鲁米诺的合成与振荡化学发光

鲁米诺的合成与化学发光是一个极具展示度的基础化学实验。近年来，国内部分高校陆续开设了这一实验，引起不错的反响。为进一步丰富和提升该实验的科学理论内涵，我们进行了如下改进：1)在合成部分引入机械搅拌、硫粉还原和微波合成，实现安全、快速、高效制备高纯度鲁米诺的目的；2)在单次化学发光的基础上，特别引入宛如星辰闪烁般的振荡化学发光反应(鲁米诺/H2O2/SCN-/Cu2+/OH-振荡体系)，该反应涉及非平衡态热力学和非线性化学等重要概念与基础理论知识，激发学生的求知欲；3)设计并搭建了可与荧光光谱仪配套使用的简易微型磁力搅拌加热装置，实现了对振荡化学发光的光强和振荡周期等数据的实时定量监测，使学生可以自行设计对比实验，探究影响振荡反应过程的因素，并总结振荡反应规律。该实验涵盖了多学科的重要知识点，兼具科学性与趣味性，对培养学生的探索精神和创新意识具有重要意义。     

全局优化问题的一个新的无参数填充函数

求全局最优化问题的填充函数算法被提出以来，参数的选取和调整一直是制约算法有效性的因素。如何在实际的计算过程中选取合适的参数，直接影响和决定了运算速度和效率。因此，构造不含参数的填充函数就显得极为重要。提出一个新的无参数的填充函数，对其理论性质进行了分析，并给出相应的填充函数算法，数值计算验证了算法的有效性。     

广义加权损失函数下准备金的分位信度估计

由于聚合数据是个体数据的加总,会失去一些有用信息.针对个体数据模型,分位回归模型可以直接求取未决赔款准备金的分位数,并且对数据中存在的异常值的敏感度不高.在程纪(2020)模型基础上,将分位回归模型与信度理论相结合,将多个流量三角形的增量赔款数据看成是相同日历年下的重复性多次观测,体现样本数据的分层结构,克服经典信度模型中只有一条回归线的弊端,在广义加权损失函数下得到准备金的信度估计,并给出参数估计.     

寻思考路径 促思维进阶——试卷讲评课的教学思考北大核心

考试中学生的解题状况,能更准确地折射出学生的学习情况,能提出教学中需要调整、关注的问题.通过对考试过程中学生答题情况的研判,选择典型试题的学生解答过程,精心设计试卷讲评课,对于提高学生解题能力,理解数学的本质,进阶学生的思维非常重要,是高中数学复习阶段教学中特别重要的教学环节.然而,在了解学生的答题情况之后,根据获得的信息,如何精准定位学生遇到的困难,找到突破困难的方法?     

化学教育硕士研究生的科学本质观研究*——基于对科普微视频的分析

以构建的科学本质要素框架作为分析工具,研究学生经科普微视频分析所呈现的科学本质观。结果表明,学生无法全面、深入分析视频呈现的科学本质,反映了局限的科学本质观,而经过讨论与汇报能在一定程度上提升其科学本质观。据此,为化学教育硕士研究生的培养工作提出3点建议,即将科普微视频作为科学本质教育的素材,促进学生形成完整且深刻的科学本质观,发展学生准确抽提课程资源中的科学本质的能力。     

盲重构频域阵列信号的压缩感知水声目标方位估计

针对复杂海洋环境条件下压缩感知水声目标方位估计性能下降的问题,利用盲源分离能够提高信噪比的优势,提出了一种盲重构频域阵列信号的压缩感知水声目标方位估计方法。首先将阵元域信号通过傅里叶变换方法得到多个子带阵列信号;然后对各个子带阵列信号进行复数域盲源分离得到子带解混矩阵和子带分离信号估计,并对子带分离信号进行属性分析和处理;再根据处理后的子带分离信号和子带解混矩阵重构子带阵列信号,对重构的子带阵列信号采用频域压缩感知方法进行空间谱估计,得到各个子带的空间谱;最后将各子带得到的空间谱进行求和,搜索求和后空间谱的峰值则可实现目标方位估计。模拟器数据和海上实测数据验证结果表明,同等条件下该方法的目标检测能力优于经典的最小方差无失真响应(Minimum Variance Distortionless Response,MVDR)方法、频域压缩感知(Compressed Sensing,CS)方法、盲源分离(Blind Source Separation,BSS)与MVDR相结合的方法(BSS+MVDR方法),测向精度更高,明显提高了弱目标信号的空间谱能量,增强了声呐检测弱目标的能力。      

