TRAIL与kallistatin联合表达载体的构建及抗肿瘤活性分析

为研究肿瘤坏死因子相关凋亡诱导配体(TRAIL)与组织激肽释放酶结合蛋白(kallistatin)联合用药的抗肿瘤作用,构建TRAIL与kallistatin双表达的重组质粒pAM-CAG-Kal-IRES-TRAIL,将重组质粒转染A549,LO-2,NCI-H446和Hela细胞,考察其抗肿瘤活性.实验结果表明:构建的双表达载体能同时表达TRAIL与kallistatin,且均能分泌至培养基中;TRAIL与kallistatin联合表达对肿瘤细胞活力的抑制作用明显增强,诱导肿瘤凋亡的作用也明显增强,说明联合表达TRAIL与kallistatin能够增强抗肿瘤活性.     

基于相参积累的捷变频雷达系统相位误差估计与稀疏场景重构算法

针对系统相位误差导致的捷变频雷达目标回波信号相参积累性能下降问题, 构建了系统相位误差下捷变频雷达目标回波信号相参积累模型, 并基于目标的距离-速度二维稀疏性建立了最小ℓ₁范数优化模型, 提出一种基于交替方向乘子法的系统相位误差估计与目标场景稀疏重构联合处理算法, 实现了系统相位误差和目标参数的精确估计。仿真结果表明, 在信噪比为20 dB的情况下, 该方法能够精确估计系统相位误差, 其估计误差在2°以内。同时，相比于逆合成孔径雷达相位自聚焦算法, 所提算法重构性能和计算效率均得到改善, 目标重构幅度均方差提高了10 dB, 运算时间减少到1/2。     

Dashnic-Zusmanovich+矩阵线性互补问题解的误差界估计

利用Dashnic-Zusmanovich₊矩阵的定义,通过不等式放缩技巧和Dashnic-Zusmanovich矩阵逆的无穷范数估计式得到Dashnic-Zusmanovich₊矩阵线性互补问题解的误差界.     

创新主体投入与创新绩效的长短期关系研究——基于协整理论和误差修正模型的实证分析

基于2010—2016年我国30个省份的面板数据,并分为东部、中部、西部,运用协整检验、误差修正模型,对我国三类创新主体(企业、高校和科研机构)投入和创新绩效之间的关系进行实证分析。研究结果表明,我国研发经费投入、人力资本投入与创新绩效之间具有长期均衡关系,而且高等院校人员投入对创新绩效影响较大,企业研发经费投入发挥的创新效果较好。从短期来看,引进研发人员对高校、企业和科研机构的创新产出影响较大,但东中西部不同区域创新主体参与创新活动的绩效差异性明显。     

外汇欧式期权在市场不完备下的对冲误差分析

本文研究了外汇欧式期权的对冲误差问题,针对典型的静态和动态Delta对冲策略,在对冲过程不连续和利率平价公式不成立的市场不完备情形下,给出了即期对冲和远期对冲的对冲误差公式,从而能够更准确地衡量实际对冲组合产生的风险.在研究Delta对冲策略过程中,本文提出了一个包含摩擦系数ε的外汇远期汇率模型,并通过分析即期对冲和远期对冲的差异,给出了最优对冲方式的判别条件.该判别条件依赖于摩擦系数ε,做市商仅通过对摩擦系数ε实时的监控,便可以选择最优的风险对冲方式,从而提高了对冲效率.本文提出的对冲误差的具体解析式和最优对冲方式的判别条件为外汇期权对冲及其风险管理提供了理论依据.实证结果表明,本文提出的期望收益差与实际对冲组合的收益差基本一致,从而验证了判别条件的合理性.     

非线性切换奇异系统的自适应状态反馈控制

研究了一类满足Lipschitz条件的非线性奇异切换系统的自适应状态反馈控制的设计问题.首先，研究单输入非线性奇异切换系统的基本自适应控制的设计，控制器旨在稳定系统;然后，以单输入非线性奇异切换系统所呈现的具有自适应增益和基于Lyapunov稳定性定理调整增益的机制为基础，将其扩展为多输入奇异切换系统的跟踪问题，设计了自适应控制方法;最后，采用Matlab方法做了数值仿真来说明所提出的控制方法的有效性.所提出的控制器具有非常简单的结构，并且在实践中很容易应用.     

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.     

基于深度学习的多STBC盲识别算法

针对空时分组码(space-time block code, STBC)识别中多种编码类型难区分的问题, 提出了一种基于卷积神经网络的STBC盲识别算法。该算法首先将接收信号采用自相关函数的频域预处理, 输入到卷积神经网络中对信号特征进行提取, 全连接层对特征进行映射, 实现对6种STBC类型的识别。仿真实验结果表明, 在无信道和噪声等先验信息的条件下, 所提算法能够有效区分3种相似度高的STBC3码, 且将STBC可识别的编码类型由目前的4种扩充到6种, 识别准确率能达到96%。该方法的复杂度较低, 不需要利用大量样本数据, 实时性高, 具有较好的工程应用价值。     

动力学模态分解方法重构及预测流场误差分析

利用动力学模态分解(dynamic mode decomposition,DMD)方法可以实现非定常流场的分解、重构和预测,但该方法重构和预测流场的误差需要给出定量分析.鉴于此,提出了定量描述动力学模态分解重构和预测流场的误差分析方法,以雷诺数Re=80的圆柱绕流二维流场数值模拟结果为例,研究了非线性流动和周期性流场重构和预测误差的动态变化情况.结果表明:依据能量大小确定的模态反映了流场的主要相干结构;低频、低增长/衰减率和大尺度的相干结构能量占比大,对流场的影响较大;DMD方法可以准确重构非线性和周期性变化流场,重构的误差小于10-10,预测流场的误差较重构流场出现跳跃增大现象;DMD方法预测非线性变化流场的误差在样本时间区间内较小(小于10-3),超出样本区间误差的发展急剧增大,变化情况依赖于数据样本;预测周期性流场的误差稳定在10-4左右.