基于spike-LFP同步的神经元朝向选择性分析

局部场电位(local field potential,LFP)与神经元发放的锋电位(spike)之间的同步关系揭示了重要的神经编码信息。为了研究不同对比度的光栅刺激下猕猴视皮层V1区和V4区神经元的朝向选择性,本文将锋电位触发的相关矩阵同步方法应用于在猕猴视皮层V1区和V4区记录的微电极信号,发现spike与gamma频段LFP之间的同步与光栅朝向之间存在较强的相关性,反映了视觉刺激的基本特征信息。另外,神经元spike的发放速率虽然会受到光栅朝向的影响,但是在不同对比度下发放速率并无明显区别,而spike-LFP同步会随着对比度的增加而增加,能够反映出同一朝向下对比度的变化。本文还利用圆方差来量化spike-LFP同步的朝向调谐曲线,发现对比度越大,V1区和V4区神经元的朝向选择性越强,V1区神经元比V4区神经元具有更强的朝向选择性。总之,spike-LFP同步能够更深入地揭示视皮层神经元的朝向调谐特性,为研究朝向选择性的形成机制提供新的方向。     

新课程背景下有效的课堂教学问题与解决策略

课堂教学是促进学生发展的主要途径。课堂教学的有效性是教学的生命，直接关系到教学质量和人才培养，提高课堂教学的有效性是教师永恒追求的目标。     

臭氧-过氧化氢联合浸出方铅矿

在盐酸溶液中,以臭氧和过氧化氢为氧化剂、三氯化铁为助浸剂联合浸出方铅矿精矿制备氯化铅,考察各种操作参数对铅浸出率的影响.实验结果表明:搅拌速率为500r/min、氯化钠初始质量浓度为250g/L、反应温度为90℃、反应时间为180min、三氯化铁初始质量浓度为259/L、过氧化氢初始质量浓度为6.669/L、盐酸初始浓度为0.3mol/L、臭氧进口氧气流量为1.0L/min是臭氧-过氧化氢联合浸出方铅矿的最佳操作参数,此时铅的浸出率达99.5％,产物氯化铅纯度达99.6％.     

硅壳包被的核壳型量子点荧光纳米颗粒的制备及其在细胞识别中的应用

利用反向微乳液技术, 以CdTe量子点为核, SiO₂为壳, 一步制备了表面带有氨基和磷酸基团的核壳型量子点荧光纳米颗粒. 该颗粒水溶性好, 大小均匀, 有效改善了CdTe量子点的不稳定性, 抗光漂白性能大大增强. 结合纳米技术、生物技术与荧光标记技术, 基于硅壳包被的核壳型量子点荧光纳米颗粒, 成功实现了对肝实质细胞的识别.     

微面形貌光电观测系统的光学结构

针对微小面积，特别是微小“盲孔”底面形貌的非接触精密检测，提出了一种基于直接成像原理的光学结构，采用内窥式镜头解决数值孔径受限问题；通过定变焦距镜头组合达到低倍定位和高倍分析要求；利用光学微扫描器实现扫描瞄准功能，针对FC、SC光纤连接器构造设计，探测头可深入内径2．5mm盲孔，设计分辨率达到600lp／mm，主要应用于光纤端面检测、精密制造和临床诊断等领域。     

可实现无间断数据传输的高速光纤链路

基于PCI总线接口实现了一种用于计算机与外设进行数据传输的高速光纤数据传输链路：采用现场可编程门阵列(FPGA)负责实现整个电路的逻辑与时序控制，并能支持DMA方式下的数据收发，开发了适用于链路卡的驱动程序；在应用程序中开辟了两个缓冲区，交替与传输卡上先进先出存储器(FIFO)通信，实现了主机到外设之间高速无间断数据传输；通过改变缓冲区的大小，对此链路的传输性能进行了测试，得到本传输卡的最高链路层带宙曲480Mbit／s。     

钢结构住宅中常用楼盖体系分析

综述了数字图像的发展及应用,阐述了与微观土颗粒结构分析有关的的数字图像处理基本原理,讨论了文章涉及的各种图像分割方法及其在颗粒与背景分离中的应用,以及各种梯度算子和数学形态学方法在边缘检测中的应用.     

Pr掺杂对Ce0.87Sm0.13O2-δ结构及电性能的影响

采用溶胶 凝胶法合成Ce_0.87Sm_0.13-xPr_xO_2-δ(x=0.00, 0.01, 0.02)氧化物, 通过X射线衍射、 拉曼光谱、 场发射扫描电镜对氧化物进行结构表征, 利用交流阻抗谱测试电性能, 并讨论 了掺杂Pr对Ce_0.87Sm_0.13O_2-δ微观结构和电性能的影响. 结果表 明, 掺入少量Pr³⁺可减少或消除晶粒表面和晶界处的坑痕或孔隙, 增加材料的致密 性, 从而降低材料的晶界电阻和电极界面电阻以及晶界电阻在总电阻中所占的比例, 提高了材料的电导率.     

关于用工企业使用劳务派遣的风险与控制

随着社会保障体系的不断完善和劳动用工环境的不断变化,劳务派遣用工方式越来越受到欢迎;同时对于劳务派遣用工中风险控制也越来越关键。基于这种背景下,本文对劳务派遣用工中存在的风险进行分析,并对如何有效规避劳务派遣的用工风险进行探究。     

基于改进蚁群算法优化参数的LSSVM短期负荷预测

提出一种自动优选最小二乘支持向量机(LSSVM)模型参数的改进蚁群(MACO)算法.该算法将LSSVM模型的参数作为蚂蚁的位置向量,然后采用动态随机抽取的方法来确定目标个体引导蚁群进行全局搜索,同时在最优蚂蚁邻域内进行小步长局部搜索,找到模型的最优参数,得到基于MACO算法优化的LSSVM(MACO-LSSVM)预测模型.将优化后的LSSVM模型应用于短期电力负荷预测问题,选择湖南某地区日期为2009-08-01至2009-08-30各小时点的数据进行分析,对2009-08-31该日24 h的负荷进行预测,并与BP神经网络和SVM模型进行比较.研究结果表明:本文方法得到的均方根相对误差为1.71％,比用BP神经网络和SVM模型得到的均方根相对误差分别低1.61％和1.05％.