细胞色素P450酶催化的烷烃选择性羟化

碳氢键选择氧化是合成化学领域的重要课题,其中烷烃选择性羟化反应更是面临着化学选择性、区域选择性和立体选择性等多重挑战.细胞色素P450酶广泛分布于动植物和微生物体内,是公认的多功能生物氧化催化剂. P450酶对惰性C—H键的选择性氧化具有独特优势,在催化烷烃选择性羟化反应方面拥有巨大潜力.本综述简述了P450单加氧酶及其催化烷烃选择性羟化的反应机理,梳理了来自CYP153家族、CYP52家族和其他家族的天然P450酶催化各类烷烃底物的氧化反应和选择性,讨论了理性设计和定向进化策略在开发烷烃羟化P450突变酶过程中的经典案例,介绍了底物工程、诱饵分子、双功能小分子协同催化等几种化学活化P450酶的策略及其在烷烃羟化上的应用,探讨了P450酶在烷烃选择性羟化方面所面临的挑战和解决途径,并展望了其应用前景.     

细胞色素c在自组装纳米膜电极上的有效固定及直接电化学

采用自组装方法将壳聚糖-纳米金(Chi-Nano Au)修饰到金(Au)电极上,并经进一步自组装细胞色素c(Cyt c),制得自组装膜电极Cyt c/Chi-Nano Au/Au.测定了自组装膜电极的循环伏安曲线(CV)及稳定性.结果表明,利用自组装膜电极Chi-Nano Au/Au可以有效地固定Cyt c,并实现直接电子转移反应.Cyt c在0.13～0.28V(vs Ag/AgCl)之间显示一对明显的可逆氧化还原峰;峰电流与扫描速度呈现良好的线性关系,线性方程为Ipc=0.063 64+0.003 51υ,线性相关系数为r=0.997 2,这表明该电极过程受吸附控制.此外,所制备的膜电极稳定性良好.     

基于EMD-GA-BP与EMD-PSO-LSSVM的中国碳市场价格预测

由于碳交易市场价格的波动性大及相互影响关系的复杂性,本文试图构建碳价格长期和短期的最优预测模型。考虑到碳交易价格波动的趋势性和周期性特点,基于经验模态分解算法(EMD)、遗传算法(GA)—神经网络(BP)模型、粒子群算法(PSO)—最小二乘支持向量机(LSSVM)模型及由它们构建的组合预测模型,对中国碳市场交易价格进行短期预测和长期预测。实证分析中将影响碳交易价格的不同宏观经济因素和碳价格时间序列因素做为输入变量,分别代入组合模型进行预测。研究结果表明,在短期预测中,EMD-GA-BP模型预测效果优于GA-BP模型和PSO-LSSVM模型;而在长期预测中,组合模型EMD-PSO-LSSVM模型预测效果优于只考虑碳价格波动趋势性或周期性预测效果。     

基于辛格式的深度哈密尔顿神经网络

HNN是一类基于物理先验学习哈密尔顿系统的神经网络.本文通过误差分析解释使用不同积分器作为超参数对HNN的影响.如果我们把网络目标定义为在任意训练集上损失为零的映射,那么传统的积分器无法保证HNN存在网络目标.我们引进反修正方程,并严格证明基于辛格式的HNN具有网络目标,且它与原哈密尔顿量之差依赖于数值格式的精度.数值实验表明,由辛HNN得到的哈密尔顿系统的相流不能精确保持原哈密尔顿量,但保持网络目标;网络目标在训练集、测试集上的损失远小于原哈密尔顿量的损失;在预测问题上辛HNN较非辛HNN具备更强大的泛化能力和更高的精度.因此,辛格式对于HNN是至关重要的.     

基于爆炸切割试验的有机玻璃本构模型参数反演

为了获取爆炸切割数值模拟中有机玻璃（PMMA）的材料本构模型参数,建立了一种基于神经网络的有机玻璃Johnson Holmquist ceramics (JH-2)本构模型参数反演方法：基于从爆炸切割试验和现有研究得到的JH-2本构模型经验参数,确定本构模型参数的调整区间;使用LS-DYNA数值模拟软件对2.5 mm宽爆炸切割索切割14 mm PMMA平板过程进行数值模拟并收集平板损伤数据集;建立PMMA平板本构模型参数与损伤数据之间的神经网络模型;通过训练完成的神经网络模型对PMMA平板的JH-2本构模型参数进行反演。为验证通过反演参数的可靠性,进行了4.2 mm宽爆炸切割索切割19 mm PMMA平板试验和有限元数值模拟,计算结果中的平板损伤情况与实验结果相差较小,表明通过反演获得的JH-2本构模型参数能较好地应用于PMMA平板爆炸切割数值模拟。传统材料参数获取方法,该参数反演方法相较于可以通过较少的试验及测试,获得比较准确的材料本构模型参数。     

