基于GA_XGBoost模型的大学生科研能力预测问题研究

科学评价大学生科研创新能力对我国科研水平的提高具有重要意义.采用机器学习模型来预测大学生科研能力可以起到良好的效果,提出一种GAXGBoost模型来实现对大学生的科研能力预测.此模型是以Xgboost算法为基础,然后充分利用遗传算法的全局搜索能力自动搜索Xgboost最优超参数,避免了人为经验调参不准确的缺陷,最后采用精英选择策略以此确保每一轮都是最佳的进化结果.通过分析表明,所采用的GAXGBoost模型在大学生科研能力预测的结果中具有很高的精度,将此模型与Logistic Regression、Random Forest、SVM等模型进行对比,GAXGBoost模型的预测精度最高.     

n维有限射影空间上d~e——析取矩阵的新构作

利用n维有限射影空间上的一些性质,构作了组合群验的数学模型de-析取矩阵,并研究了它的参数和Hamming距离.     

桉树杂交种与其亲本的近红外光谱判别

研究桉树控制授粉后目标性状的基因作用方式是探索其基因重组规律的重要内容。常规的数量统计分析精度往往不高,而DNA分析的专业要求高,且费时费力。该研究利用近红外光谱(NIRs)研究不同基因型桉树杂交种、亲本及杂交种与亲本间近红外光谱信息的关系,探索NIRs用于桉树杂交种与其亲本判别的可行性和准确性。以控制授粉的桉树亲本及其杂交F1代材料为对象,每种基因型从各自田间试验分别选取10个单株,采集树冠中上部新鲜健康叶片。用手持式近红外仪Phazir Rx(1624)采集桉树杂交种与其亲本叶片的NIRs信息。每单株选10片完全生理成熟的健康叶片,避开叶脉扫描其正面光谱5次,以50条NIRs信息的均值代表单个叶片的NIRs信息,最终每个基因型获得10条NIRs信息。对原始NIRs采用二阶多项式S.G一阶导数预处理。预处理后的NIRs用于多元统计分析,首先对桉树杂交亲本和子代样本进行主成分分析(PCA),直观展示不同基因型的分类情况。然后运用簇类独立软模式(SIMCA)和偏最小二乘判别分析(PLS-DA)两种有监督的判别模式验证NIRs用于桉树杂交种与其亲本树种的分类判别效果。PCA结果显示,不同的亲本间、杂交种间及杂交种与亲本间样本的主因子得分可以清晰地将各基因型分开。SIMCA模式判别分析中,桉树杂交种样本到亲本PCA模型的样本距离显示,待判别样本能够形成单独的聚类,且能直观反映两者的遗传相似。PLS-DA判别结果显示,桉树杂交亲本的PLS模型能通过预测其杂交子代的响应变量将其与亲本准确分开。结果表明,桉树叶片的NIRs信息可以准确地反映桉树杂交子代遗传信息的传递规律,NIRs判别模型可以准确地将各种基因型予以区分。因此,NIRs信息不仅可用于桉树杂交种和纯种的定性判别,还可以分析桉树基因重组过程中加性遗传效应的大小,从而为桉树遗传基础分析及其育种改良研究提供理论支撑。     

Malononitrile-involved Michael addition polymerization: An efficient and facile route for cyano-rich polyesters with programmable thermal and mechanical properties

An efficient, atom-economic, oxygen-tolerant, and water-tolerant strategy has been established to synthesize cyano-rich polyesters. Four kinds of organic bases, 1,1,3,3-tetramethylguanidine (TMG), 4-dimethylaminopyridine, triethylamine, and 1,5,7-triazabicyclo[4.4.0]dec-5-ene (TBD) were explored for accelerating Michael addition polymerization of malononitrile and 1,4-butandiol diacrylate. TMG can promote the polymerization efficiently under mild conditions to quantitatively afford polyester with high-molecular weight and moderate polydispersity. The comparison of the kinetic studies of TMG and TBD reveals that TMG shows better catalytic performance, while the catalysis of TBD brings about oligomers in spite of the higher efficiency at early age of the polymerization. Moreover, other diacrylate compounds could also be quantitatively polymerized to afford polyesters with high molecular weight. When dimethacrylate is chose as the monomer, the polymerization becomes sluggish. All the afforded polyesters display programmable thermal and mechanical properties that are closely related to their chemical structures.     

