高分子修饰金纳米粒子的自组装研究进展

近年来,高分子修饰金纳米粒子的自组装行为逐渐成为新的研究热点.当金纳米粒子修饰上高分子后,在维持其自身光电特性的同时展现出了与高分子类似的自组装行为,从而能够在适当的条件下形成结构明确的零维、一维、二维和三维自组装结构.这些自组装结构的出现不仅促进了金纳米粒子组装的基础研究,并且极大地丰富了金纳米粒子的应用潜力,为金/高分子纳米复合材料的发展开拓了新的方向.本文总结了金/高分子纳米复合粒子形成的不同维度组装体,着重讨论了金纳米粒子自组装构筑单元的设计、组装方法以及组装体的性质,分类讨论了相应的自组装材料在环境和生物医药中的应用,并展望了相关研究在未来发展的机遇与挑战.     

1,11,15,25-四羟基-4,8,18,22-二（桥联二丙羧基）酞菁铜的合成及性质研究

对新型取代基酞菁和酞菁晶体合成和性质进行了研究。因为酞菁在信息、医疗、化工等众多领域有很广泛的应用,所以近百年来一直是科学家研究的热点课题。酞菁经过近百年的研究,科学家已经合成了上万种酞菁衍生物,但是,随着科技的不断进步,人类社会不断发展的需求,具有新特性的新型酞菁的获得仍是相关科技工作者孜孜以求的目标。为此,在本论文中,我们改进了合成方法,合成了新型的桥联酞菁材料：1,11,15,25-四羟基-4,8,18,22-二（桥联二丙羧基）酞菁铜,表征其结构。并研究电化学性质。首先以丙二酸和3,6-二羟基邻苯二腈为起始原料,以水为溶剂,加入浓硫酸作为催化剂,先合成前体,即丙二酸3,3′-二(6–羟基邻苯二腈)脂。然后再用丙二酸 3,3′-二(6-羟基邻苯二腈)脂与一水合乙酸铜,以正戊醇为溶剂,以DBU为催化剂,合成了1,11,15,25-四羟基-4,8,18,22-二（桥联二丙羧基）酞菁铜,其分子式是C₃₈H₁₆N₈O₁₂Cu。对1,11,15,25-四羟基-4,8,18,22–二（桥联二丙羧基）酞菁铜进行紫外吸收及荧光光谱测定,证明合成产物是目标产物,并研究了1,11,15,25-四羟基-4,8,18,22-二（桥联二丙羧基）酞菁铜的电化学性质。     

感兴趣区域对羊肉pH高光谱检测模型的影响研究

感兴趣区域(regions of interest, ROIs)的选择及其光谱提取是高光谱图像无损检测分析的关键一步。为快速准确检测羊肉pH,在473～1 000 nm波段,开展了两种不同提取ROIs方法对羊肉pH高光谱检测模型的影响研究。采用“矩形区域法”和“图像分割法”两种ROIs方法分别获得相应的122条羊肉光谱,对比了不同预处理方法对建模效果的影响,并比较了两种ROIs方法下逐步多元线性回归(SMLR)、主成分回归(PCR)和偏最小二乘回归(PLSR)的模型精度。结果表明,提取光谱数据建模中SMLR和PLSR模型效果分别最优。“矩形区域法”提取ROIs对应的SMLR模型校正集的相关系数(R_cal)和均方根误差(RMSEC)分别为0.85和0.085,预测集的相关系数(R_p)和均方根误差(RMSEP)分别为0.82和0.097。“图像分割法”提取ROIs对应的PLSR模型校正集的R_cal和RMSEC分别为0.95和0.050,预测集的R_p和RMSEP分别为0.91和0.071。其次通过比较“矩形区域法”和PCR, SMLR和PLSR三个模型中,“图像分割法”提取的ROIs光谱数据建模效果较优。表明,应用高光谱图像技术结合“图像分割法”提取ROIs快速无损准确检测羊肉pH具有可行性。     

羊肉挥发性盐基氮的高光谱图像快速检测研究

挥发性盐基氮(TVB-N)通常被作为评价羊肉新鲜度的理化参考指标。为了揭示高光谱图像技术(HSI)快速检测羊肉新鲜度的可行性,采集了71个新鲜度具有代表性的羊肉样品的漫反射高光谱图像(400～1 000 nm),并利用半微量定氮法测定了其挥发性盐基氮(TVB-N)的化学值。选择感兴趣区域(ROIs)提取样品的代表性光谱,采用含量梯度法划分校正集和预测集,比较不同的光谱预处理方法,比较逐步多元线性回归(SMLR)、偏最小二乘(PLSR)和主成分分析(PCR)建模方法,建立并验证了TVB-N的校正模型。结果表明,利用多元散射校正(MSC)、一阶导数、Savitzky-Golay(S-G)平滑及中心化处理结合的预处理方法,PLSR和PCR模型都可以实现对羊肉TVB-N的定量检测。对于建立的PLSR模型,采用的预处理方法为MSC、15点2次S-G平滑、1阶导数和中心化相结合的方法,选择的潜变量因子数为11,获得的校正集的相关系数(R)和校正均方根误差(RMSEC)分别为0.92和3.00 mg·(100 g)-1,预测集的相关系数(r)、预测均方根误差(RMSEP)和相对分析误差(RPD)分别为0.92,3.46 mg·(100 g)-1和2.35。研究表明,高光谱图像技术可用于准确快速地检测分析羊肉中新鲜度关键指标TVB-N的含量。该研究为采用高光谱图像技术进一步分析羊肉新鲜度其他指标、改善TVB-N的建模效果及在实际生产中应用该技术提供了基础。     