利用带无标签数据的双支持向量机对恒星光谱分类

恒星光谱分类是天文技术与方法领域一直关注的热点问题之一。随着观测设备持续运行和不断改进，人类获得的光谱数量与日俱增。这些海量光谱为人工处理带来了极大挑战。鉴于此，研究人员开始关注数据挖掘算法，并尝试对这些光谱进行数据挖掘。近年来，神经网络、自组织映射、关联规则等数据挖掘方法广泛应用于恒星光谱分类。在这些方法中，支持向量机(SVM)以其强大的学习能力和高效的分类性能而备受推崇。SVM的基本思想是试图在两类样本之间找到一个最优分类面将两类分开。SVM在求解时，通过将其最优化问题转化为具有(QP)形式的凸问题，进而得到全局最优解。尽管该方法在实际应用中表现优良，但为了进一步提高其分类能力，有的学者提出双支持向量机(TSVM)。该方法通过构造两个非平行的分类面将两类分开，每一类靠近某个分类面，而远离另一个分类面。TSVM的计算效率较之传统SVM提高近4倍，因此，自TSVM提出后便受到研究人员的持续关注，并出现若干改进算法。在恒星光谱分类中，一般分类算法都是根据历史观测光谱来建立分类模型，其中最关键的是对光谱进行人工标注，这项工作极为繁琐，且容易犯错。如何利用已标记的光谱以及部分无标签的光谱来建立分类模型显得尤为重要。因此，提出带无标签数据的双支持向量机(TSVMUD)用以实现对恒星光谱智能分类的目的。该方法首先将光谱分为训练数据集和测试数据集两部分；然后，在训练集上进行学习，得到分类依据；最后利用分类依据对测试集上的光谱进行验证。继承了双支持向量机的优势，更重要的是，在训练集上学习分类模型过程中，不仅考虑有标记的训练样本，也考虑部分未标记的样本。一方面提高了学习效率，另一方面得到更优的分类模型。在SDSS DR8恒星光谱数据集上的比较实验表明，与支持向量机SVM、双支持向量机TSVM以及K近邻(KNN)等传统分类方法相比，带无标签数据的双支持向量机TSVMUD具有更优的分类能力。然而，该方法亦存在一定的局限性，其中一大难题是其无法处理海量光谱数据。该工作将借鉴海量数据随机采样思想，利用大数据处理技术，来对所提方法在大数据环境下的适应性展开进一步研究。     

大花无柱兰遗传多样性的SRAP标记分析

大花无柱兰是一种珍稀兰科植物，具有一定的观赏和药用价值，但数量十分稀少，该物种亟待保护。本研究采用SRAP分子标记技术，对10个居群的115份DNA样品进行PCR扩增，并开展遗传多样性分析。从81对引物中筛选出9个条带清晰、多态性好、重复性高的引物组合，共扩增得到305条谱带。在物种水平上，多态性比率（PPB）为100%，Nei’s基因多样性指数（H）为0.209 8，Shannon’s指数（I）为0.340 2；在居群水平上，PPB为24.59%～52.13%，H为0.079 6～0.165 5，I为0.120 9～0.252 3。居群水平上，基因分化度（Gst）为0.520 9，基因流（Nm）为0.459 9，遗传距离为0.091 9～0.198 4。UPGMA聚类结果表明，10个居群可分为3大类，地理距离相近的居群优先聚集。大花无柱兰的遗传多样性较为丰富，居群间存在一定的遗传分化和基因交流，可采用就地保护和人工栽培等方式加以保护。     

关于负超几何分布期望与方差算法的注记

研究了非还原取样模型中负超几何随机变量的联合分布,得到了若干有用的推论.据此给出了负超几何分布的期望和方差的一种分解算法.