乌骨鸡脂肪油中脂肪酸组成的气相色谱-质谱分析

乌骨鸡脂肪油是乌骨鸡重要的营养成份之一,其脂肪酸组成更是影响肉质风味的重要化学成分。以氯仿:甲醇(2:1)超声提取乌骨鸡中脂肪油,皂化后,用三氟化硼-甲醇法甲酯化,应用气相色谱-质谱联用技术对乌骨鸡脂肪酸组成进行了分析,分离和鉴定了22种脂肪酸,并以面积归一法,计算各脂肪酸的相对百分含量。结果表明,乌骨鸡脂肪油中含有饱和脂肪酸:棕榈酸、硬脂酸、豆蔻酸、十七烷酸、花生酸、山嵛酸、十五烷酸、十九烷酸,其含量分别为22.02%、12.89%、0.80%、0.36%、0.33%、0.16%、0.14%、0.13%,占总脂肪酸的36.83%;不饱和脂肪酸含量占总脂肪酸的63.17%,其中油酸29.18%、亚油酸21.19%、棕榈油酸4.82%、花生四烯酸3.86%、11-二十碳烯酸0.82%、EPA 0.75%、DHA 0.69%、10,13-二十碳二烯酸0.63%、7,10,13-二十碳三烯酸0.55%、γ-亚麻酸0.18%、7,10-十六碳二烯酸0.17%、15-甲基-11-十六碳烯酸0.12%、11-十四碳烯酸0.12%、10-十九碳烯酸0.09%。多不饱和脂肪酸占总脂肪酸含量的28.02%。     

浅水波方程的黏性正则化PINN算法

针对经典PINN(Physics-informed Neural Networks)在求解浅水波方程间断问题时的不足，提出一种黏性耗散机制的正则化PINN算法。该算法利用黏性正则化的浅水波方程作为网络构建中的物理约束，并在损失函数中作为惩罚项，训练网络用正则化方程的光滑解逼近原方程的间断解，采用网格加密熵稳定格式的数值解作为参考，学习得原方程在整个区域的解。对满足不同初始条件的一维、二维浅水问题进行数值模拟，并与经典PINN算法进行比较，数值结果表明新算法泛化能力强，可预测任意时刻的解，分辨率高，不会出现抹平和伪振荡现象。     

基于时间融合的波形方式高精度超声测厚

在超声测厚过程中使用波形方式利用闸门进行测量,可以方便自由地选取测量对象,有利于 避开盲区测量;同时还可以设置闸门和峰值或边沿的测量方式,有利于减小测量误差。在测量中,特 征计算采用基于采样序列较基于显示序列精度要高,采样率越高,精度越好;在此基础上,加入多时 间序列的融合算法可以将有效采样率成倍提高,精度也得到相应的改善。     

同位素稀释-超高效液相色谱-串联质谱法测定化妆品中香兰素和乙基香兰素

建立同位素稀释-超高效液相色谱-串联质谱法同时测定化妆品中两种香兰素类香料的方法。取1 g样品，加入50μL质量浓度均为1 mg/L的香兰素-D3、乙基香兰素-D5混合同位素内标溶液，以甲醇为提取溶剂，溶解后定容至10 mL，在室温下超声提取15 min，离心分离后，取1 mL上清液用氮气吹干，再用1 mL 0.1%甲酸水溶液-甲醇(体积比为80∶20)定容，过滤后上机分析。经RRHD Eclipse Plus C₁₈色谱柱分离后，使用ESI源对目标物进行电离，在多反应监测模式下绘制色谱图，内标法定量。在5～100μg/L范围内，香兰素、乙基香兰素与内标的质量浓度比与对应色谱峰面积的比线性关系良好，相关系数均大于0.999，方法检出限均为5μg/kg。空白样品加标回收率分别为87.8%～96.1%、80.1%～83.8%，测定结果的相对标准偏差分别为2.5%～3.8%、1.7%～4.6%(n=6)。该方法操作简便，可满足同时测定化妆品中两种香兰素类香料的要求。     

基于改进的条件生成对抗网络的可见光红外图像转换算法

针对当前基于条件生成对抗网络的红外图像生成算法中红外生成图像纹理细节信息差和结构信息差的问题，提出了一种基于改进的条件生成对抗网络的红外图像生成算法。首先，基于ConvNext改进了生成网络，在生成网络解码部分通过添加残差连接增强了解码部分对编码部分提取的图像深层特征的利用；其次，生成网络采用UNet网络架构，增强了对图像底层特征的利用；最后，对抗网络通过对生成图像特征的一阶统计量（均值）和二阶统计量（标准差）的损失计算，进一步改善了红外生成图像的灰度信息和纹理细节信息。与现有典型红外图像生成算法的对比实验结果表明，该方法能够生成质量更高的红外图像，在主观视觉描述和客观指标评价上都取得了更好表现。匹配应用实验表明，该算法在可见光图像与红外图像异源匹配任务中体现了较好的应用价值。