胺、醇、醚类化合物电离能的自相关拓扑研究

原子的染色序数 fi 定义为 :fi=gi·xi,式中 gi 为原子i在分子中的序数 ,xi 为其染色系数 .基于fi 建立改进的原子序数自相关拓扑指数mF ,其中的1F对烷烃及其衍生物具有良好的结构选择性 .使用第一电离能 (Ip)与0 F ,1F的数量关系模型对 32种脂肪族胺、醇、醚进行估算、预测 ,结果令人满意     

以钛氧有机物为前驱物制备具有高光催化活性的纳米二氧化钛晶体

 纳米二氧化钛的制备方法及前驱物的差别影响其光催化活性．将20ml钛酸丁酯及30ml乙酐在密闭容器中与50ml环己烷混合，在70～85℃反应30min，生成微细的非晶钛氧有机物；经FT－IR和TGA分析，该物质被确认为计量式是TiOOOCCH3）2和TiO（OC4H9）（OOCCH3）的混合体．该钛氧有机物前驱物经焙烧后得到具有高光催化活性的纳米二氧化钛晶体．表征结果表明，钛氧有机物在焙烧过程中，其表面的吸附物及键合有机基团在400℃以前发生脱附和氧化分解；在389～405℃间形成锐钛矿型晶体，在600℃出现金红石晶型；600℃焙烧3h所得样品的比表面积为86m2／g，其二次粒子呈200～300nm条形体，孔隙大于20nm；单分散粒子为球形单晶，粒径为22nm；表面物理吸附水量为1．21％，加热至800℃时失重1．48％，粉体稳定纯净．光催化实验结果表明，以钛氧有机物为前驱物制备的纳米二氧化钛晶体具有高的光催化活性，光降解丁基罗丹明溶液的反应速率常数约为溶胶－凝胶法制备的催化剂样品的4倍．表面氧空缺和一定量的表面羟基可能是粉体具有高光催化活性的重要因素．     

蛋白质-蛋白质相互作用界面统计分析

以作者开发的从蛋白质结合部位推导出其界面所具有的疏水性质和氢键性质的计算程序PP_SITE为基础,利用蛋白质结构数据库(PDB),对蛋白质-蛋白质相互作用界面进行了统计分析.从PDB中挑出非冗余的链间相互作用对,计算出这个数据集中所有链间界面的疏水和氢键相互作用特征.对得到的界面特征进行统计分析,寻找能够明显聚类的界面特征.结果表明，界面大小、氢键和疏水相互作用在界面所占比例以及疏水相互作用的集中程度可以作为分类的依据.     

气固吸附等温线的研究进展

综述了近些年来在气固吸附理论研究领域对吸附等温线的研究进展。论述了从早期的BDDT的5种类型吸附等温线，到IUPAC的6种类型吸附等温线，再到基于Ono-kondo晶格模型的Gibbs吸附分类的5种类型吸附等温线．讨论了与各种类型吸附等温线类型相对应的吸附机理，并对滞留回环现象进行了解释和分析。     

径向基-偏最小二乘-贝叶斯方法及其在化学模式分类中的应用

提出一种用于模式分类的RBF-PLS—Bayes方法。它集成地应用径向基(RBF)变换与偏最小二乘(PLS)方法，从原有模式中提取出分类能力甚强的成分，然后进行贝叶斯(Bayes)判别。这种集成方法尤其适用于复杂化学信息的模式分类，本文将其应用于两种类型的化学模式分类问题，均取得了令人满意的效果。与经典的判别分析方法和单纯的神经网络方法相比，具有明显的优越性。     

TiO2-SiO2光催化纸业废水有色有机物的降解

研究了TiO2-SiO2混合氧化物对纸业废水中有色有机物的吸附与光催化降解效率．常温下．TiO2对纸业废水中有色有机物的吸附符合Freundlich模型，Qe=0．239Ce^0.791。TiO2-SiO2混合氧化物对纸业废水中有色有机物的吸附与光催化降解效率与催化剂样品的组成有关，光催化降解效率也与TiO2-SiO2表面总酸量有关．     

基于特征类内紧凑性的不平衡医学图像分类方法

近些年,基于深度学习的算法和模型在各种图像分析任务中都取得了显著的成功,与常见的自然图像相比,医学图像数据集依然面临高度不平衡的问题,不平衡数据会导致特征空间里的决策边缘倾向样本多的类别,导致分类效果的下降.为了解决该问题,提出一种基于卷积神经网络考虑特征类内紧凑性的不平衡医学图像分类方法（Z-Score Compactness-based Convolutional Neural Network,ZC3NC）.首先,从一个卷积神经网络的最后一层卷积层提取训练集样本与测试集样本的特征图,随后引入一个新的Z分数来度量测试集数据的特征图相对训练集每个类在特征空间上的偏离度,偏离度的度量基于类内的紧凑度,其主要关注样本的分布特性,对各类样本数量的不平衡性不敏感.最终,根据计算的偏离度,对测试集的数据进行分类.在DermaMNIST数据集上的实验表明,在不对数据和神经网络模型做任何额外增强的情况下,该方法的平衡准确率比原卷积神经网络模型平均提高11.15%,最多提高14.08%,证明提出的分类方法能有效地提高多种卷积神经网络对不平衡医学图像数据的分类性能.此外,和最先进的不平衡分类方法 Und...     

基于双通道残差网络的泥石流沟谷孕灾风险预测

云南作为泥石流受灾最严重的省份之一,每年均会遭受重大损失。为了应对这种突发性灾害,本文基于DCHNNet(dual-channel hybrid neural network)提出了一个基于双通道的改进残差结构的卷积神经网络——双通道残差网络(two-way residual network, TWRNet)。该网络能够广泛应用于泥石流沟谷图像的潜在危险性排查,实现泥石流灾害的预警。TWRNet首先采用切片的方式对数字高程(digital elevation model, DEM)数据和遥感数据分开处理,并使用改进的残差结构进行特征提取;然后将特征进行融合,并使用通道注意力机制SE(squeeze-and-excitation networks)模块进行通道增强;最后给出泥石流沟谷的分类结果。在训练过程中,本文使用了交叉熵和焦点损失构成的联合损失函数。实验结果表明,TWRNet在泥石流沟谷识别方面达到了最高89.28%的识别率和87.50%的召回率,模型性能良好。使用图像学习沟谷特征的方法来进行泥石流孕灾沟谷的识别是可行的。     

量子粒子群优化核极限学习机的遥感影像分类

极限学习机初始参数具有随机性,容易导致其对高分辨率遥感影像的分类结果出现局部最优现象.为了解决上述问题,提出了一种基于量子粒子群优化核极限学习机的遥感影像分类方法.该方法利用量子粒子群算法对核极限学习机的核参数与正则化参数进行优化,根据参数优化后的结果构建量子粒子群优化核极限学习机的遥感影像分类模型（QPSO-KELM）.通过实验对比了SVM、KELM、PSO-KELM、QPSO-KELM这几种分类方法对高分二号遥感影像数据的分类精度与效率.结果表明：QPSO-KELM的分类精度、运行速度均优于其他几种分类方法,该方法能有效提取遥感影像上的地物要素信息.