泥鳅和大鳞副泥鳅性腺细胞H－Y抗原的检测

以雄性小鼠脾细胞为抗原，免疫Ｂａｌｂ／ｃ小鼠，获得了高滴度的抗Ｈ－Ｙ抗原抗体．在此基础上，利用细胞毒性实验，对泥鳅和大鳞副泥鳅的性腺细胞进行了Ｈ－Ｙ抗原的检测．结果表明，泥鳅中雌雄性腺细胞均含有Ｈ－Ｙ抗原；大鳞副泥鳅中，Ｈ－Ｙ抗原仅存在于雌性性腺细胞中，提示其为ＺＺ／ＺＷ型性别决定．     

用硫酸铁──硫酸作浸取剂从闪锌矿制备七水合硫酸锌

本文介绍了用硫酸铁－硫酸作浸取剂，从闪锌矿制备七水硫酸锌的工艺过程。用铁屑作中和剂和还原剂除去浸取液中的酸和未反应的Ｆｅ￣（３＋），从溶液中结晶出大部分ＦｅＳＯ＿４·７Ｈ＿２Ｏ后，用“针铁矿”法除去剩余的Ｆｅ￣（２＋），用四氯乙烯作萃取剂回收渣中的硫。     

海南县域经济发展水平的空间差异与扶贫开发

自改革开放以来,海南社会经济获得了很大的发展,但是县域经济发展水平的空间差异仍十分显著.为了更好地了解海南县域经济发展水平的空间差异,选取人均GDP、城镇化水平、人均财政收入、农民人均纯收入、非农产值、文盲率等7项指标,采用量图分析法,将全省18个市县行政区分为先进、中等、落后3种类型.确定今后扶贫的重点市县.让真正需要扶贫支持的市县得到必要的扶贫支持.尽快的脱离贫困.     

电子商务系统形式化分析与验证技术综述(Ⅱ)

应用形式化分析技术对电子商务系统模拟与验证，可以查找系统设计中的错误和不足，确保系统的正确性和健壮性．本文将目前用于电子商务系统的形式化方法划分为四大类，综合分析并比较了各类方法的应用特点，并指出了进一步地研究工作．     

大理学院公共选修课开设现状调查与分析

公共选修课是大学生素质教育的重要组成部分。通过对大理学院开设公共选修课的现状做专门的调查与分析,并针对存在的问题提出对策,以促进公共选修课教学与管理的规范化、制度化和科学化。     

Study on pitting process of 316L stainless steel by means of staircase potential electrochemical impedance spectroscopy

Pitting corrosion of 316L stainless steel in NaCl solution was investigated by means of staircase potential electrochemical impedance spectroscopy (SPEIS). The investigation focused on the transition of stainless steel from the passive state to pitting corrosion. Based on the evolution of electrical parameters of the equivalent electrical circuit, it is suggested that the most probable mechanism of pit creation is the film breaking model. The result demonstrates that staircase potential electrochemical impedance spectroscopy is an effective method for the investigation of pitting corrosion.     

双歧杆菌发酵乳的研制

对双歧杆菌制作双歧杆菌酸奶的工艺进行了研究。所采用的耐氧长双歧杆菌Ｂ１能在有氧条件下１４ｈ内凝乳。实验确定了二步发酵法制作凝固型双歧杆菌酸奶的工艺;确定了双歧杆菌将与其它乳酸菌单独发酵,然后按５∶９５混合进行发酵制作搅拌型双歧杆菌酸奶的工艺。所制得的双歧杆菌酸奶具有传统型酸奶的风味,并能达到１０８个／ｍＬ以上的活双歧杆菌含量     

D-S证据理论中的证据组合

Dem pster证据组合规则在 D- S证据理论中将几组相互独立的证据融合 ,得到一组新的证据。Dempster证据组合规则在 D- S证据理论中起着十分重要的作用。在对 Dempster证据组合规则进行分析的基础上 ,提出了一组更加一般化的证据组合规则 ,即证据的逻辑运算及基于相似性加权的证据组合规则。它们具有与Dempster证据组合规则不同的性质和应用背景     

基于GraphSage节点度重要性聚合的网络节点分类研究

传统的图嵌入算法及图神经网络模型在对网络节点分类时仅使用了节点本身的属性信息或者特征信息,很少使用节点在网络中的结构信息。如何在图神经网络聚合时引入节点网络结构信息来提升分类准确性也是一个值得深入研究的问题。因此,在GraphSage模型的基础上,根据网络中节点度及节点重要性设计了新的聚合函数并提出了GraphSage-Degree模型。首先,模型根据节点度获得节点在邻域中的重要性,然后再以重要性为依据来聚合节点的特征,使得网络中重要的节点能够尽可能的聚合更多的特征信息,并且在GraphSage-Degree中设置了一个与节点度有关的超参数D,能够通过调节该参数D使得在不同的数据集上达到最佳分类状态。在Cora、Citeseer和Pubmed 3个公开数据集上进行了测试,GraphSage-Degree与其他方法相比,macro-F1的平均提升值分别为8.72%、10.37%和8.29%,在Pubmed上有最大提升值38.84%;micro-F1的平均提升值分别为8.97%、11.16%和6.9%,在Pubmed上有最大提升值38.39%。