金属-有机纳米管分散固相萃取-气相色谱-串联质谱高灵敏分析环境水样中痕量多氯联苯

采用含铅金属-有机纳米管为吸附剂,基于分散固相萃取和气相色谱-串联质谱建立了一种高灵敏分析环境水样中痕量多氯联苯的方法.采用正交设计响应面法对影响萃取效果的重要因素(如离子强度、萃取时间和吸附剂用量等)进行了优化.获得的最优条件为:离子强度4.92 %(w/V)NaCl,萃取时间4.5 min,正己烷为解吸剂,吸附剂用量62.5 mg.在优化条件下,方法的线性范围为2~1000 ng/L,检出限为0.26~0.82 ng/L. 日内和日间相对标准偏差分别为0.8%~5.5% (200 ng/L, n=6)和2.7%~7.4% (200 ng/L, n=6).将本方法应用于实际环境水样中多氯联苯的分析,回收率为78.9%~113.3%,结果满意.     

支持向量机结台主成分分析辅助激光诱导击穿光谱技术识别鲜肉品种

为提高激光诱导击穿光谱技术(Laser-induced breakdown spectroscopy,LIBS)对鲜肉品种的识别率,采用支持向量机结合主成分分析算法辅助LIBS技术对鲜肉品种进行识别.对鲜肉切片用载玻片压平,采用LIBS技术对鲜肉组织(猪肉、牛肉和鸡肉)表面进行光谱数据的采集,每种鲜肉采集150幅光谱并进行随机排列,取前75幅光谱作为训练集建立模型,后75幅作为测试集测试建模结果.研究选取K、Ca、Na、Mg、Al、H、O等元素的49条归一化谱线数据进行主成分分析,并用所得数据建立支持向量机分类模型.结果表明,通过主成分分析降维,输入变量从49个优化减少到18个,模型建模速度从88.91 s降至55.52 s,提高了支持向量机的建模效率;并使预测集的平均识别率提高到89.11%.本研究为激光诱导击穿光谱技术在鲜肉品种快速分类领域提供了方法和数据参考.     

采用X射线吸收光谱表征单原子催化剂:至关重要与持久挑战

X射线吸收光谱(XAS)可为负载型单中心(单原子或单核金属络合物)催化剂的结构和电子特性提供重要信息.虽然XAS技术可表征真实反应条件下、无需长程有序结构的催化剂,并且可提供对于负载型单中心催化剂非常重要的金属-载体界面信息;但是它给出的信息是包括与催化有关或无关的所有负载型金属物种的平均信息.负载型催化剂的准确表征具有长期挑战性,也限制了我们准确地理解催化剂的构效关系.为了更好地利用XAS表征技术,深入研究催化剂的构效关系,并最终用其指导设计开发出高效的催化剂,制备具有均一结构活性位的负载型单中心催化剂,并采用XAS及相关技术对其表征至关重要.本文列举了一些实例以说明XAS在表征具有均一结构活性位的负载型单中心催化剂方面的能力,以及XAS如何与其他技术(如扫描透射电子显微镜和红外光谱)互补,为以分子筛和金属-有机骨架材料为载体而制得的具有均一结构活性位的负载型单中心催化剂提供原子尺度的信息.     

基于支持向量回归机的陀螺漂移预测模型

为了预测某导弹陀螺漂移趋势,以该陀螺漂移角速度时间序列为对象,建立了基于支持向量回归机的预测模型。针对该预测模型的特点,提出了支持向量预选取的模型优化方法。基于ε不敏感损失函数的支持向量回归机具有稀疏性,其结构由支持向量决定。因此从训练样本集中预选出有可能成为支持向量的样本,精简样本规模是提高该类支持向量回归机训练和预测效率的有效方法。针对该类支持向量回归机从分类和回归两个角度分析了支持向量的几何特征,提出了核函数空间免疫聚类的支持向量预选取方法并用于某导弹陀螺漂移预测模型的数据预处理。仿真结果表明优化后的预测模型运算量小、建模速度快,精度高。     

