生态学实验时空尺度认识的基本原则——实验对象的操作尺度与其自身尺度相契合

 时间和空间存在，尺度存在，生态学实验对象的时空尺度（本体论意义上的，又叫“本征尺度”）也存在。对生态学实验对象的时空尺度认识的基本原则是让“生态学实验对象的时空操作尺度”（方法论意义上的，又叫“表征尺度”）与生态学实验对象的时空尺度相契合（认识论意义上的）。这是生态学实验时空尺度关联实在论。在具体的生态学实验过程中，有些生态学家或坚持生态学实验对象的时空尺度不存在，或坚持其虽然存在但是不可认识，从而走向工具论和经验建构论（反实在论）。这种立场与生态学认识的基本宗旨--认识自然界中存在的生物与环境之间的关系相违背，应该抛弃。而且，某些生态学家或出于生态学实验对象的时空尺度本身认识的困难，或出于“不发表便出局”及其他原因，一是将生态学实验对象的时空尺度之时空简化为牛顿的绝对时空观，而没有考虑爱因斯坦的相对论时空观、普里戈金的“内时间”乃至引伸出来的“内空间”时空观，以及莱布尼兹的关系“空间观”乃至引伸出来的关系“时间观”，二是没有选择恰当的“粒度”和“幅度”进行实验，造成“用度失当”之误，三是没有进行充分的多尺度分析，造成“聚集偏差”，四是没有建构合适的模型，造成“鼠夹捕象”现象，五是没有正确识别“特征尺度”，造成“生态学谬误”。生态学实验者应针对上述不足，坚持正确的时空观，采取各种措施，以获得对生态学实验对象尺度的正确认识。     

压入法表征涂层结合强度的声发射信号分析

采用超音速等离子喷涂技术制备以AlSi为底层,AT13为面层的涂层,对涂层组织和基本性能进行表征和测试;采用表面压入法诱导涂层损伤失效,声发射技术实时在线监测压入过程;采用SEM对涂层压痕形貌进行分析;运用小波分解法,对所得的声发射信号进行噪声分析。结果表明,表面压入法在有效诱导涂层体系损伤失效的同时,声发射信号可给出明显突变提示,声发射信号主要由涂层体系声发射源产生,夹杂非常微弱的噪声信号。与原始信号相比,噪声信号很小,分析试验结果时可以忽略不计。     

基于POI数据的贵阳市服务业空间格局及其影响因素

基于贵阳市中心城区178 749条POI数据,采用核密度分析、平均最近邻分析和区位熵分析,从服务业整体和分行业方面,探讨贵阳市服务业空间分布格局及其影响因素.研究发现:①贵阳市中心城区服务业已基本形成"双核多组团"的结构,极化成核现象显著,呈现出核心—边缘的空间结构;空间上整体呈"Y"型分布形态,主要分布在交通网络中心性好和地势低平的地区;②服务业分行业视角下,不同类型服务业的数量和集聚程度差异有统计学意义;存在明显的核心—边缘空间结构,具体分布模式呈现3种类型;专业化功能区差异明显,在城市边缘更易于形成专业化集聚区;③交通、地形、人口、城市规划是影响服务业布局的主要因素.最后从规划视角提出城市服务业布局优化的策略,对山地城市规划具有指导意义.     

叶酸修饰UiO-66-NH2用作DOX载体研究

以UiO-66 为载体的金属有机框架对盐酸阿毒素（DOX）进行装载，再采用后合成修饰（Post-Synthetic Modification）方法得到DOX@UiO-66-NH₂ DOX@UiO-66-NH₂-FA 纳米粒子，考察UiO-66-NH₂-FA 材料对DOX 的装载能力. 以一锅煮法制备装载DOX 的UiO-66（DOX@UiO-66），采用二乙烯三胺修饰DOX@UiO-66 以制备DOX@UiO-66-NH₂，最后再以叶酸（FA）对DOX@UiO-66-NH₂进行表面化学修饰，构建DOX@UiO-66-NH₂-FA. 通过红外光谱法（IR）对UiO-66、UiO-66-NH₂、UiO-66-NH₂-FA 进行表征. 通过热重分析（TGA）对DOX、UiO-66-NH₂-FA、DOX@UiO-66-NH₂-FA 进行表征，结果表明由DOX 装载在材料UiO-66-NH₂-FA 的DOX@UiO-66-NH₂-FA 可有效的增强其热稳定性.     

我国公安交通管理研究的总体态势与前沿问题——基于科学文献计量的可视化分析

为更加全面直观展示我国近30年来公安交通管理研究成果,为交通事务治理能力现代化建设提供知识支持,研究采用科学计量学和共词分析法,综合运用Cite Space、Bibexcel、Pajek软件绘制公安交通管理研究领域的科学知识图谱。研究结果发现我国公安交通管理研究呈现良好发展态势,演化趋势经历探索起步期、平稳发展期、快速增长期3个阶段,研究热点集中于交通安全管理、智能化建设、交通事故责任认定、交警执法专业化和规范化以及交管学科专业建设等方面,研究前沿则突显为智能交通、集成指挥、大数据、实战化以及交通信用体系等方面。     

边界监督多重集典型相关分析

多重集典型相关分析(multiset canonical correlation analysis,MCCA)仅仅考虑了多组数据间的相关性信息,不能有效地反映样本数据的几何结构与鉴别信息,因此为了解决这个问题,首先在LDA思想的启发下,构建了监督多重集典型相关分析(supervised multiset canonical correlation analysis,SMCC)的理论框架,并以此为基础,结合边界Fisher分析(marginal fisher analysis,MFA),提出了边界监督多重集典型相关分析(marginal SMCC,MSMCC).该算法的基本思想是在最大化数据相关性的同时,还要最大化组内数据的类间离散度以及最小化组内数据的类内离散度.在人脸图像与目标数据库上的实验结果验证了所提算法的有效性.