利用EGEE网格系统寻找对抗禽流感的药物

 亚洲和欧洲的实验室通力协作,利用科学电子化整合计划(EnableGridforE-science,EGEE)网格系统分析了30万种可能对抗禽流感病毒H5N1的药物成分,目的是寻找有效抑制禽流感病毒表面酶(即神经氨酸酶N1亚型)活性的成分。用网格系统确定最适于进行生物试验的成分,将加快药物的研制速度。这次计算机模拟开发新药的一个挑战,是确定能够与病毒活性位点对接以抑制其活动的分子。在4月的4个星期里,科学家利用2000台计算机(相当于1台计算机100年的运算量)研究了30万种对抗A型流感病毒神经氨酸酶8种结构的成分的分子对接,关系数据库中产生并存储了数据总量为600GB的6万多个文件。     

汽油车挥发性有机物排放特性的研究

在转鼓试验台架上对一台排放符合欧Ⅲ法规的汽油车挥发性有机物(VOCs)的排放特性进行了研究,汽车运行工况按照欧Ⅲ测试循环(NEDC)进行.取样点分布于催化器前后,总挥发性有机物通过AWA4000排放系统测量,同时使用大气采样罐对排气取样,并采用气相色谱-质谱联用仪(GC/MS)按照美国环保局(EPA)推荐的TO-14/TO-15方法,对VOC组分进行了成分分析.研究结果表明,冷起动工况是VOC排放最恶劣的阶段,前40s的排放量占全部测试循环(1180s)的28.81%,其中对大气质量影响较大的芳香烃含量很高,主要成分为甲苯、二甲苯和三甲苯,冷起动阶段其浓度分别高达12.4mg/m3、10.5mg/m3和8.7mg/m3.     

基于三维荧光光谱和四元数主成分分析的食醋品牌溯源研究

提出基于四元数主成分分析的三维荧光光谱特征提取新方法,并将其运用于品牌食醋溯源研究。首先利用F7000荧光光谱仪测得不同品牌食醋样本的三维荧光光谱数据,获取样本的等高线图和三维投影图,并进行三维荧光等高线图分析;然后利用激发波长分别为380,360和400 nm下的发射光谱数据建立食醋三维荧光光谱数据的四元数并行表示模型,对四元数荧光光谱矩阵进行四元数主成分特征提取,并基于乘积运算、模值运算和求和运算三种方法对提取出来的四元数主成分特征进行特征融合;最后将融合特征作为K近邻分类器的输入,得到不同食醋品牌的最优分类模型。分别讨论三种不同特征融合方法和四元数主成分个数与最终模型分类正确率之间的关系。针对四个不同食醋品牌120个样本的分析结果可得：基于求和特征融合运算所得到的融合特征可以利用最少的特征数目,建立最优的溯源模型,样本预测集溯源正确率可达100%。研究结果表明：四元数主成分特征提取和特征融合方法能够并行表示三维荧光光谱数据所蕴含的丰富信息,为三维荧光光谱数据分析提供新思路。     

DPLS和SVM的掺假花椒粉近红外光谱定性鉴别

花椒是我国的八大调味料之一。目前花椒市场掺假现象较为多见,为实现掺假花椒粉的快速定性鉴别,采用了近红外光谱结合化学计量学方法进行了探讨。将麦麸粉、稻糠粉、玉米粉和松香粉以1 Wt/Wt.%的递增梯度分别掺入红花椒粉和青花椒粉中,制备掺假浓度范围为1~54 Wt/Wt.%的掺假花椒粉样品,以掺假花椒粉和纯花椒粉共462份样品依次采集其800~2 500 nm范围的漫反射近红外光谱。采用主成分分析法(PCA)对光谱数据进行分析,前3个主成分累计贡献率达98.72%,做出的得分图表明PCA法对掺假的花椒粉具有较好的区域划分。347份样本作为校正集,以特征谱区2 000~2 200 nm范围的257个采样点的光谱信号作为输入,采用判别偏最小二乘法(DPLS)和支持向量机(SVM)建立定性鉴别模型,经不同光谱预处理,对115份验证集样本进行预测,总体鉴别正确率在97.39%~100%之间,表明该方法是快速定性鉴别掺假花椒粉的一个有效手段。     

基于油液原子光谱多维时间序列模型的机械磨损状态监测研究

提出了一种利用润滑油原子光谱分析技术对机械磨损状态进行监测的新方法。对磨合期润滑油原子光谱数据建立多维时间序列模型并视为标准模型,将新数据通过此模型后得到残差并选择残差方差阵元素作为新数据所属磨损状态的特征。然后,利用主成分分析法对高维特征进行降维,提取前三个主成分构成对应磨损状态的特征向量。最后,利用欧式距离度量对测试样本进行分类,达到了对机械磨损状态识别的目的。利用上述方法,通过对某型履带车辆发动机台架实验的光谱数据进行分析,对发动机磨损状态进行了有效识别,从而证明了所提方法的有效性。结果表明,将多维时间序列模型引入油液光谱分析技术,能够实现光谱信息的有效融合,提高机械磨损状态监测的准确性。     

