未来十年美军投入135亿美元用于光电系统

正据位于美国Newtown的国际预测公司分析,在未来十年,美军将斥资135亿美元用于光电系统和技术,将买进30万套光电系统。国际预测公司在题为"陆基和海洋光电系统市场"的报告中指出,到2022年美军将花费约135亿美元用于光电项目的研究、开发和制造。报告中还提出,在未来10年将生产29.603 6万个光电系统,其中,2013~2017年期间将生产     

基于多因素的卡尔曼滤波模型在滑坡变形预测中的应用

分析了滑坡变形预测模型的研究现状.考虑到滑坡的变形主要受到降雨及温度等因素的影响,建立基于时效分量、降雨分量和温度分量的多因素变形预测模型,然后将基于多因素的变形预测模型的模型参数看作带有动态噪声的状态向量,建立基于多因素的卡尔曼滤波模型,以基于多因素的卡尔曼滤波模型为基础,对滑坡的变形进行预测.由于基于多因素的卡尔曼滤波模型在卡尔曼滤波过程中,模型的参数不断发生变化,从而增强了模型适应观测数据的能力,提高了模型的拟合精度和预测精度.实例计算表明用基于多因素的卡尔曼滤波模型对滑坡的变形进行预测,其预测误差较小,预测效果较为理想.     

利用GM(1,1)模型预测曲线波形

针对给出的函数y=f(x),x∈[a,b],将其值域进行n等分,设yi为其中任一分点,对应x=xi(i=1,2,…,m),用GM(1,1)模型对序列{x1,x2,…,xm}进行预测,得到曲线y=f(x)在下一段时间与直线y=yi的交点位置.当GM(1,1)模型的误差较大时,可利用带有残差修正的GM(1,1)模型进行残差修正,以提高GM(1,1)模型预测值的精确度.     

气相色谱灰色分析体系中未知组分保留指数的预测

提出在部分组分已知的气相色谱灰色体系中,利用已知组分的保留指数和保留时间推算死时间和正构烷烃的保留时间,再计算未知组分保留时间的方法,结果显示,在已知组分不是太少的情况下,该方法计算的死时间和正构烷烃的保留时间与实验值吻合,预测的保留指数也有较高的精度.     

低同源性蛋白质结构预测

基因组计划在实施产生了大量的DNA序列信息,如何有效地利用这些信息来研究基因的产物－蛋白质的结构与功能成为引入注目的研究领域,同源蛋白质结构预测及蛋白质折工识别是在基因组水平上进行蛋白质结构预测的有效方法,酵母基因组中约有50％的基因可以通过这类方法来确定其表面产物蛋白质的结构[1],但是目前所采用的方法在低同源性蛋白质的结构预测方面尚存在较大困难。     

载气流速对高场不对称波形离子迁移谱的影响

载气流速是影响高场不对称波形离子迁移谱(FAIMS)的重要参数.以自制的高场不对称波形离子迁移谱仪为实验平台,在射频电场幅值3 kV/cm,频率500 kHz,占空比0.36的条件下,研究了载气流速对苯离子迁移谱谱峰强度和半峰宽的影响.实验结果表明: 载气流速为3.7 L/min时,苯样品的谱峰强度最大,仪器的灵敏度最高.随着载气流速的增加,谱峰半峰宽变宽,仪器的分辨率下降.载气流速为3 .0～3.7 L/min时仪器综合性能最佳.此结果对于控制迁移谱仪载气流速有重要的参考意义.     

天然无序蛋白质:序列-结构-功能的新关系

天然无序蛋白质是一类新发现的蛋白质,它们在天然条件下没有确定的三维结构,却具有正常的生物学功能,广泛参与信号传递、DNA转录、细胞分裂和蛋白质聚集等重要的生理与病理过程.无序蛋白质的发现是对传统的蛋白质"序列-结构-功能"范式的挑战.在这篇综述里,我们首先回顾了蛋白质的传统范式以及无序蛋白质的发现过程,然后介绍无序蛋白质在结构、序列、功能等方面的特征与相互作用,并以分子识别过程为例,进一步阐述目前国际上对无序蛋白质所具有优势的一些认识与观点.我们还分析了无序蛋白质研究在生命科学和医学等领域的应用前景,并介绍了国内在无序蛋白质领域的研究现状.     

多元电解质溶液表面张力的新型预测方程

将半理想溶液理论和Butler方程相结合建立了预测多元电解质溶液表面张力的新型线性预测方程.新方程可由二元系数据预测多元系的表面张力数据,而不涉及任何多元交互作用参数.利用不同温度下24个混合电解质溶液的表面张力数据对新方程进行了系统检验.结果表明新方程可利用298.15K时二元系的渗透压系数和不同温度下二元系的表面张力数据预测不同温度下高浓度的多元系的表面张力数据,且预测结果与实验数据符合得很好,并且预测结果普遍优于基于Pitzer方程的表面张力模型.     

基于氨基酸模糊聚类分析的跨膜区域预测

跨膜蛋白在进化过程中,序列保守性较差,即使是同源蛋白序列的一致性程度也较低,因而在跨膜区预测算法中,通过序列的一致性程度来选取训练集并不能有效地消除预测结果对训练集的过度适应性．本文提出了一种基于氨基酸模糊聚类分析的预测算法,通过氨基酸在各个区域分布的相似性程度进行模糊聚类,从而根据一类氨基酸的分布特性而不是各个氨基酸的分布特性进行跨膜区预测．结果表明,该方法能在一定程度上消除训练集的选取对测试结果的影响,提高跨膜蛋白拓扑结构预测的准确度,特别是提高对目前知之甚少的跨膜蛋白的预测准确度．