ZnO-PSAⅡ型异质结界面电荷转移过程研究

采用稳态光致发光光谱和纳秒时间分辨瞬态光谱(NTRT-PL)表征,揭示ZnO-PSA II型纳米异质结光生载流子电荷转移过程,通过甲基橙光降解实验,测得ZnO-NRs和ZnO-PSA紫外光降解率分别为25.5;和60.1;,光降解率提高到2.4倍,表明II型异质结相对于单一半导体而言,能促进光生载流子在界面间电荷转移,有利于载流子的分离.     

光谱法研究盐酸法舒地尔-牛血清白蛋白超分子体系

利用光谱法研究了盐酸法舒地尔(Fasudil Hydrochloride,FSD)与牛血清白蛋白(Bovine Serum Albumin,BSA)的相互作用机理。结果表明,FSD能有效猝灭BSA内源性荧光,属于静态猝灭机制。FSD与BSA结合比例约为1∶1,结合位置主要在BSA的亚螺旋域IIA中。FSD的加入导致色氨酸残基微环境的疏水性减弱,继而引起BSA的构象产生变化。通过荧光共振能量转移理论计算得到FSD与BSA之间结合距离r=4.35 nm;结合热力学参量进行分析,FSD与BSA结合的作用力类型主要是静电引力,反应是自发过程。Cu~(2+)、Zn~(2+)的加入降低了FSD对BSA结合亲和力,缩短了FSD在血液中的停留时间。     

基于极限学习机和优化算法的润滑油添加剂种类识别与含量预测

为了快速识别润滑油中添加剂种类和含量，将添加剂硫化异丁烯(T321)、烷基二苯胺(T534)、硫代磷酸胺盐(T307)以不同配比混合在基础油中，使用极限学习机(ELM)对油样的红外光谱数据构建模型进行训练测试，并采用贪心算法、遗传算法(GA)对输入波段优化，筛选出最优波段区间组合以剔除相关性过高的波段从而提高运算效率. 测试结果表明:ELM模型可对润滑油添加剂进行有效的种类识别和含量预测，相比于传统理化检测方法是一种经济快速的新型润滑油添加剂检测手段；且经GA波段筛选优化后模型输出结果更具优势，对三种添加剂的种类识别准确率均达到100%、含量预测决定系数(R2)分别提升了43.8%、39.0%和24.4%.      

光学诊断专题序言

光学诊断技术主要是以激光技术、光谱技术、光电探测技术、数据图像处理技术等为基础的一种综合性测试诊断技术可以实现复杂流场温度、组分浓度、速度、流场结构等参量信息的高时空分辨精确测量而且对测量流场无扰动.近年来光学诊断技术已开始从实验室基础研究走向于各类风洞、发动机等重要设备的工程应用这对于深入研究高超声速流动和燃烧化学反应动力学过程如高焓非平衡流动、高超声速边界层转捩、超声速燃烧动力学、汽车/飞机/火箭/卫星等发动机燃烧不稳定性和污染控制等具有重要意义.     

基于无人机多光谱图像的土壤水分检测方法研究

以表层土壤为对象,探究土壤的多光谱反射率与土壤水分含量相关性,进行基于无人机多光谱图像的土壤水分含量预测模型方法的探究。选取中国农业大学通州实验站为研究区域,实地采集试验田的土壤样本100组,按照一定梯度配制土壤含水量,配成的土壤含水率为10%~50%之间,土壤含量的真实值采用土壤烘干法进行测定。多光谱相机灵巧便捷,可搭载在无人机上对土壤进行监测。将RedEdged-M型多光谱相机搭载在Phantom 3型无人机上,选择阳光充足的采集环境,实时采集土壤样本的多光谱图像,建立土壤多光谱信息与水分含量之间的模型。利用处理光谱数据的ENVI5.3软件提取土壤样本多光谱信息,以多光谱相机自带的标准白板反射率为100%,计算出土壤样本在蓝、绿、红、红边、近红外五个波段的光谱反射率。采用BP神经网络算法、支持向量机算法、偏最小二乘算法分别建立基于无人机多光谱图像的土壤水分含量的预测模型。以80组土壤样本数据作为训练集,建立基于多光谱图像的土壤水分含量预测模型。采用莱文贝格-马夸特算法对BPNN进行改进,提高了其训练速度,当网络结构为5-10-1时,训练效果最好,本文选择该网络结构;SVM采取高斯核函数,当参数为0.56时,模型效果最好。本研究采用归一化均方根误差(NRMSE)和决策系数(R 2)对三种土壤水分含量的预测模型进行定量对比。以20组土壤样本数据作为测试集,结果可知,基于BP神经网络土壤水分含量预测模型的NRMSE为0.268,R 2为0.872;基于支持向量机的土壤水分含量预测模型的NRMSE为0.298,R 2为0.821;基于偏最小二乘土壤水分含量预测模型的NRMSE为0.316,R 2为0.789。对三种模型分析可知,基于BPNN的土壤水分含量预测模型效果均较好。结果可知,土壤的光谱反射率与含水率间存在较密切的相关性,将多光谱相机搭载在无人机上可以对土壤水分含量进行有效的实时监测,对监测土壤墒情提供技术支持和理论支撑。     

