微生物法制备L一半胱氨酸分离提纯的方法

采用微生物法制备L-半胱氨酸,产物浓度低、易氧化和被脱巯基酶进一步分解,L-半胱氨酸的分离提纯难度较大,是制约产品收率提高的控制步骤.目前多采用将L-半胱氨酸氧化为L-胱氨酸,分离后再电解还原的氧化法和离子交换法,离子交换法以其简洁的工艺成为今后的研究方向.     

尿酸酶突变体的高通量筛选方法

建立一种尿酸酶突变体的高通量筛选方法。将野生型苛求芽孢杆菌尿酸酶及其突变体的表达载体转入大肠杆菌,每个克隆诱导培养后超声裂解上清液为样品,全自动酶标仪测定293 nm光吸收,并分析反应启动后8~28 min的数据计算酶活性,Bradford法测定总蛋白;ROC比较用酶活性或比活性识别阳性突变体的可靠性。任2种突变体酶活性或比活性比值2时,ROC分析曲线下面积接近1;当酶活性或比活性仅增加50%时,分析比活性所得曲线下面积比分析酶活性更大,将ROC分析比活性提高近1倍。突变体敏感度达90%时,比活性为判断阳性突变体阈值,其相当于以起始物比活性均值加1.7倍标准差;此阈值能用于高通量筛选变体库中比活性增加1倍以上的阳性突变体。     

基于EAS+MADRL的多无人车体系效能评估方法研究

无人作战开始步入现代战争舞台, 多无人车(multi unmanned ground vehicle, MUGV) 协同作战将成为未来陆上作战的主要样式。体系效能评估是装备论证和战法研究的核心问题, 针对MUGV体系效能评估问题, 建立了一套以自主学习算法为基础的探索性仿真分析方法。将MUGV对抗过程建模为零和随机博弈(zero sum stochastic game, ZSG)模型, 通过使用多智能体深度强化学习类方法(multi agent deep reinforcement learning, MADRL)探索在不同对方无人车规模条件下, ZSG模型的纳什均衡解, 分析纳什均衡条件下参战双方胜率, 作战时长等约束, 完成MUGV体系作战效能评估, 并在最后给出了MUGV体系效能评估应用示例, 从而建立了更可信、可用的体系效能评估方法。     

5,5′-二硫硝基苯甲酸分光光度法测定微生物酶法转化液中的L-半胱氨酸

以5,5′-二硫硝基苯甲酸(DTNB)分光光度法测定微生物法转化液中的L-半胱氨酸,测定波长为412 nm,L-半胱氨酸在5～40μg/mL浓度范围内呈良好的线性关系(R2>0.999 3),高、中、低浓度水平的L-半胱氨酸加标回收率为99.2%～102.5%,RSD为2.3%.该法准确、简单、快速,可以用于对微生物转化进行实时检测.     

“中国梦”融入高职高专院校思想政治教育的路径探析

“中国梦“主题教育活动要融入高职高专院校思想政治教育的全过程,各高校要积极探索融入高校思想政治理论课的有效路径,要在思想政治教育活动中深化“中国梦”的宣传教育。     

我国创业板市场发行定价方式研究

确定我国创业板市场股票的发行与定价方式需要考虑两个关键因素,即我国创业板的功能定位和特点、我国主板市场及海外市场有关的经验和教训等。通过分析,建议创业板发行方式采用上网发行与向机构投资者配售的方式;创业板定价方式可在考虑机构投资者参与定价方式、保护中小投资者定价方式和公司股票内在价值估值定价方式的基础上根据公司自身实际情况予以选择和创新。     

面向LVC训练的蓝方虚拟实体近距空战决策建模

真实-虚拟-构造为近距空战对抗训练提供了有力支撑。针对课题对蓝方虚拟实体的实际决策建模需求, 在对比分析深度强化学习与经典智能优化方法的基础上, 从优化理论的角度对神经网络的权值空间和结构空间进行定义, 提出基于智能优化的进化神经网络决策模型及其求解方法。首先,分析近距空战战术特点, 战机飞行运动模型, 实际决策建模需求。其次,分别设计战机关键飞行状态、动作空间、适应度函数, 实现蓝方端到端感知与决策。最后, 给出基于经典遗传神经网络的决策模型及求解示例。结果表明, 所提方法可实现蓝方战机通过对抗数据来学习对手作战特点的功能, 验证了模型及方法的有效性; 同时所提方法对目前智能优化及其改进算法, 以及不同结构神经网络具有通用性。     

实际环境中多无人车协同路径规划模型研究

地面无人车的集群作战运用是当前人工智能与作战指挥交叉领域的热点研究问题。针对实际环境中多无人车无法满足动态威胁条件下的协同路径规划问题,采用全局路径规划算法A-star与局部路径规划算法RL相结合的思路,从感知到行为决策全交互协同的角度开展多无人车协同路径规划模型研究,设计协同作战态势威胁算法、状态与动作空间、奖励函数、势力范围函数;设计协同作战编队构型策略生成及打击路径动态优化子模型,完成基于自主学习的多无人车协同路径规划控制模型构建与求解。结果表明：该路径规划模型可有效应对复杂城市环境下多无人车协同路径规划任务需求。