长江下游近代洪水事件重建的新证据

全新世古洪水事件的重建是当前全球变化研究的一个热点. 通过长江下游一个稳定江心洲上沉积剖面的粒度和有机元素组成分析, 清晰地揭示出主要粒度参数、概率累积曲线和C-M图可以指示洪水事件沉积, 而沉积有机质的TOC/TN因为反映大洪水期间, 长江流域强烈的地表冲刷将大量降解不完全的碎屑有机质带入下游, 也成为洪水事件的较好示踪标志. 根据²¹⁰Pb堆积速率, 研究剖面的粒度及TOC/TN比值清晰地记录了长江干流1850~1954年期间的若干次特大洪水事件, 与历史文献和水文监测资料吻合. 然而自20世纪60年代以来, 长江流域人类活动显著增强, 尤其是大量水坝兴建, 将大量粗颗粒泥沙和沉积有机质蓄积在水库中, 而显著改变长江下游干流的悬浮沉积物粒度和有机质组成, 因而难以可靠地指示近50年来的洪水事件.     

AFM观察小白鼠心肌和肝核DNA片段的基因移位

用原子力显微镜(简称AFM)直接观察、体外表达和体外转录等实验技术组合,观察到了心肌和肝的核DNA片段的基因;用磷酸缓冲液稀释,并用开关蛋白质等活性因子使其部分解离,促使核基因在核DNA片段内或核DNA片段间静态或动态移位,得到了对应核DNA片段中的相关基因,如LDH/DNA体外表达活性变化的LDH同功酶酶谱图。基因静态或动态移位均表达活性降低,且基因移位程度与其对应基因活性降低程度呈正相关性。展示了未来运用AFM和体外表达等实验技术组合研究核DNA片段的基因移位和对应基因突变机制的前景。     

基于ROEWA算子局部活动轮廓的SAR图像分割算法

针对经典可变区域拟合(region scalable fitting,RSF)模型无法分割合成孔径雷达(synthetic aperture radar,SAR)图像的问题,提出了一种基于指数加权均值比(ratio of exponentially weighted averages, ROEWA)算子的改进RSF局部活动轮廓模型。算法首先以SAR图像目标边缘的ROEWA算子的负指数函数为边缘指示函数,对区域可伸缩能量项和弧长项进行加权,消除了原模型中梯度算子对于乘性相干斑满布的SAR图像边缘检测失效的弊端,还防止了目标弱边界的泄漏,避免了边界缺失;其次在零水平集演化的偏微分方程中加入权系数可变的面积项,提升了算法在目标边缘处的自适应捕获能力,同时也提高了算法对目标多层轮廓的检测能力,并且最大化地保留了目标的外轮廓;面积项的可变权系数可根据目标的ROEWA算子的模值来自动调整大小,很好地保持了目标的边缘细节。改进算法不受初始轮廓的影响,对相干斑噪声不敏感,且实验证明算法的计算复杂度仅与图像的尺寸有关。通过对合成与真实的SAR图像数据进行实验,验证了所提方法的直观性和有效性。     

AFM观察小鼠心肌核DNA片段的基因组合形成"基因系"的系统性和垃圾DNA的相互作用

用原子力显微镜(AFM)直接观察、小白鼠心肌等组织的核DNA片段的基因体外转录等多种实验技术组合,通过AFM观察到心肌核DNA片段上的基因,处于垃圾DNA的“转录平台”上,在体外转录过程中,由n(n=3、4等)个活性基因节,对应的n-1个“基因间隔”,依特定的排列组合分别形成n(n=3、4等)种大小不同的“基因系”,各“基因系”中的基因节同时转录,分别形成对应nRNA(n=9、12等)链状复合体,nRMA链状复合体分别与对应基因系的单链DNA两边的“接口”相联。核内对应nmRNA数量减少,形成负反馈效应后,使nRNA从对应“基因系”上迅速解离下来,核内经“转录后修饰”形成对应nmRNA链状复合体。该复合体主要在核内,处于垃圾DNA的“翻译平台”上进行蛋白质翻译,并在核内加工修饰形成有活性蛋白质。本工作展示了未来运用AFM观察生物学反应、研究核基因转录与调控的分子机理、基因组合形成基因系的系统性和垃圾DNA的相互作用的前景。     

简析工业环境下CAN总线与以太网互联的技术

随着现代工业技术的发展,对控制网络中信息传输与反馈的安全性和及时性都有了更高的要求。CAN技术以其安全性和及时性首先被应用于对于设备控制较高的汽车领域,并得到更广泛的发展。以太网技术现在以成熟的应用于信息传递方向。将这两种互联技术相结合是满足现代工业对网络信息传输的方式之一,下面我们就对其进行简要介绍。     

煤矿岩巷快速掘进技术与管理

为了能够对提高煤矿岩巷快速掘进技术和管理的水平,就相关问题进行了研究。首先,分析了影响岩巷钻爆法掘进速度因素;其次,分析了中深孔光面爆破技术;然后,探讨了提高岩巷快速掘进的对策;最后,分析了加强科学管理的方法。     

基于卷积神经网络的SAR图像舰船目标检测

近年来,深度学习在物体检测领域取得了非常大的突破,但是鲜有用于合成孔径雷达(synthetic aperture radar, SAR)图像中舰船目标检测,论文将基于深度学习的目标检测方法引入到了SAR图像舰船目标检测。首先分析了目前先进的Faster R-CNN检测算法优点及其在SAR图像舰船检测领域的局限。在此基础上,构建了一个新的SAR图像舰船目标检测数据集SSDD,数据集包含不同分辨率、尺寸、海况、传感器类型等条件下的舰船SAR图像,它可以作为本领域研究人员评价其算法的基准。提出了SAR图像舰船目标检测的新方法,包括特征聚合、迁移学习、损失函数设计和其他应用细节,并在数据集上进行了大量的对比实验。实验结果证明提出的方法可以有更高的检测准确率和更快的检测速度。