改进主元分析方法及数据重构在工业系统中的故障诊断研究

为了更加准确地对复杂工业生产系统进行故障判断,使生产系统更加稳定地运行,采用了改进的主元分析(Principal component analysis,PCA)方法及数据重构对工业过程进行故障诊断研究。采集工业系统正常和故障状态时的数据,将传统的PCA算法中平方预测误差(Squared prediction error,SPE)统计量分成两个,分别为主元显著关联的检测残差变量(Principal-component-related variable residual,PVR)和一般变量残差(Common variable residual,CVR)对系统进行故障判断。为了使系统在检测出故障之后尽量减少故障数据对系统的影响,又进一步应用数据重构方法,将故障数据重构成正常数据,并采用有效度指标进行验证。在故障发生的过程中对故障部分进行检修和排除,把生产系统受到故障的影响降到最低。改进的PCA方法和数据重构方法运用田纳西—伊斯曼过程的数据验证,使故障的检测结果更加准确,保证了生产系统的正常运行行。     

世界上最小的马达——分子马达

世界上最小的马达在哪里?就在我们每个人的身体里,它被称为"分子马达"(molecular motor).分子马达是生物体内的一类蛋白质,就像传统的马达一样,它们"燃烧"燃料,做出特定的运动,完成特定的功能.它们是生物体内的"化学能与机械能之间的转换器".某些分子马达也有定子、转子,只不过它们的尺寸都非常小,以纳米为单位,所以被称为世界上最小的马达."生命在于运动",这对于分子马达来说最确切不过了.每个生物体内都有成千上万的分子马达,光合作用需要分子马达,细胞的分裂需要分子马达,肌肉运动也是分子马达在起作用生物体内分子马达无处不在.     

MATLAB在电路分析实验教学中的应用

用MATLAB计算一阶、二阶动态电路和正弦稳态电路,不仅可以得到解析解,还可以得到波形图。一阶电路主要是先计算三要素,然后合成解析结果;二阶电路采用自编函数用MATLAB求解微分方程的方法;正弦稳态电路的向量图用MATLAB携带函数。用MATLAB包含的Simulink工具箱搭建仿真模型,可通过任意改变电路参数,得到不同的响应曲线,从而能够简单直观地理解电路的理论内容。通过实例分析显示了MATLAB在电路分析计算机辅助实验教学方面的优越性。     

好氧不产氧光合异养细菌及其在海洋生态系统中的作用

海洋生态系统中好氧不产氧光合异养细菌(AAPB)有着独特的生理特征和生态功能. AAPB具有罕见的3裂方式, 形成“Y”形细胞, 并常集合成自由漂浮的群体. 绝大多数AAPB是专性好氧的. AAPB以细菌叶绿素(BChl a)为惟一的光合色素, 且细胞BChl a含量(分子数)明显比典型的厌氧光合菌低, 但其胡萝卜素含量很高且种类繁多. 除了普遍存在的含Mg的BChl a外, 有的AAPB 还有含Zn的BChl a. AAPB具光捕获系统Ⅰ, 但常缺少光捕获系统Ⅱ. 尽管AAPB可利用光进行光合作用, 但其生长对光无依赖性, 它们具有控制自身光合作用的机制. AAPB分布广泛, 在海洋特别是贫营养的大洋环境的生物量中占有重要份额, 在碳及其他生源要素生物地球化学循环中扮演着独特的角色. 同时AAPB对重金属的矿化作用、解毒以及在生物除污方面有着巨大潜力. AAPB研究对于光合作用的起源与进化、环境调控, 以及海洋生态系统的结构与功能的深入认识具有重要意义.     

毕赤酵母分泌表达嵌合HEV表位的HBcAg颗粒

在毕赤酵母分泌表达嵌合有HEV受体相关表位12A10的HBcAg蛋白,经甲醇诱导后的培养液上清通过切向流浓缩、更换缓冲液后,进行疏水层析纯化.CsCl等密度梯度离心测得分泌的重组颗粒的密度为1.32 g/mL.透射电镜观察显示,纯化的重组颗粒为均一的直径30 nm左右的空心颗粒.小鼠免疫实验表明,纯化颗粒免疫8周后鼠血清中的特异性12A10抗体滴度可达到1.6×105,并且重组颗粒较好地呈递了HEV受体相关的非免疫优势表位.本文的结果为毕赤酵母胞外分泌表达其它大尺度的重组蛋白颗粒提供了参考,为研究携带表位多肽的疫苗载体提供了范例.     

马铃薯遗传转化系统的优化及禽流感病毒(H5N1)基因的导入

通过对以马铃薯（Ｓｏｌａｎｕｍ ｔｕｂｅｒｏｕｓｍ Ｌ．）块茎为受体的农杆力菌转化系统进行优化,筛选出使三个品种（鲁引１号、克新３号、优金）的受体均可得高频分化的培养基：ＭＳ＋２．０ｍｇ／Ｌ ＢＡ＋３。０ｍｇ／Ｌ ＺＴ＋０．５ｍｇ／Ｌ ＮＡＡ＋０．５ｍｇ／Ｌ ＧＡ。对几种农杆菌转化条件的比较研究发现,菌体用Ｍｓ＋０．５ｍｇ／Ｌ ＧＡ流体重悬并稀释４倍屿受体于２８℃,１００ｒ／ｍｉｎ振荡侵染２０～３     

求解车辆路径问题的改进蚁群算法

为解决基本蚁群算法的过早收敛的缺陷,提出一种将遗传算法和蚁群算法融合的改进的蚁群算法.即使用蚁群算法求解出完成所有配送任务的车辆行驶路径,并将其作为局部最优解;然后,使用遗传算法的交叉变异算子对第一步搜索出来的局部最优解进行优化,筛选出全局更优解.仿真实验证明:改进后的蚁群算法与现有的求解车辆路径优化问题的蚁群算法相比,具有更快的运行速度,找到最优解的概率更高,且避免了基本蚁群算法的过早收敛.