线上线下混合式实验教学模式的改革与探索

大学化学实验课程是培养材料、化学、化工等专业人才应用基本操作和理论解决实际问题的综合性实践训练环节。文章探讨了当前大学化学实验发展由于受到仪器设备大型化、专业化、成本大、更新快等因素限制出现瓶颈,设计了线上线下混合实验教学模式,进行相应的软硬件建设,并开展线上线下混合式实验教学模式的改革与探索。该教学模式具有良好的教学效果,并且可复制可推广,为创新人才的培养和实验教学的创新提供了有益的借鉴。     

紫外可见偏振成像光谱仪的光谱定标与匹配方法

紫外可见偏振成像光谱仪中沃拉斯顿棱镜的色散效应会导致探测器同一空间通道的中心坐标发生偏移，影响目标信号探测精度。根据偏振解调算法，利用沃拉斯顿棱镜出射的两正交分量调制光谱(S光和P光)实现偏振信息解调时，还需要完成光谱匹配。针对这一问题，提出了一种光谱定标与匹配方法。首先利用平行光源标定了仪器视场角与空间维像元的对应关系，提取出各空间通道对应的像元坐标集合并确定了视场定标方程；在同一空间通道内，通过低压汞灯标准光源对波长与像元的对应关系进行标定，得出光谱定标方程；利用视场定标和光谱定标结果完成正交分量光谱的匹配；最后利用太阳光谱中Fraunhofer线的特征波长对定标结果进行了检验。结果表明：紫外可见偏振成像光谱仪正交分量的光谱吸收峰位具有较好的一致性，定标值和标准值的偏差在0.1 nm以内，这验证了定标结果的准确性。     

“联用技术及元素形态”国际课程探索与实践*

充分利用线上教学的优势,对化学院本科生开设了“联用技术及元素形态”国际课程,避免了传统教学中组织、协调外籍/外地专家资源过程中必要的各种消耗,极大程度地整合教学资源、改善教学效果。在该课程的探索与实践过程中,学生们对痕量元素形态及基于等离子体质谱的各种联用技术产生了极大的兴趣,激发了他们的主动学习热情;教师之间及师生之间的沟通趋向更简单、更灵活、更实时,为后续线上线下混合式国际课程建设提供了良好的基础和借鉴。     

探究一类椭圆和双曲线试题中的三线斜率关系

本文对一道高三期中质量检测试题中三线的斜率关系进行探究,得到了椭圆中的几个美妙结论,并引申得到了双曲线中的类似结果,最后变换视角进行了相关的对偶探究.     

3.0T MRI检查结合X线钼靶诊断乳腺恶性肿瘤的研究

本研究探讨3.0T磁共振成像(MRI)结合X线钼靶诊断乳腺恶性肿瘤的价值。采用回顾性研究方法,选取乳腺肿块患者110例162个病灶,给予3.0T MRI及X线钼靶检查。经病理确诊为恶性病变101个;恶性病灶形态不规则、边缘毛刺、时间-信号强度曲线(TIC)类型Ⅲ型和早期增强率≥60%比例明显高于良性病灶(P<0.05),而分叶状比例和表观扩散系数(ADC)值明显低于良性病变(P<0.05);恶性病变X线钼靶表现:形态不规则、钙化、结构不对称和大导管征比例明显高于良性病变(P<0.05);MRI联合X线钼靶诊断乳腺恶性病变的灵敏性、准确性和阴性预测值明显高于MRI诊断(P<0.05)。3.0T MRI检查结合X线钼靶诊断乳腺恶性肿瘤有较好的价值。     

调和点列背景下一个几何命题的推广

1.引言近日在网上看到一个几何问题(见微信公众号"叶军数学工作站"《数学爱好者通讯》(第87期),由赵忠华老师提出的"问题研究B"):问题1如图1,△ABC的旁切圆☉O与边BC切于点D,与边AC,AB的延长线切于点E,F,DD₁为☉O的直径,过DD₁上任一点G作AD的垂线,分别与线段D₁F,D₁E相交于点M,N,证明:GM=GN.     

基于XGBOOST的恒星光谱分类特征数值化

恒星光谱分类是研究恒星的基础性工作之一，常用的光谱分类是基于20世纪70年代Morgan和Keenan建立起来的并逐步完善的MK分类系统。然而基于MK规则的交互式决策分类系统对处理海量天文光谱数据存在着一定的困难。目前光谱巡天一般采用的自动化分类则是模版匹配方法而忽略对谱线特征的测量。怎样自动、客观地提取海量光谱中的分类特征并应用这些特征进行分类可以对天体的物理化学性质的统计分析至关重要。针对此问题，通过机器学习和计算光谱的谱线指数结合的方法，提取光谱特征，并通过大数据分析定量地确定对光谱特征谱线的分类判据（数值化），确定每一类光谱具有物理意义的特征谱线的强度分布。首先对LAMOST DR4恒星光谱测量其谱线指数作为输入，光谱的分类标记采用官方发布的分类结果。使用XGBoost算法进行自动分类及特征排序，从而获得已知或未知的对于分类决策最为敏感的谱线。首先，选取高信噪比（S/N>30）、被LAMOST标记为B，A，F和M的恒星光谱数据，总计约414万个。然后，对光谱数据计算谱线指数从而使其得到降维处理，过滤冗余信息。其次，将处理后的恒星光谱数据随机划分为训练集和测试集，通过适当调整算法参数，用训练集得到所需要的分类决策树模型，用测试集测试其稳定性和可用性，以防止出现过拟合，同时使用算法自带函数进行提取分类特征。最后，输出并整理实验中算法所得的决策树模型，并挑选其概率比较大的分支作为最终的决策树模型。通过实验，可以发现在固定参数下，XGBoost所得的模型有一定的自适应性，较少受数据集影响，总体准确率可达88.5%；同时其所输出的分类决策树与已知的特征较为吻合，而且可以获得基于大数据的、数值化的特征谱线对应分类的范围，为完善基于特征的分类提供定量的规则。