包含平面五配位和平面四配位碳化合物的结构和稳定性

在B3LYP/6-311+G**水平上,研究了包含平面五配位碳(ppC)和平面四配位碳(ptC)的化合物CB5C2H2(C3B2)nC2H2CB5(n=1-5)的结构、能隙、IR光谱、电子光谱、Wiberg键指数以及芳香性.计算结果表明,这五种化合物的能量最低结构均位于势能面的极小值点,HOMO-LUMO能隙在0.5到1.2eV之间,第一电子的激发能在1780到2910nm之间,且与分子尺寸呈现非单调变化趋势.Wiberg键指数和键长表明这五种化合物的能量最低结构均包含平面五配位和平面四配位碳.C3B2单元和右侧CB5单元中三元环中心的核独立化学位移(NICS(0))值均为负值,而左侧CB5单元中的三元环中心的NICS(0)值中两个为正值,另两个为负值,NICS(1)值与NICS(0)值也一致,因此电子的局域离域对结构的稳定是很重要的.     

变应性鼻炎和哮喘患者血清IL-33及IL-5水平的研究

目的探讨IL-33和IL-5在变应性鼻炎（AR）、支气管哮喘（BA）以及AR合并BA中的作用。方法采用双抗体夹心ELISA法测定43例AR患者（AR组）、41例BA患者（BA组）、39例AR合并BA患者（合并组）及40例正常健康体检者（对照组）血清中的IL-33和IL-5水平。结果与对照组比较,其他各组患者血清IL-33和IL-5水平均明显升高（均P〈0．05）;与BAN比较,AR组及合并组血清IL-33和IL-5水平明显升高（均P〈0．05）;与AR组比较,合并组血清IL-33和IL-5水平明显升高（均P〈0．05）。血清中IL-33水平与IL-5水平呈直线性正相关（P〈0．05）。结论IL-33和IL-5参与了AR和BA的发病过程。     

基于紫外‐可见透射光谱技术和极限学习机的早期鸡胚雌雄识别

为了对鸡种蛋胚胎进行雌雄识别,探究利用紫外-可见-近红外透射光谱进行鸡胚雌雄识别的可行性,搭建了鸡种蛋透射光谱检测系统,采用横向和竖向大头朝上2种放置方式获取210枚鸡种蛋孵化0~15 d的光谱,光谱范围为360~1 000 nm。构建极限学习机（ELM）鸡胚雌雄识别模型,通过比较不同放置方式和孵化天数下模型的识别准确率,发现竖向放置且孵化第7 d的识别效果最好;将竖向放置孵化第7 d的光谱初步分为紫外（360~380 nm）、可见光（380~780 nm）、近红外（780~1 000 nm）、紫外-可见光（360~780 nm）和全波段（360~1 000 nm）5个不同的波段范围来分析,预测集准确率分别为82.86%,77.14%,75.71%,84.29%和81.43%,筛选出360~780 nm的紫外-可见光波段为有效波段;在紫外-可见光（360~780 nm）波段,采用多元散射校正（MSC）去噪,并用竞争性自适应重加权采样算法（CARS）和连续投影算法（SPA）筛选特征波长降维,建立不经筛选特征波长、CARS筛选特征波长和SPA筛选特征波长的3种ELM模型。其中不经筛选特征波长的ELM模型识别效果最好,但输入变量最多,隐含层神经元为680且激活函数为sig时,预测集准确率为84.29%。SPA筛选特征波长的ELM模型识别效果次之,输入变量有9个,隐含层神经元为840且激活函数为hardlim时,预测集准确率为81.43%。CARS筛选特征波长的ELM模型识别效果最差,输入变量有27个,隐含层神经元为100且激活函数为sig时,预测集准确率为78.57%;用遗传算法（GA）优化ELM模型的权值变量和隐含层阈值,不经筛选特征波长建立的GA-ELM模型,预测集准确率为87.14%,SPA筛选特征波长建立的GA-ELM模型,预测集准确率为87.14%,CARS筛选特征波长建立的GA-ELM模型,预测集准确率为81.43%。紫外-可见光波段不经筛选特征波长的GA-ELM模型识别效果和经SPA筛选特征波长的GA-ELM模型相同,表明SPA筛选的特征波长变量能够有效反映360~780 nm波段的信息,SPA使用的变量数仅占紫外-可见光波段的2.14%,因此,雌雄识别最佳模型为紫外-可见光波段经SPA筛选特征波长的GA-ELM模型,预测集准确率为87.14%,其中,雌性识别率为88.57%,雄性识别率为85.71%,单个样本平均判别时间0.080 ms。结果表明紫外-可见透射光谱技术和ELM模型为孵化早期鸡胚蛋雌雄识别提供了一种可行方法。     

一种实序列FFT新算法与C语言实现

实际中需做快速傅里叶变换(FFT)的多为实序列数据,而其变换算法都是以复数序列作为输入。文中利用频域的性质,将实序列数据变换为复数序列,再进行FFT变换,以提高FFT对于实序列输入的变换效率,最后用C语言实现该算法并与传统算法进行实验对比,从结果可看到优化后效率提高很多。