带惩罚项与随机输入的BP神经网络在线梯度学习算法的收敛性

本文对三层BP神经网络中带有惩罚项的在线梯度学习算法的收敛性问题进行了研究,在网络训练每一轮开始执行之前,对训练样本随机进行重排,以使网络学习更容易跳出局部极小,文中给出了误差函数的单调性定理以及该算法的弱收敛和强收敛性定理。     

农户信用评估系统的设计与运用研究

农户信用评估的研究对推动农村消费信用的发展，促进农村经济良好运行十分重要。本在构造农户信用评估的指标体系的基础上，提出了农户信用评估神经网络模型的算法，利用实际搜集到的农户资料进一步建立了农户信用评估模型，继而构造了农户信用评估系统，并举例说明了该系统的实际运用，以期能为农村经济发展中的农户信用评价及相关研究提供一丝基础性启发。     

聚[(甲氧基乙氧基乙氧基)1.0(乙氧基吡咯烷酮)1.0]膦腈的合成及性能研究

用三氯化铝催化六氯三聚膦腈开环聚合制得线性聚二氯膦腈(PDCP), 通过PDCP磷原子上的亲核取代反应, 合成了新的水溶性高分子聚[(甲氧基乙氧基乙氧基)_1.0(乙氧基吡咯烷酮)_1.0]膦腈(P3), 用³¹P NMR, ¹H NMR, ¹³C NMR和IR对其结构进行了确证, 用DSC测定了其玻璃化转变温度T_g和熔融温度T_m, 用蒸汽压渗透法(VPO)测定了其数均分子量. 改进了聚二(乙氧基吡咯烷酮)膦腈(P2)的合成方法. 体外降解实验表明, P3具有和P2类似的pH响应性降解行为, 降解速率在pH=5.0时最快, 而在pH=7.4和8.0时较慢. P3在所测试的3个pH缓冲溶液中均比P2降解慢. 用³¹P NMR、薄层色谱(TLC)和滴定法对降解产物进行了检测, 初步推断了P3在不同pH介质中的水解机理, 其在pH=5.0的缓冲溶液中的降解, 除侧链断裂外, 聚膦腈的骨架也裂解; 而在pH=7.4和8.0时的降解仅为侧链的断裂. 用噻唑蓝(MTT)比色法进行的体外细胞毒性评价实验表明, P3及其在pH=5.0的缓冲溶液中降解49 d后的产物均对细胞表现出了很好的生物相容性, 而且其降解产物在浓度为800 μg/mL时还表现出一定的促进细胞增殖作用.     

基于多尺度学习与深度卷积神经网络的遥感图像土地利用分类

土地利用信息是国土资源管理的基础和重要依据,随着高分辨率遥感图像数据的日益增多,迫切需要快速准确的土地利用分类方法。目前应用较广的面向对象的分类方法对空间特征的利用尚不够充分,在特征选择上存在一定的局限性。为此,提出一种基于多尺度学习与深度卷积神经网络（deep convolutional neural network,DCNN）的多尺度神经网络（multi-scale neural network,MSNet）模型,基于残差网络构建了100层编码网络,通过并行输入实现输入图像的多尺度学习,利用膨胀卷积实现特征图像的多尺度学习,设计了一种端到端的分类网络。以浙江省0.5 m分辨率的光学航空遥感图像为数据源进行了实验,总体分类精度达91.97%,并将其与传统全卷积网络（fully convolutional networks,FCN）方法和基于支持向量机（support vector machine,SVM）的面向对象方法进行了对比,结果表明,本文所提方法分类精度更高,分类结果整体性更强。     

神经网络和Eu^2＋离子在复合氟化物基体中跃迁发射的研究

运用人工神经网法对复合氟化物中Ｅｕ＾＋离子光谱结构进行了分类研究，对神经网络的基本特征进行了观察。实验表明，神经网的结构、初始权重以及作为训练集和预测集的随枘发组对最终结果都会产生重要影响。本研究采用测试集来监控训练过程，以避免“过训练”，并提高神经网的预测性能。