奥美拉唑中间体2-硝基-4-甲氧基苯胺的制备

以对硝基苯甲醚为原料，经还原、乙酰化、硝化、水解四步反应制得奥美拉唑中间体2-硝基-4-甲氧基苯胺，总收率74．8％．反应条件温和，后处理简便，避免了使用硫酸二甲酯和发烟硝酸，减少了环境污染．     

二重序列空间｜pq的对偶空间（0〈p，q〈1）

研究了当0〈P〈1，0〈q〈1时二重序列空间｜pq的对偶空间以及当p为区间（0，1）中的序列且q〉1时的赋准范二重序列空间的对偶空间，证明了在0〈p，q〈1时lpq韵对偶空间是l∞，∞。而在第二种情况下它的对偶空间是l∞u，其中，u〉1，1/q＋q/u=1。     

基于偏差估计卷积神经网络恒星光谱数据自动分类

天体物理学科中恒星光谱具有极其重要的研究前景,中国自主研制的大科学天文巡天项目大天区多目标光纤光谱望远镜(large sky area multi-object fiber spectroscopy telescope,LAMOST)自启用以来,已经成为世界上空间光谱获取数据量最大的科学装置.目前,第6期数据(sixth data,DR6)已对全球的天文工作者开放.恒星光谱数据分类在研究天文观测数据分析领域中极为重要,为了同时兼顾快速的运行速度和准确的分类精度,基于偏差估计卷积神经网络方法(bias estimation convolu-tional neural network,BECNN),分析了DR5中F、G、K、M型恒星光谱.BECNN核心思想主要是利用偏差函数泰勒展开式的偏差参数代替柔性最大值传输函数的偏差参数,进而减小误差,提高准确度.将本文方法与现有的神经网络(neural network,NN)和卷积神经网络(convolutional neural network,CNN)算法进行对比,BECNN算法在F、G、K、M型恒星光谱自动分类准确率分别为93.177％、88.349％、93.807％、89.255％;CNN算法分别为91.646％、87.671％、92.701％、89.054％;NN算法分别为90.819％、87.417％、91.325％、88.092％.同时,将两两恒星光谱数据融合作为测试样本集,做进一步验证.结果表明:BECNN光谱自动分类准确率高于CNN和NN方法,在今后特殊天体索搜与恒星光谱精细分类研究中,本文方法有较好的借鉴价值.     

亚磷酰胺配体-铱催化不对称氢化反应构建手性γ-内酰胺

正γ-内酰胺是一类重要的结构单元,广泛存在于许多天然产物、药物以及其它具有生物活性的分子结构中。研究表明,γ-内酰胺类化合物在抗菌、抗肿瘤、抗HIV及抗老年痴呆等许多方面都有很好的应用。由于独特的生物活性和用途,γ-内酰胺结构也是合成化学中构建一些复杂分子的关键合成砌块。近年来关于γ-内酰胺的合成方法被大量的报道,如     

利用返滴定法确定碳酸钠第一计量点的探讨

采用滴定剂ＨＣｌ稍过量，ＮａＯＨ标准溶液返滴定过量ＨＣｌ的方法，较准确地确定碳酸钠第一计量点。并通过分光光度测定，对该法进行了对比验证。通过实际样品测定，滴定的误差均在０．５％以下。     

基于可变形卷积网络的恒星大气物理参数自动测量

为解决海量恒星光谱数据自动处理问题,更准确地对恒星光谱物理与化学性质的研究,同时更加直观地反映恒星性质参数,通过利用可变形卷积网络(deformable convolutional network,DCN)方法对恒星大气物理参数进行分析,系统地研究了恒星表面有效温度(Teff)、表面重力(logg)、金属丰度([Fe/H])3个物理参数,实验结果对比梯度下降法神经网络(back propa-gation neural network,BPNN)、人工神经网络(artificial neural network,ANN)、径向基神经网络(radial basis function neural network,RBFNN),评价标准为平均绝对误差(mean absolute error,MAE)、均值误差(mean error,ME).基于SDSS-DR9、LAMOST-DR3恒星光谱数据得到Teff、logg、[Fe/H]的DCN-MAE分别为97.2136 K、0.281 2dex、0.125 2 dex,DCN-ME 分别为106.596 3 K、0.385 6 dex、0.175 3 dex.实验结果显示DCN效果优于BPCNN、ANN、RBFNN,为进一步分析与反映恒星真实情况提供参考.     

论诚信的收益与失信的成本的计量

以概率论为基本工具，对诚信收益与失信成本进行量化论证，同时，针对失信对诚信系数的影响程度也展开了讨论，得出诚实守信在社会各层面上是利他利巳共存的结论．     

基于改进CGA的配电网重构

针对遗传算法易早熟收敛和易产生大量不可行解的问题,提出了一种基于改进的克隆遗传算法(CGA)的配电网重构方法.该方法对克隆遗传算法进行了3点改进:通过简化网络结构,缩短了算法中染色体的长度;采用基于环路的编码方式,避免了产生大量不可行解;改进克隆遗传算法的选择算子、基因移位和突变操作,克服了早熟收敛的问题,提高了算法的收敛速度.本文以网损最小为优化目标对算例进行了重构,同时与基于遗传算法及粒子群算法的配电网重构进行了比较,算例结果表明:改进的CGA具有较高的寻优性能,应用于配电网中可以起到减小网损的作用.