凝胶色谱与多角激光光散射联用研究聚氧化乙烯的扩展效应和链构象

采用凝胶色谱与多角激光光散射联用的方法,测定了一系列不同分子量的聚乙二醇(PEG)和聚氧化乙烯(PEO)在色谱柱中的扩展效应.扩展因子随PEG/PEO分子量的增加而增大,经扩展效应改正后得到了样品的准确分子量和分子量分布.同时建立了PEO的Z均回转半径Rgz与重均分子量Mw之间的单分散标度关系:Rgz=0.0272 Mw0.56,结果表明,长链PEO在水溶液中由于排除体积效应采取溶胀的无规线团构象.     

定量体积排除色谱测定高分子双水相系统的组成和分子量分布

利用定量体积排除色谱研究葡聚糖-聚乙二醇双水相系统相分离后上下两相中2种高分子组分的含量、分子量和分子量分布.由定量体积排除色谱法得到的两相组成(即系线端点)与用浊点滴定法得到的浊点曲线几乎完全重合,二者仅在靠近临界点的聚乙二醇富集相有一定偏差.同时,利用体积排除色谱测得两相中葡聚糖和聚乙二醇的分子量和分子量分布.结果表明,由系线端点得到的体系两相共存线与浊点曲线的偏差是由于相分离过程中,不同分子量的高分子组分在两相的非均匀分配造成的.聚乙二醇分子量分布较窄,发生相分离后,在两相的分子量和分子量分布相差不大.而葡聚糖分子量分布较宽,在相分离后两相中的分子量和分子量分布具有较大差异,即葡聚糖组分在葡聚糖富集相中的分子量显著高于其在聚乙二醇富集相中的分子量.随着葡聚糖-聚乙二醇体系初始浓度的增加,两相中葡聚糖的分子量差异变大.定量体积排除色谱可以准确得到高分子双水相系统的相平衡数据及两相中2组分的分子量和分子量分布信息,其结果不仅为深入理解葡聚糖-聚乙二醇-水三元溶液的相平衡提供基础,而且为双水相系统在萃取分离中的应用提供理论指导.     

基于反贝叶斯学习的WDMS光谱自动识别研究

天体光谱是天体物理学重要的研究对象,通过光谱可以获取天体的许多物理、化学参数如有效温度、金属丰度、表面重力加速度和视向速度等。白矮主序双星是一类致密的双星系统,对研究致密双星的演化特别是公共包层的演化有着重要的意义。国内外的大型巡天望远镜如美国斯隆望远镜以及中国的郭守敬望远镜,每天都产生大量光谱数据。如此海量的光谱数据无法完全用人工进行分析。因此,使用机器学习方法从海量的天体光谱中自动搜索白矮主序双星光谱,有着非常现实的意义。目前的光谱自动识别方法主要通过对已有的标签样本进行分析,通过训练得到分类器,再对未知目标进行识别。这类方法对样本的数量有明确的要求。白矮主序双星的实测光谱数量有限。若要通过有限的样本集准确学习白矮主序双星的光谱特征,不仅需要扩大样本数量,还需要提高特征提取和分类算法的精度。在前期工作中,通过机器学习等方法在海量巡天数据中识别了一批白矮主序双星的光谱,为该实验提供了数据源。使用对抗神经网络生成新的白矮主序双星光谱,扩大训练数据量至原数据集约两倍的数量,增强了分类模型的泛化能力。通过反贝叶斯学习修正损失函数,将损失函数的大小与样本的方差相关联,抑制了异常数据对模型造成的影响,提升了模型的鲁棒性,解决了由于训练样本集偏差带来的梯度消失以及训练陷入局部最优解等问题。该实验基于Tensorflow深度学习库。使用Tensorflow搭建的生成对抗网络具有较好的鲁棒性,并且封装了内部实现细节,使得算法得以更好地实现。除此之外,由Tensorflow搭建的卷积神经网络在该实验中用于分类准确度测试。实验结果表明,二维卷积神经网络能够利用卷积核有效地提取白矮主序双星的卷积特征并进行分类。基于反贝叶斯学习策略的卷积神经网络分类器在白矮主序双星原始数据及对抗神经网络生成光谱的识别任务中达到了约98.3%的准确率。该方法也可用于在巡天望远镜的海量光谱中搜索其他特殊和稀少天体如激变变星、超新星等。