基因研究中的知情权探析

20世纪以来，基因研究得到了广泛重视，尤其是人类基因组序列的测定给制药、保健、农业和食品制造等产业带来了巨大商机。与此同时，基因侵权事件屡屡发生，尤其是在发展中国家。目前在中国，出现的最为普遍、最为严重的侵权行为就是侵犯被研究对象的知情权。对此，应加强知情权的保护，严格约束中方合作单位，加侠基因方面的立法，加强公民的自我保护意识。     

异步DS-CDMA最优混沌序列集的性能分析

为了获得异步DS—CDMA系统的最优扩谱序列，给出了一套用来选取混沌二值序列的优化准则。基于这一优化准则，我们从Chebyshev映射生成的混沌序列中选取并构造出最优混沌二值序列集合。利用该集合作为异步DS-CDMA系统的扩谱序列，所得到的系统仿真结果符合最优扩谱序列的理论分析值，因此可以被认为是异步DS-CDMA系统的一个最优扩谱序列集合。     

基于多项式的函数序列一致收敛的性质

针对文中一个关于多项式函数序列一致收效性质的命题，提出了若改变区间条件或对多项式作一定的限制，则谊命题不成立．并得出在一定条件下，多项式序列必定一致收敛于多项式。     

Iterative Method for Constructing Complete Complementary Sequences with Lengths of 2^mN

Complete complementary sequences are widely used in spectrum spread communications because of their ideal correlation functions. A previous method generates complete complementary sequences with lengths of N^nN （n,N ∈ Z^＋）. This paper presents a new iterative method to construct complete complementary sequences with lengths of 2^mN （m,N ∈ Z^＋）. The analysis proves that this method can produce many sequence sets that do not appear in sequence sets generated by the former method, especially shorter sequence sets. The result will certainly increase the application of complete complementary sequences in communication engineering and related fields.     

基于扩频的无线遥测遥控系统的研究与实现

对扩频无线遥测遥控通信系统中的应用设计的一些关键问题进行了探讨,并在此基础上提出了一套切实可行的实现方案.     

应用等维新息双向差分灰色模型进行趋势分析的新发现

本建立了最佳等维新息双向差分灰色模型，不仅拓宽了灰色预测的适用范围，而且还通过维数选择确定了最佳维数；使用最新数学工具软件MATLAB进行编程，同时通过对上证周指进行趋势分析，该等维新息预测能较准确地预测未来随机时间序列的涨、跌幅度。     

~(13)C-NMR研究溶液法丁苯共聚物的微观序列

本文利用~(13)C-NMR,对“准”稳态下以n-BuLi-THF引发的丁苯共聚物的序列结构进行了研究。获得了THF与n-BuLi在不同比例下产物的数均嵌段长度、混合单体嵌段长度和交替结构的变化情况。     

邯邢冶金矿山管理局物资管理信息系统的研究

简要介绍了《邯邢冶金矿山管理局物资管理信息系统》的研制开发情况,系统的主要功能和特点。     

用于高维时序数据预测的非同步尺度主成分分析

针对时间序列数据预测过程中可能面对高维或超高维的预测变量,同时考虑变量的时序特征及预测的非同步性,提出用于时序数据预测的非同步尺度主成分分析方法。首先构建单个预测变量和被预测变量的非同步线性回归,通过可决系数选取单变量的最佳滞后阶数,并将回归系数赋权与相应的预测变量得到赋权预测变量,并通过主成分分析对赋权预测变量降维,即非同步尺度主成分分析。将该方法用于消费者物价指数增长率的预测,结果表明经非同步尺度主成分分析降维的预测精度高于传统降维预测的方法。     

基于SSA-LSTM-GF的混凝土坝变形预测方法

针对混凝土坝变形分析预测的复杂性,应用相空间重构思想和融合建模理念,提出了一种基于SSA-LSTM-GF的混凝土坝变形分析预测方法。SSA-LSTM-GF方法利用奇异谱分析法(SSA)将变形实测数据序列分解为趋势分量、周期分量和剩余分量,并将剩余分量视为噪声分量予以剔除;采用长短期记忆神经网络(LSTM)模型和高斯拟合(GF)算法分别进行周期分量和趋势分量的分析预测,并将二者结果进行叠加重构,得到最终预测结果。实例验证结果表明,SSA可以达到较好的数据分解和消噪效果,LSTM模型针对周期分量的预测性能优越,GF算法能够很好地实现趋势分量的拟合预测和部分信息的挖掘提取,LSTM模型和GF算法的成果重构效果良好,SSA-LSTM-GF方法具有一定的可行性和应用价值。