公共危机下的政府公信力研究

政府公信力是政府赢得公民信任的重要资本,它对于巩固政府管理、促进经济发展和文明进步都有着非常重要的作用.但是政府公信力容易受到负面行为的影响,近年来我国发生的一系列重大公共危机灾害严重伤害了公众的情绪,使得政府形象受损.当政府信任破损之后,公众对政府产生不信赖感,对未来的积极期望被消极期望所打破,这时政府公信力下降,信任受损,政府在公信力下降之后采取有效措施去修复信任是异常关键和重要的.     

甲烷水蒸气重整制合成气的研究进展

概述了甲烷转化的工艺特点和研究意义,综述了甲烷水蒸气重整的反应原理、工艺过程、催化剂的组成,并论述了国内外甲烷水蒸气重整制合成气技术的研究现状及发展方向.     

Ga掺杂70Ge纳米晶的制备与研究

通过离子注入及中子嬗变掺杂制备了Ga(镓)掺杂70Ge(锗)纳米晶,并对样品进行了质子激发X射线荧光分析谱(PIXE)、光致发光谱(PL)、激光拉曼散射谱(LRS)的测量与研究.结果表明：随着Ga杂质浓度的增加,580 nm附近的荧光峰的发光强度不断地下降,这可能是非辐射的俄歇复合过程与纳米晶数量的减少共同作用的结果.此外,从PL上面看到580 nm附近的荧光峰蓝移则可能是由纳米晶尺寸的减小和非辐射的俄歇复合过程引起的.     

基于遗传算法的Hopfield神经网络集成

针对遗传法中存在的缺欠,根据神经网络和遗传算法原理在优势互补的条件下,提出了一种新的求解方法,即GA-Hopfield 网络方法;该方法就是利用 GA 很强的全局搜索能力来弥补 Hopfield 网络容易陷入局部最优的缺陷的优化方法,且对此模型进行了有效性验证,具有一定的理论研究和应用价值.     

超表达状态下的TMP21对介导阿尔茨海默氏病γ分泌酶复合物活性影响的研究

研究转运膜蛋白21(TMP21)在小鼠成纤维细胞中超表达状态下,对γ分泌酶活性的影响.利用TMP21 cDNA转染敲除淀粉样前体蛋白表达基因的小鼠胚胎成纤维细胞系(MEF(KO)),以梯度浓度G418筛选TMP21表达量最高的细胞.处理超表达组(T)和对照组(C)细胞,并收集纯化含γ分泌酶复合物的样本.用Western blotting检测TMP21蛋白表达量,选用饱和浓度的γ分泌酶底物C99,运用ELISA检测Aβ-peptide40和Aβ-peptide42的生成总量.结果表明,样本T1、T2及IPT2所含TMP21的蛋白表达量较相应对照组样本C1、C2和IPC2分别上升11.5%(P=0.08),28.1%(P＜0.01),69.1%(P＜0.001),提示经TMP21 cDNA转染后MEF(KO)细胞中TMP21蛋白表达明显提高.同时,对照样本C1、C2及IPC2,样本T1、T2及IPT2中所含γ分泌酶活性分别降低33.4%(P=0.01),71.9%(P＜0.001),96.5%(P＜0.001).转染组样本中,样本IPT2所含γ分泌酶活性最低,提示经处理γ分泌酶得到明显纯化分离,与Western blotting所得结果一致.因此,高表达状态下的TMP21蛋白,对MEF(KO)细胞中γ分泌酶的活性具有明显的降低作用,表明TMP21为γ分泌酶的负调控因子之一.     

LSMC天线的互耦研究

采用可以把相位差信息转换为强度信号的简易天线(LSMC天线),实验研究了互耦对天线输出信号的影响,结果表明:在电磁波不同的到达方向角条件下,天线之间均存在明显的互耦;两天线距离大于波长一半或重叠面积比例小于0.2时,它们间的互耦变得很弱.在实际应用中,可以根据本文结果对LSMC天线的间距和重叠面积调整,以减弱天线间的互耦.     

平顶山市中心区停车需求预测研究

本文针对平顶山市中心区停车难问题,通过停车现状调查,结合停车小区划分状况,采用以交通量—停车需求模型为主静态交通发生率模型检验相结合的方法,进行规划年平顶山市停车需求预测。两种预测结果吻合程度较好,实现了中心区停车需求的准确预测。     

嵌入社区半径的力引导与径向树混合布局算法

力引导布局算法存在无法展示复杂网络社区结构的缺陷,虽引入聚类的方式来展示社区结构,但社区内节点拥挤且排列无序,不利于观察社区内节点的结构特征与连边关系,为此提出嵌入社区半径的力引导与径向树混合布局算法.该算法首先采用K-means算法对网络节点进行社区划分;然后,用社区内节点数量确定社区半径,并将社区半径嵌入到社区斥力、引力中来展示社区结构;最后,采用径向树布局分层可视化各社区内节点.实验中使用拥挤区域占比、点分布偏差、节点偏差等指标验证了本算法既能降低拥挤度又能减少节点布局偏差,可视化结果显示,本算法布局社区结构明显,节点层次分明,易于理解.     

有机过氧化物热分解压力特性和安全性评价

本文采用密闭压力容器试验（ＣＰＶＴ）测定有机过氧化物的热分解过程,得到压力（Ｐ）时间（ｔ）曲线和压力变化速度（ｄＰ／ｄｔ） 时间（ｔ）曲线,根据曲线确定其分解的最大压力ＰＭ 和最大压力变化速度（ｄＰ／ｄｔ）Ｍ 值．利用ＰＭ×（ｄＰ／ｄｔ）Ｍ 结果对化合物的热分解反应激烈程度进行分类,它与热爆炸容器试验（ＴＥＶＴ）结果有良好的相关性．