基于MOF (Cu)@biochar气凝胶的制备及其在缓释氮肥上的应用

以羧甲基纤维素(CMC)、明胶和MOF(Cu)@biochar为原料,采用简单有效的冷冻干燥方法制备了(CMC/Gelatin/MOF(Cu)@biochar)杂化气凝胶,并用傅里叶变换红外光谱(FT-IR)、热重分析(TG)、X射线粉末衍射(XRD)、扫描电镜(SEM)和X射线光电子能谱(XPS)技术对其进行了表征;研究了MOF(Cu)@biochar含量、pH和不同的盐水溶液对杂化气凝胶溶胀行为的影响;以该气凝胶负载氯化铵,制备了一种新型缓释肥料(SRF),并研究了含2%(wt)SRF的沙性土壤的保水能力;SRF在土壤中第30天的累积释放率为79.4%;肥料在土壤中释放符合非Fickian扩散和阳离子交换的协同作用机理。     

基于不确定控制理论的最优策略研究

本文在不确定理论的框架下,研究一类带背景状态变量的最优控制模型.在乐观值准则下,利用不确定动态规划的方法,证明了不确定最优性原则,得到最优性方程.作为应用,求解一个固定缴费(DC)型养老金的最优投资策略问题,在乐观值准则下,以工资变量为背景状态变量,建立养老金模型.通过求解不确定最优性方程得到最优投资策略和最优支付率.     

基于GA_XGBoost模型的大学生科研能力预测问题研究

科学评价大学生科研创新能力对我国科研水平的提高具有重要意义.采用机器学习模型来预测大学生科研能力可以起到良好的效果,提出一种GAXGBoost模型来实现对大学生的科研能力预测.此模型是以Xgboost算法为基础,然后充分利用遗传算法的全局搜索能力自动搜索Xgboost最优超参数,避免了人为经验调参不准确的缺陷,最后采用精英选择策略以此确保每一轮都是最佳的进化结果.通过分析表明,所采用的GAXGBoost模型在大学生科研能力预测的结果中具有很高的精度,将此模型与Logistic Regression、Random Forest、SVM等模型进行对比,GAXGBoost模型的预测精度最高.     

化学法改性煤沥青脱除苯并芘的研究

在管式反应器中采用苯甲酸、聚乙二醇、固体古马隆树脂（S）、液体古马隆树脂（L）为添加剂来降低煤沥青中有害物质苯并芘的含量，以期使得煤沥青可绿色化应用。采用紫外-可见分光光度计分析煤沥青中苯并芘含量。考察了反应温度、反应时间、添加剂添加量、催化剂等工艺条件对添加剂脱除煤沥青中苯并芘的影响。结果表明，不同工艺条件能降低煤沥青中苯并芘的含量。在优化条件下，不同添加剂对苯并芘脱除率由高到低依次为：液体古马隆树脂、聚乙二醇、苯甲酸和固体古马隆树脂。分析其反应机理，这与催化剂的酸性相关，发生亲电取代反应。结果表明，液体古马隆树脂（L）在催化剂存在下对煤沥青中苯并芘脱除率可达73.0%，显示了良好的应用前景。     

盐酸伊达比星杂质A的合成工艺优化及其高效液相分析

通过对盐酸伊达比星脱羟基杂质A的合成研究，为盐酸伊达比星的质控标准提供参考。以盐酸伊达比星为起始原料，经过4步反应得到脱羟基杂质A。本文提供了盐酸伊达比星杂质A的制备方法以及高效液相色谱分析方法，为杂质含量控制提供了依据。该工艺可以稳定、快速制备高纯度脱羟基杂质A，制备总收率为57.20%，纯度为57.20%，其结构经¹H NMR， ¹³C NMR和MS(ESI)表征。     

新型含吡啶基团二羧酸配体的合成及单晶培养

以1，4-二溴-2，5-二甲基苯和4-吡啶硼酸为原料，经两步合成了一种新颖的含吡啶基团的二羧酸配体。通过核磁共振氢谱及傅里叶变换红外光谱对配体结构进行表征，通过热重分析对配体的热稳定性进行了测试；通过溶剂热法对配体的单晶进行培养，并考察反应温度、时间、pH和溶剂等条件对单晶培养的影响。结果表明：在反应温度为80 ℃，反应时间为12 h、溶剂为蒸馏水、溶液pH=5的条件下可获得高质量单晶。该配体为单斜晶系，属于C2/c空间群，结构中含有4个氧原子和2个氮原子，可为金属离子的配位提供足够的位点，有望应用于配合物的设计或催化、吸附和医药载体等行业。     