MOF-5负载Pd催化剂的制备及其催化性能初探

用水合肼还原Pd2+并将其负载在MOF-5上,制得了新型的Pd/MOF-5催化剂,采用XRD、氮吸附、SEM、TEM等多种手段对其进行了表征,催化剂的Pd纳米粒子尺寸在3~6nm之间。初步研究了该催化剂对催化卤代芳烃与芳基硼酸之间的Suzuki-Miyaura偶联反应的反应条件和催化性能,该催化体系具有反应条件温和、无需氮气保护和添加配体、产率优良等优点,催化剂循环利用5次仍然保持较高催化活性,平均产率超过90%。     

二维无机-有机化合物的晶体结构及紫外研究

通过水热方法合成了二维无机-有机杂化化合物Co3(fcz)4(V3O9)2.2H2O.单晶X射线衍射分析表明化合物结晶于三斜晶系,P-1空间群.(V3O9)3-多阴离子连接Co(1)离子形成了金属氧链,该链进一步通过连接Co(2)离子形成二维无机层.fcz分子以双单齿的配位方式配位到同一个二维层的2个金属离子上,使化合物最终展示了二维结构.此外,还研究了该化合物固体的紫外-可见漫反射光谱.     

PN结伏安特性的实验研究

介绍了验证PN结伏安关系特性实验的实验原理,并利用绘图软件Origin7.5对实验数据进行处理.结果表明,PN结的扩散电流和两端的正向电压之间满足指数关系.通过与理论公式的比较,准确地测出了玻尔兹曼常数.     

基于集成最小二乘支持向量机方法的近红外光谱分析

针对近红外（Near Infrared,NIR）光谱测量中的小样本问题。本文提出了一种集成最小二乘支持向量机（Ensemble Least Squares Support Vector Machine,ELS-SVM）新算法。首先使用随机子空间算法（Random Subspace Method,RSM）原始高维变量空间划分为若干个低维度的子空间,然后分别在各个子空间建立最小二乘支持向量机（LS-SVM）模型,最后构造一个集成结果来进行预测。针对一批柴油样本的实验结果表明,本法对柴油十六烷值的预测精度优于传统的LS-SVM方法。     

Combining clustering and classification for remote-sensing images using unlabeled data

A joint clustering and classification approach is proposed.This approach exploits unlabeled data for efficient clustering,which is applied in the classification with support vector machine(SVM) in the case of small-size training samples.The proposed method requires no prior information on data labels,and yields better cluster structures.Through cluster assumption and the notions of support vectors,the most confident k cluster centers and data points near the cluster boundaries are labeled and used to train a reliable SVM classifier.Our method gains better estimation of data distributions and mitigates the unrepresentative problem of small-size training samples.The data set collected from Landsat Thematic Mapper(Landsat TM-5) validates the effectiveness of the proposed approach.     

基于近红外光谱和支持向量机的子宫内膜癌早期诊断研究

近红外光谱结合化学计量学方法对癌症的辅助诊断已有了文献报道.该文测定了77例不同生理阶段的子官内膜组织病理切片的近红外光谱,对其分别进行多元散射校正(MSC)、正交信号校正(OSC)以及二者联用的预处理方法,采用拉丁配分法选择3/4样本作为训练集,1/4样本作测试集,建立支持向量机(SVM)模型进行分类,并与基于同样预处理方法建立的偏最小二乘(PLS)模型分类结果进行了比较.SVM对正常、增生和癌变三类不同的组织样品分类结果较好,总分类正确率约92%,好于PLS模型的结果(最高正确率90%).研究结果表明,光谱数据的预处理和建模方法对分类结果有重要影响,SVM结合子宫内膜组织的近红外光谱有望发展成为一种新型的肿瘤诊断方法.