基于GA和CARS的真空包装冷却羊肉细菌菌落总数高光谱检测

在光谱建模过程中,采用不同的变量筛选算法进行光谱特征波段的提取已成为提高模型效果的重要方法。以真空包装的冷却羊肉细菌菌落总数作为研究指标,比较了两种变量筛选算法对其高光谱偏最小二乘(partial least squares, PLS)模型效果的影响。研究提取了样品肌肉感兴趣区域(ROIs)的羊肉光谱并进行预处理,进而采用遗传算法(genetic algorithm, GA)和竞争性自适应重加权法(competitive adaptive reweighted sampling, CARS)分别对预处理后的473～1 000 nm范围光谱进行特征波段的提取,对比分析了不同波段下羊肉细菌菌落总数的GA-PLS, CARS-PLS和全波段PLS(W-PLS)模型效果。结果表明,GA-PLS和CARS-PLS的模型效果均优于W-PLS,且CARS-PLS模型效果最好,其校正集的决定系数(R2_c)和均方根误差(root mean square error, RMSEC)分别为0.96和0.29,交互验证的决定系数(R2_cv)和均方根误差(root mean square errorof cross validation, RMSECV)分别为0.92和0.46,预测集的决定系数(R2_p)和均方根误差(root mean square error of prediction, RMSEP)分别为0.92和0.47,预测相对分析误差(relative prediction deviation, RPD)为3.58。因此利用高光谱图像技术结合CARS-PLS可以实现羊肉细菌菌落总数快速无损准确检测。     

基于高光谱图像和偏最小二乘的羊肉pH值特征波段筛选研究

波段筛选方法的选取以及随后的光谱特征波段的提取对高光谱模型效果的影响较大。为了快速准确检测羊肉的pH值,开展并讨论了利用两种特征波段筛选方法对羊肉pH值高光谱模型的影响研究。本研究采用二阶导数(2D)、多元散射校正(MSC)和中心化处理(mean-centering)相结合的方法对所提取纯肌肉部分的代表性光谱进行预处理,利用联合区间偏最小二乘(siPLS)和联合区间偏最小二乘结合遗传算法(siPLS-GA)对全波段473～1000 nm范围光谱进行特征波段的提取,并分别建立相对应特征波段范围羊肉pH的PLS预测模型,同时与全波段的PLS模型效果相比较。结果表明采用siPLS-GA提取的特征波长建立的PLS模型效果最优,其选取的特征波长点数为56,校正集相关系数(R_cal)和均方根误差(RMSEC)分别为0.96和0.043,预测集相关系数(R_P)和均方根误差(RMSEP)分别为0.96和0.048。siPLS-GA方法既能够减少建模使用的光谱变量,又可以提高模型精度,因此利用高光谱图像技术结合siPLS-GA可以实现羊肉pH的特征波段筛选和快速准确检测。     

窄分布两亲性嵌段共聚物的合成及其胶束化行为研究

利用原子转移自由基聚合合成了具有两亲性的嵌段聚合物聚苯乙烯-b-聚丙烯酸(PS-b-PAA),用FTIR,¹H NMR,SEC对其进行了表征,并利用荧光探针技术研究了其在水溶液中的胶束化行为.进一步的研究表明,PS-b-PAA胶束可对水中存在的多环芳香化合物芘有效地吸收并进而分离和回收.     

基于XY双变量特征提取策略的秸秆炭热值LIBS定量分析

农业生物质能已逐步成为我国现代工业主要清洁能源之一。利用激光诱导击穿光谱（LIBS）技术实现秸秆炭热值（CV）精准预测。针对传统X自变量特征提取方法在LIBS定量分析秸秆炭CV过程中缺陷问题,提出了一种XY双变量特征提取法。研究首先分析了秸秆炭CV与各元素含量之间相关性,选取与CV相关性极显著（p<0.01）的Y型特征变量,其主要获取了以炭单质、芳香环和羧基等形式存在的C,O,H和Na元素的分析线展宽波段;同时通过筛选偏最小二乘回归（PLSR）模型回归系数阈值获取与CV相关的X型特征变量,当阈值为4×10-5时模型交互验证均方根误差（RMSECV）降至最低值,其所对应的变量主要为参与农作物生理生长的Ca,Cr,Mg和K元素的分析线光谱线。基于所提取XY双特征变量构建遗传算法优化及自适应增强的人工神经网络（GA-BP-Adaboost）模型,当变异概率、交叉概率和相对误差率（RE）分别设为0.1,0.95和0.01时,最优模型预测平均相对误差（AREP）和预测相对标准误差（RSDP）分别为2.39%和2.97%,相比于XY-PLSR模型效果分别较低了0.82%和0.91%。结果表明：XY双变量特征提取法结合GA-BP-Adaboost模型可以为生物质炭在工业使用过程中CV精确定量预测分析提供方法依据。