离子对反相高效液相色谱法同时测定尿液中复方α-酮酸片的5种有效成分

建立了同时测定尿液中复方α-酮酸片5种有效成分(消旋羟蛋氨酸钙(HMACa)、酮缬氨酸钙(KVCa)、消旋酮异亮氨酸钙(KILCa)、酮亮氨酸钙(KLCa)和酮苯丙氨酸钙(KPACa))的离子对反相高效液相色谱法。分别考察了离子对试剂浓度、缓冲盐浓度和流动相pH值等参数对分离情况的影响。最终采用Waters Symmetry C18色谱柱(250 mm×4.6 mm,5μm);以乙腈和含15 mmol/L四丁基氢氧化铵的20 mmol/L磷酸盐缓冲液(pH 7.0)为流动相进行梯度洗脱,流速为1.0 mL/min;柱温为35℃;检测波长为210 nm。在上述条件下,5种有效成分得到很好的分离,并且不受尿液中内源性基质的干扰,在20~200 mg/L范围内线性关系良好(r≥0.999 0);HMACa、KVCa、KILCa、KLCa和KPACa的检出限(S/N=3)分别为3.0、5.0、3.6、5.7和2.5 mg/L;定量限(S/N=10)分别为9.6、16.7、12.0、19.0和8.3 mg/L;日间、日内精密度均小于7%;平均回收率在86.79%~112.00%之间,RSD小于9%(n=5)。该方法准确,灵敏度高,重现性好,适用于尿液中这5种有效成分的检测。     

单晶硅晶格间距的测量技术进展及应用

单晶硅晶格间距是许多重要物理常数测量的基础。本文介绍了硅晶格间距测量技术的发展历程,包括X射线干涉仪直接测量和晶格比较仪间接测量两种方法,以及影响测量结果不确定度的关键因素。得益于晶格间距测量的进展,在纳米尺度,硅晶格间距被国际计量局(BIPM)批准成为新的米定义复现形式。最后介绍了硅晶格在计量学中的应用,以及基于硅晶格实现纳米几何量测量的溯源体系的研究趋势。     

盐酸伊达比星杂质A的合成工艺优化及其高效液相分析

通过对盐酸伊达比星脱羟基杂质A的合成研究，为盐酸伊达比星的质控标准提供参考。以盐酸伊达比星为起始原料，经过4步反应得到脱羟基杂质A。本文提供了盐酸伊达比星杂质A的制备方法以及高效液相色谱分析方法，为杂质含量控制提供了依据。该工艺可以稳定、快速制备高纯度脱羟基杂质A，制备总收率为57.20%，纯度为57.20%，其结构经¹H NMR， ¹³C NMR和MS(ESI)表征。     

紫色球杆菌视紫红质光谱特性的机器学习研究

近年来，机器学习等人工智能技术被应用于蛋白质工程，其在蛋白质结构、功能预测、催化活性等研究中具有独特优势。在未知蛋白质结构的情况下，将蛋白质序列和功能特性与机器学习相结合，基于序列-活性关系（innovative sequence-activity relationship，ISAR）算法，将蛋白质氨基酸序列数字化，用快速傅里叶变换（fast four transform，FFT）进行预处理，再进行偏最小二乘回归建模，可在数据集较少情况下拟合得到最佳模型。通过机器学习对紫色球杆菌视紫红质（gloeobacter violaceus rhodopsin，GR）的突变体蛋白质氨基酸序列与光谱最大吸收波长进行建模，获得了最佳模型。用最佳索引LEVM760106建模得到的确定系数R² 为0.944，均方误差E为11.64。用小波变换进行的预处理，其R² 虽也约为0.944，但E大于11.64，不及FFT进行的预处理。方法较好地解决了蛋白质序列与功能特性之间的数学建模问题，在蛋白质工程中可为预测更优的突变体提供支持。     

基于深度学习的ELM实时识别研究

基于深度学习的方法，在HL-2A装置上开发出了一套边缘局域模(ELM)实时识别算法。算法使用5200次放电数据(约24.19万数据切片)进行学习，得到一个深度为22层的卷积神经网络。为衡量算法的识别能力，识别了HL-2A装置自2009年实现稳定ELMy H模放电以来所有历史数据(约26000次放电数据)，共识别出1665次H模放电，其中误识别35次，误报率为2.10%。在实际的1634次H模放电中，漏识别4次，漏识别率为0.24%。该误报率和漏报率可以满足ELM实时识别的精度要求。识别算法在实时控制环境下，对单个时间点的平均计算时间为0.46ms，可以满足实时控制的计算速度要求。