基于冗余链路的无尺度网络拓扑结构优化研究

目前,随着规模的不断扩大,很多网络呈现出了“无尺度”的特性。然而,无尺度网络有其特有的脆弱性,如果网络的集散节点遭到攻击,网络将很容易崩溃。文中提出了基于冗余链路的无尺度网络拓扑结构优化算法,将集散节点的邻接网络构造成环形立交结构,保证剩余网络节点间的通信。仿真结果表明,该算法能够较好地提升网络的抗攻击能力。     

一种基于卷积神经网络的恒星光谱快速分类法

恒星光谱数据的分类是天体光谱自动识别的最基本任务之一,光谱分类的研究能够为恒星的演化提供线索。随着科技的发展,天文数据也向大数据时代迈进,需要处理的恒星光谱数量越来越多,如何对其进行自动而精准地分类成为了天文学家要解决的难题之一。当前恒星光谱自动分类问题的解决方法相对较少,为此本文使用了一种基于卷积神经网络的方法对恒星光谱MK系统进行分类。该网络由数据输入层、四个卷积层、四个池化层、全连接层、输出层构成,与传统网络相比具有局部感知、参数共享等优点实验。在Python3.5的环境下编程,利用Tensorflow构建了一个简单高效的具有四个卷积层的卷积神经网络,并将Dropout作用于全连接层之后以防止过度拟合。Dropout的基本思想：当网络模型进行训练时,把一些神经网络节点按一定的比例丢弃,使其暂时不发挥作用。Dropout可以理解成是一种十分高效的神经网络模型平均方法,由于它不依赖于某些局部特征所以能够让网络模型更加鲁棒。实验中使用的一维恒星光谱图是取自LAMOST DR3数据库,首先进行预处理截取光谱3 600~7 300 Å的部分,均匀采样后使用min-max标准化法对其进行初始化。实验包括两部分：第一部分为依据恒星光谱MK系统对光谱进行分类,每一类的训练样本包含1 000条光谱数据,测试样本为400条光谱数据,首先通过训练样本对CNN网络进行训练,进行3 000次的迭代,用训练后的网络将测试样本进行分类以验证网络的准确性;第二部分为相邻两类的恒星光谱的分类,其中O型星数据集样本为250条光谱,其余类别恒星样本数据集均为4 000条光谱,将数据5等分,每次选取当中的一份当作测试集,其余部分当作训练集,采用5折交叉验证法求得模型准确率,用BP神经网络进行对比实验。选择对网络模型进行评估的指标包括精确率P、召回率R、F-score、准确率A。实验结果显示CNN在对六类恒星光谱进行分类时其准确率都在95%以上,在对相邻类别的恒星进行分类时,由于O型星样本量较少,所以得到的分类结果不太理想,对其余类别的恒星分类准确率都高于98%,以上结果都证明了CNN算法能够很好地解决恒星光谱的分类问题。     

Halopentacenes: Promising Candidates for Organic Semiconductors

We introduce polar substituents such as F, C1, Br into pentacene to enhance the dissolubility in common organic solvents while retaining the high charge-carrier mobilities of pentacene. Geometric structures, dipole moments, frontier molecule orbits, ionization potentials and electron affinities, as well as reorganization energies of those molecules, and of pentacene for comparison, are successively calculated by density functional theory. The results indicate that haiopentacenes have rather small reorganization energies （〈 0.2 eV）, and when the substituents are in position 2 or positions 2 and 9, they are polarity molecules. Thus we conjecture that they can easily be dissolved in common organic solvents, and are promising candidates for organic semiconductors.     

相对论密度泛函研究YSin± (n=1-6)离子团簇

运用广义梯度近似的相对论密度泛函方法对带电荷的YSin±(n=1-6)团簇的几何结构、稳定性、电子和成键特性进行了系统的研究. 与相应的中性YSin团簇相比,除了YSi4+和YSi5+之外,YSin±团簇基本都保持了YSin中性团簇的结构框架,这与对垂直和绝热电离能的分析结果本质上是一致的;同时,大多数离子团簇的稳定性都有明显增强,其中YSin±(n=2和5)团簇比其相邻团簇的稳定性更强. 电荷布局分析表明电荷将对Y与Sin框架之间的电荷转椅量有明显影响. HOMO-LUMO能隙研究表明：带电的YSin团簇比其中性团簇的化学稳定性更强.     

