水热沉淀法制备掺铁二氧化钛中空球及其光催化性能

 以碳球为模板剂, 采用水热沉淀法制备了不同配比掺 Fe 的 TiO2 (Fe-TiO2) 中空球, 并运用 X 射线粉末衍射、扫描电子显微镜、元素分析能谱、红外光谱和热重等方法对其进行了表征. 结果表明, 中空球为锐钛矿相, 大小为 0.5~3.20 ?m, 壳层厚度为 30~60 nm, 比表面积为 150~300 m2/g. 随着 Fe 掺杂量的增加, 中空球在可见光区的吸收强度逐渐增加. 光催化降解实验表明, 掺 Fe 后, TiO2 中空球的可见光催化活性升高, 其中 0.5% Fe-TiO2 在 80 min 内降解亚甲基蓝超过 75%. 同时还讨论了光催化机制.     

关于二维连续型随机变量独立性的判断

随机变量的独立性是概率论中最基本的概念之一，通过对它的研究可使一些实际问题的概率模型的具体计算得到简化。因而，关于随机变量的独立性的研究构成了概率的重要课题。本文仅就二维连续型随机变量，给出了两种判断其分量独立性的理论和具体方法，并对其进行了比较。     

石墨相氮化碳纳米片负载钯纳米颗粒的制备及催化还原性能

用液相还原法合成了石墨相片层氮化碳负载钯的复合材料,利用X-射线衍射及透射电镜等测试手段分析了催化剂的组分及微观结构。以室温下还原对硝基苯酚为模板反应,探索了不同量的2,4-二氨基-6-苯基-1,3,5-三嗪(Mp)改性的氮化碳作为载体以及不同的钯负载量对催化活性的影响。结果表明,加入10%摩尔量的Mp制备的氮化碳作为载体,钯的负载量为3%的复合催化剂具有最高的催化活性,室温下还原对硝基酚的速率常数为0.38 min^-1,归一化速率常数为2.24 S^-1/mM。     

矩阵秩的一个恒等式及其证明

就文[1]中提出的A2=E条件下的猜想:∑i=1rank(A+kiE)=(t-1)n+rank(ftA+gtE),给出了等式成立的条件及等式的具体表达式,并予以证明,使问题得以彻底解决.     

基于XGBoost的糖尿病血液拉曼光谱定量分析法

血液中包含着大量的生物信息,如激素、酶、血糖等成分,而血糖偏高将引发糖尿病。糖尿病有很多并发症,比如脑梗塞,脑出血,肾脏损害,眼底损害,周围神经病变等一系列疾病。目前,血液常规成分检测分析周期较长,结果反馈较慢,难以实现快速连续检测。光学检测技术能够根据待测物质的光谱鉴别物质化学成分和相对含量,因其灵敏度高、适用性强、分析速度快等优势,在血液无创检测领域逐渐发挥其优势。随着激光技术的不断进步,拉曼光谱技术作为一种非线性散射光谱技术,在血液检测技术中得到了广泛应用。为提高拉曼光谱的预测精度,首次将XGBoost算法应用到拉曼光谱血液血糖浓度中进行预测精度的提升。实验中106组血液样本及试验标准值为河北省秦皇岛市第一医院提供,选用布鲁克的MultiRAM光谱仪进行血液的拉曼光谱数据测量,实验中1 064 nm激发光源功率为400 mW,光谱分辨率为6 cm-1,扫描速率为10 kHz,扫描范围为400～4 000 cm-1,对每个样本重复采集10次并计算平均值作为原始光谱数据,以保证实验的准确性和可重复性。该方法无需对数据进行预处理,首先将光谱数据随机划分为训练集和测试集,比例为7∶3,训练集用于训练模型并确定模型参数,测试集用于测试模型的稳定性和预测精度。建立XGBoost模型后,用网格搜索法和k折交叉验证优化模型参数;引入模型评估指标和克拉克网格误差分析图对XGBoost模型血糖浓度的预测进行分析;最后将XGBoost模型与决策树(DT)、随机森林(RF)和支持向量机回归(SVR)模型进行对比。实验结果表明通过XGBoost建立的定量回归模型效果最佳,模型的决定系数为0.999 99,校正集均方误差为0.007 49,预测集均方误差为0.007 17,相对分析误差为331.973 18,预测点均落在克拉克网格误差分析图的A区。结果证明,将XGBoost算法应用到拉曼光谱血液成分定量分析中具有较高的预测精度,并且数据未经过预处理,可以有效缩短程序运行时间,其在拉曼光谱以及近红外光谱定量分析领域具有广阔的发展前景。