可待因及福尔可定的密度泛函理论计算模拟和表面增强拉曼光谱测定北大核心CSCD

运用密度泛函理论(DFT)对可待因及福尔可定进行几何构型优化,从而对标准品粉末的拉曼光谱的振动模式进行指认和归属,并与低浓度水平标准溶液的表面增强拉曼谱图进行比较。进一步优化了表面增强拉曼光谱检测条件,并摸索可待因及福尔可定的测定下限及定量分析的可行性。结果表明,可待因及福尔可定大部分特征峰拉曼位移的理论计算值、拉曼光谱测定值、表面增强拉曼光谱测定值是一致的,但会有一定程度的蓝移和红移;可待因、福尔可定的测定下限均为10 mg·L^(-1)。可待因在631.29 cm^(-1)和1 595.26 cm^(-1)处、福尔可定在628.58 cm^(-1)和1 251.41 cm^(-1)处的特征峰强度比值,与其对应的质量浓度(40~100 mg·L^(-1))呈线性关系。对空白基质进行加标回收试验,可待因和福尔可定的回收率分别为99.0%~105%和102%~104%,测定值的相对标准偏差(n=5)分别为5.3%,5.9%。上述方法可为这两种管制药品提供拉曼光谱检测的理论依据和快检支持。     

激光熔覆损伤定量评估研究

通过激光熔覆实验、金相实验、残余应力检测及熔覆试件静拉伸实验,研究了激光熔覆试件机械性能的变化规律。实验发现熔覆试件重熔区有粗大的魏氏体组织产生,熔覆过程在熔覆试件内引入残余拉应力,熔覆试件抗拉强度相较于基体试件有一定程度的降低,熔覆试件伸长率相较于基体试件而言有大幅降低,实验结果表明熔覆试件的各类机械性能较基体材料而言有不同程度的降低,即激光熔覆后基体材料产生了一定程度的损伤。研究对此类损伤进行了定量分析,构建了熔覆损伤定量评估模型,为改善激光熔覆质量提供了理论依据。     

无界函数的反常积分的计算

运用牛顿‐莱布尼茨公式和无界函数的反常积分的定义证明无界函数的反常积分的计算定理,运用这个定理计算无界函数的反常积分简单快捷,通过举例说明这个定理的应用,并指出多种大学数学参考书中存在的一个共同错误。     

模范畴与余模范畴之间的等价

本文研究了环上模范畴与余环上余模范畴.运用可裂叉与余可分余环的性质,得到了以上两个范畴等价的一些充分条件,从而推广了文献[6]中的一些结果.

Abstract：

In this article,we consider the categories of modules over rings and categories of comodules over corings.By properties of split forks and coseparable corings,we get some sufficient conditions for the equivalence between above two categories.As a consequence,we generalize some results in[6].     

等式约束优化非单调信赖域算法

设计了一个新的求解等式约束优化问题的非单调信赖域算法.该算法不需要罚函数也无需滤子.在每次迭代过程中只需求解满足下降条件的拟法向步及切向步.新算法产生的迭代步比滤子方法更易接受,计算量比单调算法小.在一般条件下,算法具有全局收敛性.     

漫透射近红外光谱的便携式面粉品质安全检测仪的设计

基于近红外漫透射光谱分析技术,设计了便携式面粉品质安全检测仪,该检测仪主要包括光谱采集模块、光源控制模块、处理与显示模块以及电源模块.其中漫透射检测附件不仅可以实现光谱补偿功能,还可以有效避免外界杂散光的干扰,设计了控制光源开关的电路,通过实验确定样品的最佳厚度.选用树莓派4B作为核心处理器,选用可充电锂电池供电,仪器...     

傅里叶中红外光谱结合稀疏表示分类方法鉴别小麦赤霉病感染等级

旨在探索感染不同等级赤霉病的小麦中主要成分含量变化引起的傅里叶中红外光谱信息响应,并结合模式识别方法实现基于傅里叶变换中红外光谱的小麦赤霉病等级无损检测。以感染不同等级赤霉病小麦为研究对象,在4 000~400 cm-1波数范围内采集95个小麦样本的傅里叶中红外光谱数据,利用载荷系数法（XLW）与随机森林算法（RF）分析选取小麦样本傅里叶中红外光谱中的敏感波长,利用稀疏表示分类（SRC）算法建模识别小麦感染赤霉病等级。结果表明：XLW算法和RF算法选择的特征波长作为定性分析模型的输入时模型鉴别准确率与全波段光谱数据作输入时均达90%以上,特征波长提取算法可以有效简化模型并提高效率。RF-SRC模型鉴别效果最好,建模集鉴别准确率达97%,测试集鉴别准确率达96%。小麦感染赤霉病等级的不同会引起小麦中水分、淀粉、纤维素、可溶性氮素、蛋白质、脂肪等物质含量的变化,采用RF算法选择的特征波长均反映了这些物质所对应的傅里叶中红外光谱透射光谱特征的差异,结合SRC模型进行小麦赤霉病等级鉴别可达到最好的鉴别效果。因此,利用傅里叶中红外光谱技术结合模式识别方法对小麦赤霉病等级鉴别是可行的,解释了傅里叶中红外光谱技术检测小麦赤霉病等级的机理。     

