，提高人民的生活水平有着重要的社会意义。同时由于脂肪酸市场大，用途广，而且生产成本低、生产技术易掌握，能为生产企业带来较大的经济效益。 混合脂肪酸由十二烷酸、壬酸等饱和和不饱和脂肪酸组成。 工业油脚虽然是废物，但可以综合利用，变废为宝，如果只生产某一种单一产品，其生产效益不高，而且还不能彻底消除环境污染，作为生产厂家，必须进行多种下游产品的开发提高原料利用率，追求较高的回报率。
武汉工程大学
2021-04-11
基于深度回声状态网络的目的地预测方法
本发明公开了一种基于深度回声状态网络的目的地预测方法，属于轨迹目的地预测技术领域。
电子科技大学
2021-04-10
难降解有机工业废水高效深度处理技术
目前，农药、造纸、精细化工等企业及普遍存在的工业集聚区（园区），其废水大都是难降解含盐工业废水，现有生化法治理达标难度很大，亟需高效低耗的提质达标保障技术。
一、项目分类
关键核心技术突破
二、成果简介
随着国家“水污染行动计划”（俗称“水十条”）的颁布和长江经济带“共抓大保护、不搞大开发”国家战略的实施，解决长江黄河乃至全国重点流域内“重化工围江（河）”的难题是国家经济发展与生态文明建设的一个不可回避的矛盾。目前，农药、造纸、精细化工等企业及普遍存在的工业集聚区（园区），其废水大都是难降解含盐工业废水，现有生化法治理达标难度很大，亟需高效低耗的提质达标保障技术。
华中科技大学
2022-07-26
一种深度图上采样边缘增强方法
本发明提出了一种基于局部像素统计特性的深度图上采样边缘增强方法，包括：对低分辨率的深度图进行上采样得到高分辨率的深度图；对低分辨率和高分辨率的深度图分别进行直方图统计，得出每个像素值对应的像素点个数，对比分析得到高分辨率图中新增的像素值，利用低、高分辨率直方图统计结果对这些新增像素值进行校正。本发明使得上采样之后的深度图边缘的模糊、锯齿现象得到一定的改善，从而得到更清晰的高分辨率深度图。
华中科技大学
2021-04-11
基于农业废弃物的污泥深度脱水调理技术
以农业废弃物稻壳粉和竹粉为污泥调理剂，耦合阳离子聚丙烯酰胺调理污泥， 稻壳粉和竹粉作为骨架发挥支撑作用，促进污泥自由水和间隙水外排，减小污泥的可压缩系数，防止污泥有机质流失，缩短板框压滤机运行周期；同时稻壳粉和竹粉可有效提升污泥泥饼有机物含量，有利于后续焚烧等能源化处置。 农业废弃物稻壳粉和竹粉的主要成分为纤维素、木质素和二氧化硅，具有一定的韧性和多孔性等特点。其中以网络状分布的二氧化硅是有机质粉末的主要支撑骨架，木质素和纤维素填充在其中，且本身含有大量有机物，作为污泥调理剂，增加热值的同时还可以防止其对焚烧设备的腐蚀。同时，废弃物粉末是一种价廉易得的农业资源，充分利用农业废弃物稻壳粉和竹粉，变废为宝，对减少环境污染，提高农民收入，促进经济循环与增长，具有重大意义。稻壳粉和竹粉作为调理剂进行污泥深度脱水时，均能避免生石灰投加造成的压滤液水质恶化等负面影响，采用稻壳粉和竹粉协同化学药剂对污泥进行深度脱水具有广阔的市场前景。目前技术已经完成中试规模应用，污泥脱水成本可降低21.2%；申请国家发明专利 2 项，授权实用新型专利 2 项；发表学术论文 7 篇。
江南大学
2021-04-13
IP67防水数显卡尺/数显深度尺
苏州英示测量科技有限公司
2021-12-15
基于集成学习的网络流量预测
本平台设计一套集成学习系统用来精确预测未来时间段的流量，本系统使用随机森林，SVR，三指数 平滑、GBDT，BPNN等传统算法和机器学习算法作为单模型，并通过集成学习的方式提高预测准确率。
中山大学
2021-04-10
基于机器学习的个人信用评估
本平台基于用户报刊订阅历史数据及用户个人信息，结合矩阵分解，K-Means等机器学习技术，构建了用户报刊个性化推荐系统，在提升推荐准确性的同时较好地解决了冷启动问题。
中山大学
2021-04-10
联邦学习投毒攻击防御与追溯系统
当前，保护数据的隐私和安全已经成为世界性的热点，各国都在加强对数据安全和隐私的保护。近年来，国家相继出台个人信息保护的标准和政策，旨在加强隐私保护。为了在符合相关法规的前提下使用数据，部分研究者尝试令各方数据保留在本地的同时训练全局模型，如 Google 提出的联邦学习。作为一种加密的分布式机器学习技术 , 联邦学习能够让参与各方在不披露底层数据和底层数据加密 ( 混淆 ) 形态的前提下，仍然能利用其余几方参与者提供的信息，更好地训练联合模型，提升 AI 模型效果。
然而，将数据留在本地的方式却也引发其他问题，如针对联邦模型的投毒攻击。投毒攻击通过攻击训练数据集或算法来操纵机器学习模型的预测，使分类器识别特定样本的分类边界发生变化。而联邦学习场景下的投毒攻击通常拥有更强的隐蔽性和破坏性。
因此，我们将传统投毒攻击防御中对原始数据的清洗过程转变至对上传的模型权重参数的预处理，在参数服务器部署防御框架来防御投毒攻击。我们设计了一种新颖的防御与追溯框架，该框架主要由模型聚类、初步防御和细化防御三个模块构成，构建多层纵深防御体系，保护联邦模型安全，并在源头上主动追溯攻击者。我们设计面向神经网络的无监督层级聚类算法，消除了神经网络中隐含元素置换不变性的影响。根据类内代表模型在聚合过程中的贡献度确定其可疑度，并以动量思想将可疑度绑定每个客户端，并结合历史用户行为对攻击者进行定位。我们的防御框架可以自主评估模型贡献度，自动确定可疑度动态划分阈值，并在图像、文本等多源数据集上达到了 100% 追溯率，实现了零漏检，零误检。
目前，成果性能已经过多方测试和验证，代码已部署在华为自研深度学习框架MindSpore 中，进一步为广大开发者所用。
西安电子科技大学
2023-01-18
低通信开销的分布式学习
目前，训练机器学习模型依赖于海量的数据，当以集中方式训练时，会带来很大的计算成本。因此，现在普遍的共识是，未来的机器学习应该以分布式方式实施。通常，分布式学习是以server-worker模式中进行的，其中server利用从workers收集的信息更新学习参数，然后将这些参数广播给workers。 但是，随着worker数量的增加，通信开销也会大幅
南方科技大学
2021-04-14