基于三维荧光光谱法和PARAFAC对多环芳烃定性定量分析

三维荧光光谱法在研究多环芳烃(PAHs)类物质的荧光信息时起到了重要作用。多环芳烃类物质具有致癌性,难降解性,多由尾气排放,垃圾焚烧产生,危害着人类健康及环境,因此人们不断探索对多环芳烃检测的方法。实验选取多环芳烃中的苊和萘作为检测物质,利用FLS920荧光光谱仪,为避免荧光光谱仪本身产生的瑞利散射影响,设置起始的发射波长滞后激发波长40 nm,设置扫描的激发波长(λex)范围为:200~370 nm,发射波长(λem)范围为:240~390 nm,对多环芳烃进行荧光扫描获取荧光数据,采用三维荧光光谱技术结合平行因子算法对混合溶液中的苊和萘进行定性定量分析。实验选用的苊和萘均购于阿拉丁试剂官网,配制浓度为10 mg·L-1的一级储备液,再将一级储备液稀释,得到苊和萘浓度为0.5,1,1.5,2,2.5,3,3.5,4和4.5 mg·L-1的二级储备液,并将苊和萘进行混合。在进行光谱分析前需要对苊和萘的光谱进行预处理,采用空白扣除法扣除拉曼散射的影响,并采用集合经验模态分解(EEMD)消除干扰噪声。实验测得苊存在两个波峰,位于λex=298 nm,λem=324/338 nm处,萘存在一个波峰,位于λex=280 nm,λem=322 nm处。选用的PARAFAC算法对组分数的的选择很敏感,因此采用核一致诊断法预估组分数,估计值2和3的核一致值都在60%以上,分别对混合样品进行了2因子和3因子的PARAFAC分解,将分解后得到的激发发射光谱数据和各组分浓度数据进行归一化处理,并绘制光谱图,与归一化处理后的真实的激发发射光谱图和各组分浓度图进行对比。同时将PARAFAC得到的混合样本的预测浓度,通过计算回收率(R)和均方根误差(RMSEP)来判定定量分析的准确度。选择2因子时,各混合样品中苊和萘拟合度为95.7%和96.7%,平均回收率分别为101.8%和98.9%,均方根误差分别为0.0187和0.0316;选择3因子时,各混合样品中苊和萘拟合度为95.3%和95.8%,平均回收率分别为97%和102.5%,均方根误差分别为0.033和0.116,由三项指标可得选用2因子进行定性定量分析的效果明显好于选用3因子。分析实验结果表明,基于三维荧光光谱法和PARAFAC算法对混合样品进行定性定量分析,能够有效的判定混合样品的类别,同时能够成功的预测出混合样品的浓度。     

中国生物医学超声联合学术年会(CUMB2019)在北京举行

2019年10月18日–20日,中国声学学会生物医学超声工程分会、中国生物医学工程学会医学超声分会与中国超声医学工程学会仪器工程开发专业委员会在北京联合主办了“2019年度中国生物医学超声联合学术年会”,同期共同举办的还有国际分子影像与微创治疗大会、国际肌肉骨骼及浅表器官超声研讨会和国际生物医学造影技术会议。     

分子印迹电化学传感器检测水产品中孔雀石绿

以孔雀石绿(MG)为模板,以邻氨基酚为功能单体通过循环伏安法(CV)在玻碳电极表面上聚合制备了MG分子印迹电化学传感器,用CV法和差分脉冲法(DPV)研究了传感器的响应性能,并用于水产品中MG检测。结果表明,DPV峰电流减少量与MG浓度在0.02～0.5μg·mL~(-1)范围内呈线性关系,线性方程为ΔI(μA)=26.77C_(MG)+2.663;在0.5～2.5μg·mL~(-1)范围内呈线性关系,线性方程为ΔI(μA)=2.662C_(MG)+14.25,检出限为1.2×10~(-2)μg·mL~(-1)。MG分子印迹电化学传感器操作简单快捷,具有较好的特异性、重复性和稳定性,可满足水产品中MG的快速检测需要。