乙腈溶剂中芳酰基硫脲对F~-识别作用的理论研究

采用混合密度泛函B3LYP方法,在6-31G**水平上和URHF溶剂半径中优化乙腈溶剂中四种芳酰基硫脲及其氟离子复合物的几何构型,从几何结构参数、电荷布居、前线轨道、结合能以及热力学参数等角度探讨复合物形成过程中主客体间的相互作用,结果表明,芳酰基硫脲在乙腈溶液中识别氟离子是一个自发过程,识别作用主要是硫脲氮氢与氟离子的氢键作用。受体分子识别氟离子能力与取代基密切相关,以N-对硝基苯基-N’-对硝基苯甲酰基硫脲氟离子复合物最稳定。在基态结构的基础上用相同的理论水平计算了乙腈溶剂中四种受体分子及氟离子复合物的电子吸收光谱。结果表明,有取代基的芳酰基硫脲识别氟离子后的光谱行为变化大,有利于使用比色法检测阴离子。光谱理论计算值很好地反映了实测值,这为实验室开展工作提供了依据。     

高效液相色谱手性固定相法拆分BETTI碱及其衍生物对映体

在纤维素三（3,5-二甲基苯基氨基甲酸酯）（Chiralcel OD-H）和Pirkle型(R, R)-Whelk-O1手性柱上对手性氨基酚1-(α-氨基苄基)-2-萘酚（Betti 碱）及其衍生物1-(α-苄氨基苄基)-2-萘酚和1-(α-哌啶基苄基)-2-萘酚对映体分离进行了研究，分别考察了在正己烷流动相中，碱性添加剂、醇类添加剂的种类和浓度对手性拆分的影响。结果表明：溶质在Chiralcel OD-H柱上的分离效果好，而在(R, R)-Whelk-O1手性柱上只有1-(α-苄氨基苄基)-2-萘酚部分分离。研究了空间立体结构因素对手性分离的影响，初步探讨和比较了溶质在这2种手性柱上的手性识别机理。发现对(R, R)-Whelk-O1柱，溶质与固定相之间的吸引作用很小，而对于Chiralcel OD-H柱，溶质在手性空腔中的空间适应性很可能是手性识别的关键。     

鲁棒稀疏重构问题的凝聚同伦算法

鲁棒稀疏重构问题是信号处理领域的重要问题,该问题的数学本质是一个NP难的数学优化问题.同伦算法是一类典型的路径跟踪算法,该算法是解非线性问题的一类成熟算法,具有全局收敛性,且易于并行实现.本文考虑同伦算法在鲁棒稀疏重构问题中的数值求解.基于l_∞范数及罚函数策略,我们首先将原始的基于l_0范数的最优化模型,转化为含参数的无约束极大极小值问题,进而构造凝聚函数光滑化模型中的极大值函数,并构造凝聚同伦算法数值求解.数值仿真实验验证了新方法的有效性,为大规模鲁棒重构问题的并行化数值求解奠定基础.     

RP-HPLC法检测发酵液中赤霉素GA4,GA7的含量

建立了反相高效液相色谱法(RP-HPLC)测定发酵液中赤霉素GA4,GA7的方法。探讨了流动相缓冲盐与甲醇的比例、缓冲盐pH、温度、流速等对两种赤霉素分离的影响,结果表明在Kromasil C18(250 mm×4.6 mm,5μm)色谱柱下,以V(甲醇):V(pH3.0,0.05 mol/L KH2PO4)=60:40为流动相,柱温35℃,流速1.0 mL/min,检测波长228nm,进样量20μL,分离度良好。GA4,GA7标准品质量浓度分别在0.1~8.0 mg/mL,0.1~3.0 mg/mL范围内线性关系良好,线性回归方程为Y4=1.58878+7.06978X4,Y7=0.48281+7.12931X7;GA4,GA7检出限分别为19.6,14.3μg/mL,平均加标回收率分别为98.8%,99.9%,相对标准偏差RSD分别为1.5%,0.34%。     

柠檬酸辅助可控制备花状银粒子及其表面增强拉曼散射性能

以抗坏血酸为还原剂,柠檬酸为结构导向剂,一步还原硝酸银,合成了尺寸和形状可调的花状银颗粒。纳米粒子的粒径可在600～1 200 nm范围内调整,表面突起可达到10～25 nm。柠檬酸的化学性质在银纳米粒子合成多级花状银结构的过程中起着至关重要的作用。通过改变柠檬酸或抗坏血酸溶液的用量,银结构的各向异性形貌可以很容易地调节。以制备的多级花状银颗粒作为表面增强拉曼散射(SERS)基底,对浓度为10~(-10)mol·L~(-1)的罗丹明6G(R6G)仍具有较高的检测灵敏度。     

Adaptive multitrack reconstruction for particle trajectories based on fuzzy c-regression models

In this paper, an approach to straight and circle track reconstruction is presented, which is suitable for particle trajectories in an homogenous magnetic field (or 0 T) or Cherenkov rings. The method is based on fuzzy c-regression models, where the number of the models stands for the track number. The approximate number of tracks and a rough evaluation of the track parameters given by Hough transform are used to initiate the fuzzy c-regression models. The technique effectively represents a merger between track candidates finding and parameters fitting. The performance of this approach is tested by some simulated data under various scenarios. Results show that this technique is robust and could provide very accurate results efficiently.