两步亲和层析纯化限制性核酸内切酶Bsp 63Ⅰ

以Ｂａｃｉｌｌｕｓ ｓｐｈａｅｒｉｃｕｓ６３为材料,采用ＤＮＡ－Ｓｅｐｈａｒｏｓｅ４Ｂ和ＣｉｂａｃｒｏｎＢｌｕｅＦ３ＧＡ－Ｓｅｐｈａｒｏｓｅ４Ｂ两步亲和层析,分离纯化得到电泳均一纯限制性核酸内切酶Ｂｓｐ６３Ⅰ。酶的得率约为１３０单位／ｇ湿菌,比活力高达６１４００单位／ｍｇ蛋白。还报道了ＤＮＡ－Ｓｐｅｈａｒｏｓｅ４Ｂ两种亲和吸附剂制作方法的改进。     

基于协处理器的无线传感器网络MAC设计

提出了一种基于协处理器的媒介访问控制(MAC)体系结构.将不同MAC协议的信道争用机制映射为协处理器内部的软件程序.其特点是兼容IEEE802.15.4协议,利用可编程协处理器增强MAC的可重用性,能支持自适应睡眠媒介访问挖制(S-MAC)、超时媒介访问控制(T-MAC)等无线传感器网络MAC协议.阐述了基于协处理器实现避免冲突的载波侦听多路访问(CSMA-CA)算法、S-MAC和T-MAC协议的方法.并在此基础上分析了CSMA-CA算法的软件时延.在现场可编程门阵列(FPGA)上实现整个MAC,实际测试结果表明:该MAC支持多协议,数据传输速率达20～250 Kbit/s,适应IEEE802.15.4协议要求.面积仅为30 567个等效门.     

土坡失稳模式及整体可靠性分析

以非线性有限元理论和可靠度理论为基础 ,根据土体材料的特性编制了非线性随机有限元程序 .与可靠度计算程序结合使用 ,得出应力、应力水平、抗剪强度可靠指标的等值线图 ,从而分析土坡稳定的安全系数和可靠指标 .采用降低c和tanφ值的思路得出土坡稳定的安全储备系数 ,并与定值方法指标进行比较 .     

基于GraphSage节点度重要性聚合的网络节点分类研究

传统的图嵌入算法及图神经网络模型在对网络节点分类时仅使用了节点本身的属性信息或者特征信息,很少使用节点在网络中的结构信息。如何在图神经网络聚合时引入节点网络结构信息来提升分类准确性也是一个值得深入研究的问题。因此,在GraphSage模型的基础上,根据网络中节点度及节点重要性设计了新的聚合函数并提出了GraphSage-Degree模型。首先,模型根据节点度获得节点在邻域中的重要性,然后再以重要性为依据来聚合节点的特征,使得网络中重要的节点能够尽可能的聚合更多的特征信息,并且在GraphSage-Degree中设置了一个与节点度有关的超参数D,能够通过调节该参数D使得在不同的数据集上达到最佳分类状态。在Cora、Citeseer和Pubmed 3个公开数据集上进行了测试,GraphSage-Degree与其他方法相比,macro-F1的平均提升值分别为8.72%、10.37%和8.29%,在Pubmed上有最大提升值38.84%;micro-F1的平均提升值分别为8.97%、11.16%和6.9%,在Pubmed上有最大提升值38.39%。     

甲醛自由基及其离子的稳定性

用密度泛函理论B3LYP方法和6-311＋＋G＊＊基函数计算研究甲醛自由基及其离子基态与低激发态的结构与稳定性.结果表明,甲醛自由基双重态和四重态的线性结构不稳定,稳定存在角形CS结构,基态为HCO角形结构,电子态为2A′甲醛自由基离子基态为HCO＋线性结构,电子态为1Σ.     

基于SIMULINK仿真的基础隔震-PTMD混合控制结构的抗震分析

研究顶层设置被动调谐质量阻尼器的基础隔震混合控制结构的抗震性能.建立该混合控制结构的数学模型,应用双线型恢复模型描述橡胶垫隔震层的弹塑性特性.在SIMULINK环境下对混合控制结构进行仿真动力分析.通过具体结构的地震动力的时程反应分析.经仿真分析表明,证实了混合控制制震效果优于单一的被动控制.     

车辆工程学科本科学生劳动技术素质培养的研究

通过对我校车辆工程学科本科学生劳动技术素质培养的教学改革与试验研究,提高了学生动手能力,培养了学生的工程意识和创造能力,为高质量的培养高素质的人才而做了一定的尝试。     

玻璃着色技术讲座 第五讲

<正> 八、玻璃制品的着色各种玻璃制品,往往根据人们的需要着成不同的颜色。但对于某些技术玻璃而言,还要求有特定的光谱性能。例如,某些装药品的安瓿玻璃,要求有吸紫外性能;而做为大型建筑物中的窗玻璃,则要求有一定的吸热本领。当     

在非降损失函数类及其子类下的同时估计

<正> §1 引言在Wald的统计判决理论中,可容许等概念都是针对一个损失函数而言的,但在实际问题中,损失函数往往难以精确地选定,因此,考虑在一类损失函数下估计量是否具有优良性就显得很必要了,在这方面已有不少结果,如[1],[2]等。本文考虑的是,在非降损失函数     

位置参数估计量的损失函数之估计

本文考虑损失函数的估计问题,分别对于球对称分布和均匀分布情形给出了其参数的J-S型估计量的损失之估计,它们满足[1]中提出的条件(Ⅰ)和(Ⅱ).