高光谱图像和叶绿素含量的水稻纹枯病早期检测识别

基于高光谱成像技术和化学计量方法,实现了对水稻纹枯病病害的早期检测识别。以幼苗时期的水稻植株为研究对象,对其进行纹枯病病菌侵染,获得染病植株,采集358～1 021 nm波段范围的高光谱图像,三次实验共240个样本,包括染病植株120个样本和健康植株120个样本。根据高光谱图像的光谱维,对染病水稻叶片和健康水稻叶片提取感兴趣区域（ROI）,利用感兴趣区域的光谱数据,对其进行Savitzky-Golay（SG）平滑、Savitzky-Golay（SG）一阶求导、Savitzky-Golay（SG）二阶求导、变量标准化（SNV）和多元散射校正（MSC）预处理,建立线性判别分析（LDA）和支持向量机（SVM）分类模型,结果表明：采用SG二阶求导预处理后的线性判别分析（LDA）模型取得了较好的性能,正确识别率在建模集达98.3%,在预测集达95%;利用载荷系数法（x-loading weights, x-LW）对原始光谱和5种预处理的光谱数据进行特征波长提取,然后根据选取的特征波长建立线性判别分析（LDA）和支持向量机（SVM）分类模型,其中采用SG二阶求导预处理后提取的12个特征波长的线性判别分析（LDA）模型取得了较好的性能,其正确识别率在建模集达97.8%,在预测集达95%,而且基于载荷系数法建立的模型性能与全波段相当,可以通过载荷系数法减少数据量对水稻纹枯病病害进行识别;根据高光谱图像的图像维,研究了基于图像主成分分析、基于概率滤波和基于二阶概率滤波的图像特征提取方法,利用提取的特征变量建立反向传播神经网络(BPNN)和支持向量机（SVM）分类模型,其中基于图像主成分分析的反向传播神经网络（BPNN）模型取得了较好的性能,建模集准确识别率达90.6%,预测集的准确识别率达83.3%;根据高光谱图像光谱维和图像维的最优模型,特将叶绿素含量作为建模的另一个特征,分别与光谱特征、图像特征组合,建立反向传播神经网络（BPNN）和线性判别分析（LDA）模型,提出基于光谱特征加叶绿素含量、图像特征加叶绿素含量和光谱、图像特征加叶绿素含量三种组合方式,其中,光谱特征和图像特征分别与叶绿素组合的方式比之前单独的光谱和图像特征建模性能都有所提升,而且三种组合方式中光谱特征加叶绿素含量的反向传播神经网络（BPNN）建模方式取得本研究所有建模方式中较优的性能,其准确识别率在建模集达100%,在预测集达96.7%。以上研究表明,基于高光谱图像和叶绿素含量对水稻纹枯病病害进行早期识别是可行的,为水稻病害的早期识别提供了一种新方法。     

腔中捕获原子团间的纠缠态

利用单模腔场与捕获原子团的相互作用,提出原子团之间最大纠缠态的制备方案.数值上给出原子团间的纠缠度随白噪声强度的变化关系.计算出系统的热纠缠及其存在的临界温度.     

高光谱和集成学习的黑枸杞快速分级方法

黑枸杞具有较高的营养和医学价值,不同等级的黑枸杞质量不同,价格也具有显著差异,但由于缺乏有效的检测分级手段,造成黑枸杞市场鱼龙混杂、以次充好,影响黑枸杞市场质量监管。为实现黑枸杞快速、无损、高精度分级检测,提出基于高光谱和集成学习的黑枸杞快速无损分级方法。首先,选取诺木洪1级(NMH-grade1)、诺木洪2级(NMH-grade2)、诺木洪3级(NMH-grade3)、诺木洪4级(NMH-grade4)黑枸杞各200颗,在两种放置模式下（果柄朝上、去柄后整体横放）,通过GaiaSorter-Dual宽波段高光谱分选仪得到光谱范围为391.6~2 528.1 nm的光谱图像立方体。掩模处理后结合细胞计数算法实现单颗黑枸杞ROI高光谱信息的自动提取。考虑噪声的影响,截取500~2 400 nm范围内的黑枸杞光谱信息。经过FD(first derivative),FFT(fast Fourier transform)、HT(hilbert transform), SG(savitzky golay), Normalize, SNV(standard normal variate)预处理后,再通过PCA(principal components analysis), SPA(successie projection algorithm), CARS(competitive adaptive reweighted sampling)提取特征波长的光谱信息。然后分别建立LIBSVM,LDA(latent dirichlet allocation), KNN(k-nearest neighbor), RF(random forest), NB(naive Bayes)检测模型,其中,果肉-Normalize-SPA-LDA、果肉-FD-CARS-RF和果肉-SNV-CARS-LIBSVM组合方式最优,准确率分别为0.941 7,0.941 7和0.937 5。在预处理方法中,FD,HT,Normalize和SNV效果较好;在降维方法中,SPA和CARS的模型效果较好;在LIBSVM,LDA,KNN,RF和NB所建立的模型中,测试集精度不低于0.9的个数分别为2,7,0,4和1,因此LDA,RF和LIBSVM三个分类器效果最好。为进一步提高黑枸杞的分级精度,以LDA,RF,LIBSVM三个最优分类器为元模型,通过Stacking集成学习建立黑枸杞快速无损分级模型,使用果肉-FD-SPA-Stacking组合,精度可从0.941 7提升到0.983 3,此时共提取17个特征波长,分别为：591.6,609.1,721.6,989.1,1 083.3,1 111.3,1 296.1,1 564.9,1 844.9,1 934.5,1 996.1,2 046.5,2 130.5,2 292.9,2 315.3,2 320.9和2 348.9 nm,其中721.6,1 083.3,1 111.3,2 130.5,2 292.9,2 315.3,2 320.9和2 348.9 nm附近有C-H的倍频峰和吸收峰,721.6,989.1,1 934.5,1 996.1和2 292.9 nm附近有O-H的倍频峰和吸收峰,2 130.5和2 292.9 nm附近有C-O的吸收峰。研究结果表明基于高光谱结合集成学习进行黑枸杞快速无损分级是可行的。