苏州河底泥对铜锈环棱螺(Bellamya aeruginosa)SOD和Cat的影响

研究在苏州河不同样点现场放养大型底栖动物－铜锈环棱螺，研究放养个体内脏团中超氧化物岐化酶、过氧化氢酶在环境影响下的变化。研究结果表明：大型底栖无脊椎动物组织中，抗氧化系统的SOD、Cat活性是指示污染的敏感指标。Cat活性在苏州河污染环境中被抑制，且在临界范围内随着污染毒性作用的加强，抑制作用也加强。SOD的变化不稳定，它在30天暴露后的降低表明还需要更长的时间来继续这种试验，以确定它是否是有价值的指标。     

次生林斑块的边缘效应对鸟类分布格局的影响

2005~2006年鸟类的繁殖季节,在吉林省左家自然保护区确定了11块次生林斑块,对次生林斑块的边缘效应对鸟类分布格局的影响进行了研究.结果表明:11块样地面积在10.9~51.2 hm2之间,平均面积为24.8 hm2;鸟类主要分布在0~50和50~100 m两个距离梯度;不同梯度中鸟类的分布在年际间未发生较大波动(P0.05),不同距离梯度的鸟类分布差异很大,达到极显著水平(P=0.00);0~150 m为鸟类的主要分布区域,边缘距离为150 m,次生林斑块中边缘效应存在.     

增肌运动处方对偏瘦女大学生体质的影响

运用文献资料法、实验法对17名偏瘦女大学生进行增肌运动处方锻炼。实验采用中低强度的有氧运动和抗阻练习,每次锻炼时间为40 min ,运动频率设定为每周2次（周一和周三）,把心率控制在130～150 b／min ,实验连续实施16周。结果显示：偏瘦女大学生的心肺功能得到了有效的改善,其中心率、心指数和肺活量指标改善较大,对血压的影响不大;偏瘦女大学生的BM I、身体各围度和皮褶厚度得到了有效的改善,其中BM I、臂围（紧张）改善较大,而对皮褶厚度、身体的其他围度影响不大;身体素质指标中除了握力以外,其他的指标均得到有效改善。本研究提示,增肌运动处方能有效改善偏瘦女大学生的机能指标和素质指标,对提高偏瘦女大学生身体素质具有一定的积极效应。     

基于声发射检测的岩石材料非均质性评价与分类研究

对于深部岩石力学和地下工程而言，准确表征与评价岩石的非均质性，对于研究岩石在深部复杂环境下物理力学性质的变异性至关重要。由于岩石成分的复杂性和矿物分布的随机性，采用传统的图像观察方法难以准确的表述岩石的非均质性，因此，亟需寻找一种科学、实用的试验方法对岩石的非均质性进行表征评价。本文假设同种岩石具有相同的矿物几何特征及边界特征（即岩石的微观基质相同），岩石在破坏过程中强相矿物破坏的声发射信号相比于弱相矿物破坏的声发射信号较多。岩石巴西劈裂过程中轴线上的破裂可以近似的认为岩石内部强弱相矿物的依次破裂，通过统计不同应力阶段岩石的声发射信号特征可以间接的分析岩石内部强弱相矿物的差异性。基于此，通过定义岩石强弱相矿物占比及矿物空间分布的均匀性表征出了岩石的非均质性。之后选取不同特征变辉长岩和花岗岩验证了分析方法的科学性和实用性。最后，本文在岩石非均质性评价的基础上探究了岩石宏观力学参数与岩石非均质特征的相关性。单轴和三轴试验表明，岩石的峰值强度和弹性模量不仅仅与岩石强弱相矿物占比有关，也与岩石矿物空间分布的均匀性相关。     

MELD评分对酒精性肝病患者短期预后预测价值的研究进展

酒精性肝病在我国呈现逐年上升的趋势，临床医生及时且准确地判断患者的病情及预后对治疗方案的选择十分重要.终末期肝病模型(MELD)已被广泛运用于预测多种肝病患者的预后，本文就MELD评分对酒精性肝病（ALD）患者短期预后预测价值研究展开综述，可为临床治疗提供参考.     

Cu-FeOx@AC活化PMS体系除藻效能与机制

为探究富营养化水体中藻类的新型治理技术，通过水热法和高温煅烧法，使颗粒活性炭（AC）表层上负载铜铁双金属氧化物Cu-FeO_x，制得可回收的Cu-FeO_x@AC复合催化剂。以XRD、SEM、FTIR和XPS对Cu-FeO_x@AC的表征为基础，研究Cu-FeO_x占AC的负载比、过一硫酸盐（PMS）使用量、初始pH及不同反应体系对除藻的影响，探究Cu-FeO_x@AC活化过一硫酸盐体系的除藻效能。Cu-FeO_x@AC活化过一硫酸盐体系反应机理，通过自由基淬灭实验、XPS表征进行探究。结果可知，初始pH为6，初始藻细胞密度为1.4×10⁹个/L，使用催化剂0.5 g/L，PMS 0.2 g/L时，反应90 min，该体系对藻的降解率有97.25%。在该体系中，藻细胞能被吸附在Cu-FeO_x@AC复合催化剂表面，在铜、铁不同价态离子的转换及AC的协同作用下，产生空穴、·O2-、·OH、SO4-·，单线态氧等多种氧化基团而被去除。     

基于深度学习的SSL VPN加密流量的分类识别

随着虚拟专用网技术的广泛使用，VPN加密流量的分类识别对于网络安全管理的重要性愈发明显，而传统流量分类技术在提取特征和关键协议字段时效率较低.因此，本文提出一种基于卷积神经网络的深度学习模型，用以实现SSL VPN加密流量的分类识别，并减少特征工程中的人力成本.首先，将流量区分为VPN加密流量和非VPN加密流量，并且确定出这两类流量所属的服务类型；然后对所有流量进行分类，识别出产生流量的应用类型.考虑到网络流量中存在的时序关系，采用一维卷积神经网络作为深度学习的模型，通过构建Pytorch的实验环境，采用ISCX2016数据集，实现对VPN加密流量的分类任务.通过参数优化，除数据量较小的数据类型外，应用识别的平均F1-score为91.73%,流量识别的平均F1-score为91.13%.实验结果表明，基于一维卷积神经网络的深度学习方法对于识别SSL VPN流量是可行和有效的.