Sentinel-2卫星的多光谱轻量级船舶目标检测算法

近年来深度卷积神经网络在可见光船舶检测方面取得了显著的进展，然而，大多数相关研究是通过改进大型的网络结构来提高检测性能，因此加大了对更高计算机性能的需求。此外，可见光图像难以在云、雾、海杂波、黑夜等复杂场景检测到船舶。针对以上问题，提出了一种融合红（red, R）、绿（green, G）、蓝（blue, B）和近红外（NIR）4个波段光谱信息的由粗到精细的轻量型船舶检测算法。与现有的方法中根据光谱特性利用水体检测算法提取水体区域不同之处是该算法是利用改进的水体检测算法来提取船舶候选区域。为获取更准确的候选区域，对船舶、厚云、薄云、平静海面、杂波海面5种场景中4个波段的像素值进行了统计分析，选取近红外大于阈值作为辅助判断，并以其中心点获取候选区域32×32大小的切片，并对切片进行非极大值抑制，由此获得了船舶粗检测结果。随后构建了轻量级LSGFNet网络对船舶候选区域切片进行精细识别。构建的网络融合了1×1卷积提取的波谱特征与3×3的提取几何特征，为防止光谱特征与几何特征的信息在融合时“信息不流通”，在LSGFNet网络中引入了ShuffleNet中的通道打乱机制，并减小了模型结构，与典型的轻量级网络相比具有更好的效果且模型较小。最后，利用Sentinel-2卫星多光谱10 m分辨率数据构建了512×512大小的1 120组数据进行粗检测，以及32×32大小的6 014组数据进行精细网络训练，其中候选区域粗提取的查全率为98.99%，精细识别网络精确度为96.04%，不同场景下的平均精确度为92.98%。实验表明该算法在抑制云层、海浪杂波等干扰的复杂背景下具有较高的检测效率，且训练时间短、计算机性能需求低。     

紫色球杆菌视紫红质光谱特性的机器学习研究

近年来，机器学习等人工智能技术被应用于蛋白质工程，其在蛋白质结构、功能预测、催化活性等研究中具有独特优势。在未知蛋白质结构的情况下，将蛋白质序列和功能特性与机器学习相结合，基于序列-活性关系（innovative sequence-activity relationship，ISAR）算法，将蛋白质氨基酸序列数字化，用快速傅里叶变换（fast four transform，FFT）进行预处理，再进行偏最小二乘回归建模，可在数据集较少情况下拟合得到最佳模型。通过机器学习对紫色球杆菌视紫红质（gloeobacter violaceus rhodopsin，GR）的突变体蛋白质氨基酸序列与光谱最大吸收波长进行建模，获得了最佳模型。用最佳索引LEVM760106建模得到的确定系数R² 为0.944，均方误差E为11.64。用小波变换进行的预处理，其R² 虽也约为0.944，但E大于11.64，不及FFT进行的预处理。方法较好地解决了蛋白质序列与功能特性之间的数学建模问题，在蛋白质工程中可为预测更优的突变体提供支持。     

激光能量对反钙钛矿GaCMn_3薄膜结构与物性的影响

本文采用脉冲激光沉积方法在LaAlO3(001)单晶衬底上制备了反钙钛矿GaCMn3薄膜,通过控制制备过程中脉冲激光的能量,研究了不同激光能量条件对GaCMn3薄膜结构与物理性能的影响.分别利用X射线衍射仪、原子力显微镜、超导量子干涉仪和物理性能测试系统,对所制备的薄膜的晶体结构、表面形貌和磁性、电输运性质进行了研究.结果表明,制备的样品均为具有多个晶面取向的反钙钛矿薄膜,且薄膜结构和物性明显随制备激光能量的变化而变化.当激光能量为450mJ时,制备的薄膜多晶面取向性最弱,结晶性和表面形貌最优良.实验所得的薄膜均表现出顺磁-铁磁-反铁磁相转变,然而转变过程比块材较平缓,同时薄膜的电阻率并未表现出块材中的突变特征,我们推测该现象很可能是由衬底的应力及衬底的晶格膨胀对薄膜反常晶格变化的抑制作用造成的.