排序方式: 共有36条查询结果,搜索用时 0 毫秒
1.
1976年Brown小组[1]首次从按树天牛后胸腺体中分离得到其防御信息素,并鉴定其主要组分结构为9-癸内酯(又称Phoracantholide Ⅰ),1983年Mori小组[2]成功合成出Phoracantholide Ⅰ的两种对映异构体,并经过手性固定相气相色谱确定出天然Phoracantholide Ⅰ的构型应为R构型.其后有关Phoracantholide Ⅰ的手性合成屡见不鲜,其主要合成方法为:不对称反应法[3~5]、酯促还原法[6,7]等,这些方法各有特色.由其逆合成可知,此类化合物可由羟基羧酸内酯化合成得到,故本文用1-苯磺酰基丙酮为原料经两步合成出9-羟基癸酸,然后借鉴Naoshima等的工作经海藻酸钙固定化的面包酵母(Saccharomyces Cerevisiae)进行酶促还原引入手性中心,进而经内酯化反应合成出目标产物(S)-Phora-cantholide Ⅰ.合成路线如下: 相似文献
2.
3.
直角三角形的直角顶点是圆锥曲线的顶点,另两顶点在圆锥曲线上的三角形叫直角顶点三角形.现作者通过几何画板发现圆锥曲线直角顶点三角形顶点切线具有如下的性质:性质1如图1,设OA,OB为抛物线y2=2p.x(p〉0)过顶点的两条互相垂直的弦,抛物线在A,B两点处的切线的交点为P,线段AB的中点为Q,则(Ⅰ)点P的轨迹为垂直于x轴的一条定直线;(Ⅱ)kOP·kAB为定值; 相似文献
4.
对于河外天体,谱线证认和红移确定是光谱分析的第一步。本文在仔细分析天体光谱特点的基础上,提出了一种全新的求红移和证认谱线的新方法--伪三角法。该方法利用最强的三根谱线的波长信息构造“三角形”,通过将最大角的“余弦”与已知模板的“余弦”表相匹配,反推得到相应的标准谱线波长,并进而得到红移值。通过这个红移值,可以得到所有的谱线的标准位置,这就相当于谱线证认。结果表明:这种方法在大大减少运算量的同时,保持了较高的正确识别率和极低的误识率。这对海量光谱数据的处理具有重要的意义。同时,该方法立意新颖,简单明了,容易实现。缺点是对于谱线少于3根的光谱以及噪声很大的光谱不能有效地处理。 相似文献
5.
性质1 如图1,已知P是过抛物线y^2=2px(p〉0)的准线与x轴的交点M的弦AB在两端点处的切线的交点,线段AB的中点为C,F为抛物线的焦点,则(1)PF⊥x轴;(2)PC⊥PF.
证明 (1)设A(x1,y1),B(x2,y2),直线AB的方程为x=ty-p/2,联立直线AB的方程和抛物线方程消x整理得y^2-2pry+p^2=0,所以由韦达定理有y1+y2=2pt,y1y2=p^2 相似文献
7.
历年检修数据在石化装置设备腐蚀管理中非常重要.在对历年检修工作进行分析的基础上,设计了检修信息系统的功能模块、数据结构和工作流程,系统的架构采用MVC设计模式,编程语言为PHP,数据库为MySQL.使用系统可以方便地生成大修数据报表、查询大修数据、维护大修数据和设备资料.实际应用表明系统能够大大提高石化设备大修信息的管理水平. 相似文献
8.
恒星光谱数据的分类是天体光谱自动识别的最基本任务之一,光谱分类的研究能够为恒星的演化提供线索。随着科技的发展,天文数据也向大数据时代迈进,需要处理的恒星光谱数量越来越多,如何对其进行自动而精准地分类成为了天文学家要解决的难题之一。当前恒星光谱自动分类问题的解决方法相对较少,为此本文使用了一种基于卷积神经网络的方法对恒星光谱MK系统进行分类。该网络由数据输入层、四个卷积层、四个池化层、全连接层、输出层构成,与传统网络相比具有局部感知、参数共享等优点实验。在Python3.5的环境下编程,利用Tensorflow构建了一个简单高效的具有四个卷积层的卷积神经网络,并将Dropout作用于全连接层之后以防止过度拟合。Dropout的基本思想:当网络模型进行训练时,把一些神经网络节点按一定的比例丢弃,使其暂时不发挥作用。Dropout可以理解成是一种十分高效的神经网络模型平均方法,由于它不依赖于某些局部特征所以能够让网络模型更加鲁棒。实验中使用的一维恒星光谱图是取自LAMOST DR3数据库,首先进行预处理截取光谱3 600~7 300 Å的部分,均匀采样后使用min-max标准化法对其进行初始化。实验包括两部分:第一部分为依据恒星光谱MK系统对光谱进行分类,每一类的训练样本包含1 000条光谱数据,测试样本为400条光谱数据,首先通过训练样本对CNN网络进行训练,进行3 000次的迭代,用训练后的网络将测试样本进行分类以验证网络的准确性;第二部分为相邻两类的恒星光谱的分类,其中O型星数据集样本为250条光谱,其余类别恒星样本数据集均为4 000条光谱,将数据5等分,每次选取当中的一份当作测试集,其余部分当作训练集,采用5折交叉验证法求得模型准确率,用BP神经网络进行对比实验。选择对网络模型进行评估的指标包括精确率P、召回率R、F-score、准确率A。实验结果显示CNN在对六类恒星光谱进行分类时其准确率都在95%以上,在对相邻类别的恒星进行分类时,由于O型星样本量较少,所以得到的分类结果不太理想,对其余类别的恒星分类准确率都高于98%,以上结果都证明了CNN算法能够很好地解决恒星光谱的分类问题。 相似文献
9.
紫外-可见光谱法分析难溶性黄药重金属配合物 总被引:1,自引:0,他引:1
提出可用于难溶性黄药重金属配合物检测的紫外光谱方法。实验首先考察了在黄药溶液中加入不同重金属离子后紫外-可见光谱的变化,发现Pb2+、Cu2+会与黄药生成难溶性配合物,而Fe2+,Zn2+,Mn2+对黄药溶液的紫外吸收影响很小。接下来实验比较了不同孔径的滤膜对难溶性配合物的去除效果,发现采用0.22 μm滤膜可以有效的将黄原酸铜或黄原酸铅与滤液分离。进一步的,实验研究了硫化钠与难溶性配合物反应的情况,结果表明S2-可以定量的将配合物中的黄原酸根置换到溶液中。研究得出可以通过加入硫化钠后滤液中黄药浓度的上升值得到原水样中难溶性黄药重金属配合物的含量。最后研究将该方法应用于郴州三十六湾三家铅锌选矿厂废水的分析中,其结果验证了该方法的可行性。 相似文献
10.
除了星系的光谱红移之外,星系测光红移的估计也对研究宇宙大尺度结构及演变有着重要的研究意义。利用斯隆巡天项目最新发布的SDSS DR13的150 000个星系的测光及光谱数据,在红移值Z<0.8范围内,先使用SOM自组织神经网络对星系样本进行早型星系和晚型星系的聚类,然后用遗传算法优化后的BP神经网络对星系的测光红移进行估算。估算结果与作为标准的已知星系光谱红移进行比对,早型星系的红移估计最小均方误差约为0.001 3,晚型星系最小均方误差约为0.001 7。实验结果表明,遗传优化的BP算法在精度上优于BP神经网络算法,且效率上优于K近邻、核回归等传统测光红移估计算法。 相似文献