高效液相色谱-串联质谱法同时测定供港生猪尿液中29种限用兽药残留

建立了高效液相色谱-串联质谱(HPLC-MS/MS)同时测定生猪尿液中喹诺酮类、磺胺类、磺胺增效剂、四环素类、林可胺类、大环内脂共29种限用兽药残留量的检测方法。试样经乙酸铵和EDTA-Na缓冲液提取,HLB固相萃取小柱净化后,HPLC-MS/MS进行测定,其中β-受体激动剂类用内标法定量,其余兽药用外标法定量。在电喷雾电离正离子模式下,以多反应监测(MRM)方式采集数据进行定性与定量分析。29种兽药在猪尿基质中标准曲线的线性系数(r)均大于0.99,3个不同加标水平下的平均回收率为58%~108%,日内相对标准偏差(RSD)为1.9%~18.9%,日间RSD为3.4%~20.9%;定量下限(LOQ,S/N≥10)为1.0~10.0μg/L。该方法经济、高效、可靠,可用于生猪屠宰前兽药多残留的快速检测。     

基于变化周期和事件驱动的云计算资源监测模型

云计算环境下的资源监测是云计算平台资源管理的重要组成部分,为资源分配、任务调度和负载均衡等提供了依据.根据云计算资源的特性,本文提出的资源监测模型结合了动态周期和事件驱动监测,具有良好的时效性、健壮性、松散耦合性以及可扩展性.该模型能够实时收集资源监测信息以及发现云计算中的故障,满足云计算平台特性需求.     

Nb_2Si_n~-(n=1～6)团簇的几何构型、电子性质和磁性的理论研究

运用密度泛函方法在(U)B3LYP/LanL2DZ水平上研究了Nb2Sin-(n=1~6)团簇的几何结构和电子性质.结果发现Nb2Sin-(n=1~6)团簇只是在相应的Nb2Sin团簇的结构基础上发生了微小畸变.其中Nb2Si-6团簇结构变化较为严重.对平均束缚能和分裂能的研究发现,Nb2Sin-(n=1~6)团簇的平均束缚能和分裂能均明显高于相应的Nb2Sin团簇,表明增加一个电子可以提高Nb2Sin(n=1~6)团簇的稳定性.通过对最低能构型的分裂能的研究发现,Nb2Si-3团簇和Nb2Si3团簇分别是Nb2Sin-和Nb2Sin(n=1~6)团簇中所有最低能构型中最稳定的.对电荷自然布局的研究发现,在Nb2Sin-(n=1~6)团簇中出现了电子反转.而对于Nb2Sin(n=1~6)团簇,当n=4~6时出现电子反转现象,n=1~2时电子转移符合常规.对HOMO-LUMO能隙的研究结果表明,除了n=1,6外,其余Nb2Sin-(n=2~5)团簇最低能结构的HOMO-LUMO能隙均小于相应的Nb2Sin团簇,说明在这些团簇中增加一个电子增强了团簇的化学活性,但是当n=1、6时增加一个电子,该团簇的化学活性反而降低了.对于Nb2Sin-(n=1~6)团簇来讲,Nb2Si-2和Nb2Si-5团簇分别成为Nb2Sin-(n=1~6)团簇中化学稳定性最强和化学活性最强的.且Nb2Sin-(n=1~6)团簇呈现半导体属性.对磁矩的研究结果表明,Nb2Sin-(n=1~6)团簇的最低能结构的总磁矩均为1.00μB,两个Nb原子的局域磁矩方向,除了Nb2Si5-团簇有一个铌原子与总磁矩相反外,其余均与总磁矩方向相同.说明各团簇中两个铌原子和硅原子对磁矩的贡献不同,方向也不完全相同.     

莪术醇在Woodward-Prévost反应条件下的产物研究

莪术醇分子中含有末端双键,将其置于Woodward-Prévost反应条件下,并未获得α-碘代乙酸酯、双乙酸酯、羟基乙酸酯等衍生物,而得到几个不同产物A～C.产物A～C通过质谱、核磁共振和X衍射分析确证结构,并对产物产生的可能过程进行了讨论.     

食品中痕量危害物分析过程污染的来源和控制

食品中危害物分析日趋痕量化,痕量化学分析因其敏感而易受外部环境的影响发生过程污染。通过对食品中痕量危害物检测过程污染实际案例的分析,发现污染的发生主要来自于实验环境、器具、试剂和过程控制等。探讨建立人员培训,方法学考查,实验环境和实验全过程控制等预防食品中痕量危害物化学分析过程污染的制度,并以此提高食品安全分析实验室检测过程预防污染的水平。