基于主成分分析的光谱重建训练样本选择方法研究

训练样本构成是影响光谱重建精度的一个重要因素,针对学习型光谱重建算法中训练样本选择问题,提出了一种基于主成分分析的训练样本选择方法。为了保证训练样本与重建样本的相似度,首先根据欧式距离最小原则从待选样本集中选择与重建样本相机响应值相似的样本,并去掉其中的重复样本;然后进行主成分分析;设定阈值筛选各主成分系数较大的样本作为训练样本,最后得到与主成分个数相同的训练样本子集。为验证该方法的有效性,通过在镜头前加载宽带滤色片搭建多通道图像获取系统采集多通道图像信息,将得到的各样本子集用作训练样本,利用伪逆法重建光谱信息,最后将重建的光谱精度与常用的训练样本及训练样本选择方法得到的重建光谱精度进行比较。实验结果表明：提出的方法显著提高了光谱重建的色度精度和光谱精度,优于常用的样本选择方法,能较大程度满足高精度颜色复制要求。     

脉冲等离子体推力器等离子体羽流的光谱研究

脉冲等离子体推力器(pulsed plasma thruster, PPT)具有体积小、重量轻、比冲高等优点,特别适合作为执行微小卫星轨道转移、阻力补偿和姿态控制等任务的推进系统。为了深入理解PPT推力产生的机理,本文对采用具有张角的舌型极板的尾部馈送式PPT等离子体羽流开展了时空分辨光谱诊断研究。通过对光谱数据的分析发现： 等离子体羽流的主要成分为C,F,C+,F+,C2+,还含有少量的由于极板烧蚀产生的Cu+和Cu2+;等离子体在放电通道内的分布不均匀,通道中心的等离子体浓度最大,靠近阳极板的等离子浓度要明显大于靠近阴极板的等离子体浓度;在不同位置处等离子体成分也具有较大差别,F+和中性粒子主要分布在靠近阳极侧的区域;通过对各个分立谱线进行多普勒线性拟合,得到了放电通道内等离子体温度信息;以中轴线靠近工质的观测点为例,对该点在整个放电过程中不同时刻的谱线进行分析,得到了该点等离子体的具体演化过程,发现在放电的不同阶段羽流成分及各组分所占比例差别较大。     

不同采收期滇龙胆的红外光谱鉴别研究

采收是中药生产的重要环节,采收时间直接影响中药质量和产量,是中医临床安全有效用药的前提,开展中药适时采收期的研究具有重要意义和应用价值。采用傅里叶变换红外光谱法对72份不同采收期的滇龙胆进行鉴别研究,用TQ8.0软件对原始光谱进行一阶导数(first derivative,FD)、二阶导数(second derivative,SD)、标准正态变量(standard normal variate,SNV)、多元散射校正(multiplicative scatter correction,MSC)和平滑(savitaky-golay filter,SG)预处理,样品按3∶1分为校正集和预测集,同时建立主成分分析(principal component analysis,PCA)和偏最小二乘判别分析(partial least square discriminant analysis,PLS-DA)模型。结果显示,选取1 800~600cm~(-1)波段范围的光谱,去除光谱噪音;SNV结合二阶导数光谱和SG(15,3)平滑,预处理结果满意。主成分分析表明,前三个主成分方差贡献率为92.47%,5月、9月和10月份采收的样品差异较小。偏最小二乘判别分析建立判别模型,决定系数R2和校正均方根误差(RMSEE)分别为0.967 8和0.086 0,可对18个预测集样品进行准确分类。红外光谱法结合主成分分析、偏最小二乘判别分析对不同采收期滇龙胆的分类和判别效果较好,为不同采收期的中药鉴别提供理论依据。     

福建寿山黑田与坑头黑的谱学与矿物学研究

寿山石是我国国石候选石之一,也是四大图章石之首。寿山石中黑田为黑色田黄石,是田黄中的特殊品种,产于寿山溪两旁的田地中。母源区坑头占的位置产有黑色坑头石。本文将黑田与母源区的黑色坑头石(坑头黑)进行对比研究,采用X射线粉晶衍射(XRD)、红外吸收光谱(IR)、激光剥蚀等离子质谱仪(LA-ICP-MS)和扫描电镜(SEM)对它们的矿物成分、红外吸收峰特征、颜色成因以及矿物的微区形貌特征进行对比研究。测试结果显示,黑田与坑头黑的矿物成分不同,红外光谱和X射线粉晶衍射分析表明坑头黑以地开石为主;另外,X射线粉晶衍射分析表明坑头黑中可含有杂质矿物如叶蜡石、伊利石、黄铁矿和石英。而红外光谱和X射线粉晶衍射分析表明黑田的主要成分为地开石或者珍珠陶石;另外,X射线粉晶衍射分析表明黑田中含有少量的硫磷铝锶矿和镁硫铁矿。黑田与坑头黑的矿物微形貌也存在差异,黑田矿物晶粒大小不一致、片状晶体颗粒边缘圆化,说明黑田中矿物晶体曾遭受过水岩反应的溶蚀改造作用。而坑头黑中地开石结晶程度良好,晶粒呈片状,边棱尖锐,晶体颗粒大小较为一致,说明坑头黑为原生矿。根据LA-ICP-MS微量化学成分分析测试,初步认为黑田与坑头黑的黑色皆与Fe元素致色有关,该结论有待进一步测试研究。     

基于太赫兹时域光谱技术与PCA-BPN网络的转基因大豆鉴别

基于太赫兹波段内的光谱分析技术以及主成分特性分析与反向前馈神经网络建模,提出了一种转基因大豆鉴别方法.从光谱数据中提取累计方差贡献率达到97.582％的前8种主成分因子,并将其作为输入源导入神经网络模型,通过剔除冗余数据、降低数据维数,所建立的神经网络模型能准确识别校验集.该方法可以实现转基因大豆的快速、无损检测,在农业安全领域有广泛的应用前景.