排序方式: 共有3条查询结果,搜索用时 0 毫秒
1
1.
研究了一定温度和pH值条件下2,2,4-三氯-5-甲氧基-环成4-烯-1,3-二酮(TCMCD)的水解机理,结果表明,TCMCD在水中发生不可逆的水解反应,生成2,5-二氯-3-羟基-4-甲氧基-环戊-2,4-二烯酮(DHMCD)和3-氯-2-羟基-4-甲基-5-氧-2,5-二(氢)-呋喃-2-甲酸(CHMDFC)或二者的镜像异构体,CHMDFC继续反应生成3-氯-2-甲氧基-4-酮-戊-2-烯二酸(CMPE),pH值升高,水解速率加快,而温度对高pH值条件下TCMCD的水解影响更大. 相似文献
2.
PM2.5浓度的预测对于大气污染治理、改善环境质量等起到重要作用。受气象条件变化与大气污染物排放等多种因素的交叉影响,PM2.5预测通常易受突变事件及噪声数据干扰。因此,基于对气象条件以及大气污染物与PM2.5的相关性分析,提出阶段式时序注意力网络模型(staged temporal-attention network,STAN),该方法融合多段注意力学习模块与循环神经网络,建模气象因素与大气污染物对PM2.5浓度的交叉影响。统计分析北京市、上海市、广州市预测结果的绝对误差值,可知:1)对比广泛使用的单一类模型支持向量机(support vector machine,SVM)、长短期时序记忆方法(long short-term memory,LSTM)和多层感知机(multilayer perceptron,MLP),STAN可达到10%以上的性能领先;对比最新的融合类模型U型网络(U-net),STAN领先了7%的优势。2)以北京市冬季预测结果为例进行统计分析,STAN的预测值与实测值之间的拟合系数可有95.2%的性能领先。此外,在鲁棒性分析中发现,STAN在含有10%噪声的数据上进行预测,误差上升幅度仅为9.3%。结果表明:注意力机制与时序学习模块相结合能够深度挖掘PM2.5变化规律并抑制噪声数据,且STAN模型可以进行PM2.5浓度的鲁棒预测。 相似文献
3.
1