芳香二磺酸的配位化学研究化合物[Ni(cyclam)(1,5nds)]·1/3H_2O(1)和[Co(cyclam)(H_2O)_2](1,5nds)·2H_2O(2)的合成与结构(英文)

合成了两个二价的过渡金属磺酸化合物,并通过X-射线衍射单晶结构分析进行结构表征。化合物犤Ni(cyclam)(1,5nds)犦·1/3H2O(1)以P2(1)/c空间群结晶,晶胞参数为a=8.583(5),b=10.533(6),c=12.946(7)?,β=92.433(9)°。犤Ni(cyclam)犦2+与两个磺酸基团形成弱配位,从而构筑了一维的配聚物。犤Ni(cyclam)犦2+与磺酸基团之间的作用还通过O2S-O…H-N型氢键进一步被加强。化合物犤Co(cyclam)(H2O)2犦(1,5nds)·2H2O(2)以P1珔空间群结晶,晶胞参数为a=8.738(5),b=9.324(5),c=10.118(5)?,α=81.382(8),β=64.868(8),γ=62.999(8)°。在该化合物中,磺酸基团没有与Co2+形成配位键,而是以平衡离子的形式存在并与配离子形成氢键,构筑了有序的三维结构。     

概率有限自动机的代数性质

研究了概率有限自动机的同态(弱同态)、有效划分等代数性质.首先,提出了完全的、不可约的概率有限自动机,概率有限自动机的并积等概念.然后,讨论了两个概率有限自动机的级联积、圈积、并积的有效划分与其因子的有效划分之间的关系,证明了在一定条件下两个概率有限自动机的级联积(并积)的商概率有限自动机与其因子的商概率有限自动机的级联积(并积)是相等的.最后,得到了概率有限自动机的极大有效划分的一个刻画.     

芳香二磺酸的配位化学研究化合物[Ni(cyclam)(1，5nds)]·1/3H2O (1)和[Co(cyclam)(H2O)2](1，5nds)·2H2O (2)的合成与结构

合成了两个二价的过渡金属磺酸化合物，并通过X-射线衍射单晶结构分析进行结构表征。化合物[Ni(cyclam)(1，5nds)]·1/3H₂O (1)以P2(1)/c空间群结晶，晶胞参数为a=8.583(5)，b=10.533(6)，c=12.946(7)?，β=92.433(9)°。 [Ni(cyclam)]²⁺与两个磺酸基团形成弱配位，从而构筑了一维的配聚物。[Ni(cycla     

烟酰胺合铜固体化合物中的分子间氢键

合成了三个烟酰胺配位的铜(Ⅱ)化合物[Cu(nia)₂(H₂O)₄](bpds) 1,[Cu(nia)₂(H₂O)₄](2,6-nds)·2H₂O 2 和[Cu(nia)₂ (H₂O)₄][Cu(nia)₂(H₂O)₂(1,5-nds)2]·4H₂O 3(nia=烟酰胺,bpds=4,4′-联苯二磺酸,nds=萘二磺酸),并通过X-射线单晶衍射确定了其晶体结构。化合物1～3中的配合阳离子都是四个水和两个烟酰胺配位的铜(Ⅱ)离子,八面体CuO₄N₂具有不同程度的畸变。在化合物3中,阴离子是由Cu(Ⅱ)与两个水、两个烟酰胺和两个磺酸形成的配离子。在1和2中,配合阳离子间由酰胺以头对头的氢键模式相互连结成一维带状结构,再分别通过吡啶环上的C-H与酰胺N或配位水所形成的氢键扩展成二维结构。在3中,配合阳离子间通过配位水和烟酰胺间的氢键连结成一维锯齿状结构。这三个化合物的配合阳离子构成相同,不同的阴离子导致了阳离子间不同模式氢键的形成。     

变量优选补正算法的鲜枣可溶性固形物检测模型传递方法研究

在水果的品质检测和分级分选中,存在不同仪器所建检测模型难以共享的难题。为此,以壶瓶枣为研究对象,利用可见/近红外光谱技术探讨仪器间可溶性固形物含量（SSC）检测模型的传递方法。首先,采用美国ASD（Analytical Spectral Device）公司生产的两台仪器采集样本的光谱信息,采用最小二乘支持向量机（LS-SVM）建立原始光谱、Savitzky-Golay一阶导数处理、标准正态变量变换后的SSC检测模型,预测不同仪器采集的光谱时3种方法的预测能力均较差。预测同一台仪器的光谱时,基于原始光谱的主仪器所建模型最优,预测集的决定系数（R2_p）和均方根误差（RMSEP）分别为0.73和1.36%。在此基础上,采用Kennard/Stone算法选取标样,利用专利算法（Shenk’s）、直接标准化（DS）、斜率/偏差算法（S/B）进行模型传递。然后,根据回归系数提取主仪器（24个）和从仪器（28个）的特征波长,优选出单一变量（SV）24个、共性变量（CV）23个、融合变量（FV）29个,均涵盖了SSC的主要吸收谱带。利用优选的变量分别建立主仪器的LS-SVM检测模型,采用主仪器的预测结果（R2_p=0.78~0.80,RMSEP=1.07%~1.13%）明显好于全波段所建模型,但预测从仪器时RMSEP为6.62%~7.88%,模型失效。最后,基于波长位置偏移和分子振动的吸收特性提出了共性变量优选结合差值补正（CV-MC）、单一变量优选结合差值补正、融合变量优选结合差值补正、共性变量优选结合波长补正算法（CV-WC）进行模型传递,并与SV-Shenk’s,CV-Shenk’s,FV-Shenk’s,SV-DS,CV-DS,FV-DS,SV-S/B,CV-S/B和FV-S/B进行对比分析。结果表明,基于全波段进行模型传递时,预测结果均较差（R2_p=0.03~0.34,RMSEP=2.44%~4.67%）;基于优选变量所建模型经SV-Shenk’s,CV-Shenk’s,FV-Shenk’s传递后的结果较差,经其他算法传递后的结果（R2_p=0.47~0.73,RMSEP=1.30%~1.90%）好于全波段;基于共性变量传递后的结果好于单一变量和融合变量,CV-MC结果最佳（R2_p=0.73,RMSEP=1.30%）,CV-WC传递后的预测结果（RMSEP=1.62%）与CV-DS和CV-S/B相近。研究表明,CV-MC和CV-WC均是一种有效模型传递算法,对建立不同仪器间通用的鲜枣品质检测模型具有重要意义。