分子印迹样品前处理技术的研究进展

样品前处理是分析过程的关键环节,直接影响着分析结果的准确度和精密度．分子印迹聚合物具有特异性识别能力,能从复杂样品中选择性分离富集目标物,在复杂样品前处理领域中有重要的发展潜力和应用前景．本文综述了近年来分子印迹样品前处理技术的研究进展,包括分子印迹固相萃取、分子印迹固相微萃取、分子印迹膜萃取等样品前处理技术．     

线性规划的最钝角松弛算法

本文提出一个基于最钝角原理的松弛算法求解线性规划问题。该算法依据最钝角原理略去部分约束得到一个规模较小的子问题,用原始单纯形算法解之;再添加所略去的约束恢复原问题,若此时全部约束条件均满足则已获得一个基本最优解,否则用对偶单纯形算法继续求解。初步的数值试验表明,新算法比传统两阶段单纯形算法快得多。     

艾拉姆咖(Эрланга)分布小样本区间估计和检验问题研究

本文研究了艾拉姆咖分布的小样本区间估计和检验问题.给出了检验统计量和相应的拒绝域.比较了指数分布和艾分布的区别和差异.指出在对装备维修工时的估计时,运用艾分布可能更加精确和有意义;并运用实例分析了区间估计精度.文章对装备维修工时的估计具有一定意义.     

丁烯氧化脫氫气相产物的色谱分析

本文介绍了采用分子筛柱和气液分配柱串联,对丁烯氧化脱氢的气相产物进行全分析的方法.选用30％(重)1:1的苯二甲酸二丁酯加二甲基甲酰胺混合柱,可以将除异丁烯外的其他烃类组分全部分离;5A分子筛柱用于分离永久性气体.用实验测得的各组分的校正因子进行定量分析,平均偏差不大于1.2.己二酮柱可以使包括异丁烯在内的全部丁烯异构物得到良好的分离,在异丁烯含量低于2％,并且丁烯-1和异丁烯含量相差近十倍的情况下,二者的分离度可达90％.     

基于DE-ELM的电池SOC预测研究

针对极限学习机的随机性较大的问题,提出一种基于差分演化的极限学习机算法模型(DE-ELM).采用差分演化算法(DE)对极限学习机(ELM)随机给定的输入权值矩阵和隐含层阈值进行寻优,降低了随机性给ELM造成的影响,减少ELM网络震荡,提高了ELM预测精度.并且将DE-ELM应用在电池SOC的预测上,同时与ELM和BP神经网络的预测进行了对比,结果表明:DE-ELM在电池SOC预测上的表现优于ELM和BP神经网络,能满足电池SOC的预测精度要求.     

高选择性高效液相色谱-电化学检测法测定丹参中5种酚类物质

发展了一种高灵敏度的高效液相色谱-电化学检测（HPLC-ECD）方法,用于丹参中5种酚类物质的定量分析。为了获得较高的检测灵敏度,对流动相的pH、缓冲溶液类型和浓度、有机相种类和梯度以及流速做了系统研究。在较低的pH（2.8）、较低的缓冲盐浓度（20 mmol/L NaH₂PO₄）和较缓的乙腈梯度下,以0.2 mL/min流速可为5种酚类的分离检测提供较好的分离度和较高的检测灵敏度。在获得优化的分离参数后,将其用于14批丹参药材中5种酚类物质的定量分析。结果表明,该方法可获得较好的回收率（>95%）、较宽的线性范围（高达4个数量级）、较好的重复性（RSD<4.01%）和较高的灵敏度（咖啡酸的LOQ低至1.5μg/L）。与紫外检测方法相比,ECD检测方法具有更高的选择性,可减少非抗氧化活性的物质的干扰。     

纳米Ru-Mn/ZrO2催化剂上苯选择加氢制环己烯

采用共沉淀法制备了一系列不同Mn含量的纳米Ru-Mn催化剂,考察了纳米ZrO₂作分散剂时它们催化苯选择加氢制环己烯的反应性能,并采用X射线衍射、透射电镜、N₂物理吸附、X射线荧光、原子吸收光谱和俄歇电子能谱等手段对催化剂进行了表征.结果表明,Ru-Mn催化剂上Mn以Mn₃O₄存在于Ru的表面上.在加氢过程中,Mn₃O₄可以与浆液中ZnSO₄发生化学反应生成一种难溶性的(Zn(OH)₂)₃(ZnSO₄)(H₂O)₃盐.该盐易化学吸附在Ru催化剂表面上,从而在提高Ru催化剂上环己烯选择性起关键作用.当催化剂中Mn含量为5.4%时,环己烯收率为61.3%,同时具有良好的稳定性和重复使用性能.     

氧杂环丁烷系列含能粘合剂的合成研究进展

新型含能粘合剂的出现进一步提高了固体推进剂的能量和性能。其中,在3-位取代含能基团实现氧杂环丁烷的含能化并以此类单体合成的含能粘合剂,由于其具有相对分子量和官能度可控性好、多分散性和玻璃化转变温度低而受到重视,引起广泛关注。