川黄柏一年生实生苗质量的分级标准

为有利于指导生产实践，推动川黄柏实生苗培育规范化、标准化，以湖南省龙山县大安乡2020年培育的川黄柏1年生实生苗为研究对象，以72个1 m×1 m样方2 564株样苗为研究样本，以地径、苗高为苗木质量分级指标，采用K-均值聚类法及标准差法，划分质量分级值.经综合评定，确定川黄柏1年生实生苗质量分级标准为Ⅰ级苗地径D≥1 cm，苗高H≥100 cm；Ⅱ级苗地径D 0.6～＜1 cm，苗高H 60～＜100 cm；Ⅲ级苗地径D＜0.6 cm，苗高H＜60 cm.在该标准下，本次研究样本Ⅰ、Ⅱ级苗占比64.8%.     

一种新的中文文本分类算法

对于中文文本分类问题,使用了一种新的RBF神经网络算法.这一方法通过高斯径向基函数,使用k均值推导出隐藏项的中心点及宽度,并将由隐藏层得到的输出结果合并起来,从而得到分类结果.试验证明,这种算法的准确率、召回率、F测量的值都很高,得到的分类效果很好.     

桑属植物导管形态特征及其分类学意义

借助光学显微镜系统观察了桑属(Morus.)8个品种,2年生枝木质部离析材料,研究发现导管分子类型、大小和穿孔板等基本特征,这些特征在桑属种间存在广泛差异,具有重要的分类学意义。依据导管、穿孔板类型的特征,可以将桑属植物分为二类:长穗桑、白桑、广东桑、华桑组成较原始类,山桑、蒙桑、鸡桑、川桑组成较进化类。从导管分子的显微特征推测:桑属植物演化水平由低到高依次为:长穗桑、白桑→广东桑、华桑→山桑→蒙桑、鸡桑、川桑。     

瑞替普酶在乳酸乳球菌中的表达

为建立溶栓药物瑞替普酶(r PA)的乳酸菌表达系统,从实验室前期构建的大肠杆菌表达质粒p ET22b-rpa上扩增出目的基因rpa,将该基因与乳酸菌表达质粒pCYT连接,构建了pCYT-rpa质粒.此外,为提高r PA在乳酸乳球菌NZ9000中的稳定性,同时构建了rpa位于葡萄球菌(Staphylococcal)耐热核酸酶基因nuc下游融合表达的重组质粒pCYT-nuc-rpa.将质粒p CYT-rpa和p CYT-nuc-rpa分别电转化至乳酸乳球菌NZ9000中,经Nisin诱导表达,Western blot结果显示Nuc可提高r PA在乳酸乳球菌中的稳定性,从而增加了rPA在乳酸菌中的表达量.重组r PA及Nuc-rPA在复性后均具有溶栓活性,活性分别为800,U/L和1,000,U/L.     

基于模糊决策的不完整数据分类算法

中医药领域不完整的数据普遍存在,而数据的不完整很大程度地降低分类模型的学习效果。大多数已有的处理不完整数据的分类算法只关注在其学习阶段处理不完整数据,而对于不完整数据出现在分类阶段则不能处理或效果不好。文章提出一种新的分类算法用于处理不完整数据的分类问题。首先给出一个新的用于处理不完整数据的决策树算法,并针对传统的Boosting算法在迭代过程中使用确定性决策方法而没有充分考虑到数据集中的不完整数据,进一步提出改进的Boosting算法,在迭代过程中对每一个假设使用模糊决策方法,权重的更新机制是增加错误分类样本的权重和减少正确分类样本的权重,最终使用加权投票的方式得出最优的分类结果。最后,通过两组实验证明提出的算法策略在处理不完整数据问题时的优越性。     

基于文本分类的标准文献内容比对模型研究

在分析标准文献结构和文本分类的基础上,提出基于文本分类的标准文献内容比对模型,实现标准文献内容的快速提取和自动分类,支持相关技术人员和企业轻松快捷地实现标准比对工作,为标准文献比对工作的可持续发展提供方法和策略。     

RDA格式的具体操作及分类标引

近来CALIS数据库中出现了越来越多的RDA格式。探讨了RDA格式与以AACR2R为描述标准的老MARC格式的差异,用实例说明了RDA格式的具体操作方法及其分类标引。     

曲面论高斯方程公式的几种形式的推导方法

考虑曲面论高斯方程公式的表示问题.运用曲面上基本方程的矩阵表示法,给出高斯方程直接的显式公式表示;指出高斯曲率简化公式的推导来源,揭示出高斯曲率隐式公式的发现过程,并给出了Liouville形式的高斯方程的证明过程.     

芜菁皱缩病毒P38蛋白的原核表达及抗血清的制备

从感染芜菁皱缩病毒(TCV)的拟南芥中提取总RNA,通过反转录PCR(RT-PCR)扩增得到TCV的外壳蛋白基因P38.在目的基因ORF框两边引入酶切位点BamHⅠ和SacⅠ,并连接到表达载体pET30-a上,导入大肠杆菌BL21(DE3)中,37℃经0.5mM/L IPTG诱导6h后获得了分子量约为48kD的融合蛋白.经Ni-NTA纯化目的蛋白,注射大白兔制备抗血清.Western blot结果表明制备好的抗血清能成功检测感染TCV的拟南芥.     

机器学习在车载激光点云分类中的应用研究

点云信息分类提取与利用是车载移动测量系统的关键技术,提高车载激光点云分类的智能化已成为当代信息科学技术发展所面临的重要问题.从分析点云的特征入手,采用机器学习方法对车载激光点云的行道树提取进行了大量实验研究.首先,在点云原始特征的基础上,根据其局部几何特征及空间分布,构造了由三维空间位置、回波强度、颜色值、法向量、单位投影密度、残差及回波强度维度内的残差等17个特征值组成的点云高维特征向量,然后采用支持向量机和人工神经网络两种机器学习方法分别对行道树点云进行提取实验.实验中采用了粒子群优化算法对支持向量机进行参数寻优,采用所构造的由17个特征值构成的特征向量对点云进行机器学习,两种学习方法的行道树点云分类精度分别可以达到99.75%和99.25%.实验结果表明,采用机器学习的方法对于提高车载激光点云分类自动化程度和智能化水平具有重要意义和作用.