甘油—乙醇混合液超声性质研究

测量了不同浓度的甘油、乙醇混合液的声速和密度,计算了超额绝热压缩系数.结果表明,在整个浓度范围内,甘油和乙醇之间存在着强烈的分子相互作用.     

统计模式识别的研究

模式识别的基本目标就是在有监督和无监督的情况下进行分类,在模式识别的各种模型中,基于统计的方法已经被广泛的研究并应用于实际.一些新的技术和方法的引入（神经网络和支持向量机方法）也促进了该领域发展,文章研究了基于统计的模式识别的进展情况,给出了模式识别的概念、原理、方法并对各种方法进行了相关的评述.     

分子筛负载HPA/TiO2催化剂的性能

报道了分子筛负载杂多酸和二氧化钛催化剂MS／HPA／TiO2的制备及其对品红溶液降解的效果，系统研究了催化品红溶液降解的优化条件。实验表明，MS／HPA／TiO2具有良好的催化活性且容易回收。当MS：HPA：TiO2=1：10：1，品红的浓度为0．005％（10mL），催化剂的用量为10mg，反应时间为10min，品红的降解率达到96．87％。     

取代苯甲醇和取代苯酚活性的分子拓扑研究

基于原子的核外价电子数、成键电子数、原子直接键连的成σ键的氢原子数目和最高主量子数,定义了一种原子点价公式,构建了分子连接性指数,研究了取代苯甲醇对黑曲霉幼虫抑制活性,取代苯酚对小鼠肝细胞色素P-450转化为P-420活性与分子连接性指数的相关性.结果表明,二阶项和三阶项分子连接性指数具有良好的结构选择性和活性相关性.     

非对称极化散射矩阵的目标识别方法研究

本文针对单基地测量时线性目标的极化散射矩阵为非对称这一实际情况．根据散射矩阵理论将其进行了对称性修正，在此基础之上，利用本征极化作为雷达目标极化特性的表征并进一步提取了目标的极化特征，同时对五种飞机目标进行了识别实验研究，取得了良好的目标分类或识别效果。     

基本图素分类的综合判定

本文采用关于手绘图形基本图素的“角度和变量”与“最大距离”综合判定分类法,以流程图符为例,实现了手绘基本图形的在线机器识别.系统的识别率达94.0%～99.5%,无明显等待.     

用磷酸铝分子筛和硅磷酸铝分子筛作催化剂合成丙酸戊酯的研究

用新型磷酸铝分子筛和硅磷酸铝分子筛作催化剂,对丙酸和正戊醇液—固相酯化反应进行了研究.考察了合成条件及用不同方法制备的催化剂对醇产率的影响,当醇酸摩尔比为1.2∶1、催化剂用量为0.6～1.0g/mol丙酸、带水剂环己烷用量为5.0ml/mol丙酸,反应温度为140～160"C时,5hr酯化反应的酯产率大于98％.同时对酯产物的物理常数进行了测定,实测值与文献值相符.     

基于网络药理学和分子对接探讨智脑胶囊改善阿尔茨海默病的作用机制

借助网络药理学和分子对接技术,探讨智脑胶囊改善阿尔茨海默病的干预机制。通过TCMSP、TCMID等多个数据库寻找与智脑胶囊相关的化学成分及其作用靶点;利用GeneCard等数据库获取阿尔茨海默病的作用靶点;运用Venny2.1网站筛选出药物与疾病的交集靶点;使用STRING平台和Cytoscape软件进行拓扑分析得到智脑胶囊治疗阿尔茨海默病的核心作用靶点;采用Metaspace数据库对潜在核心作用靶点进行GO(gene ontology)及KEGG(Kyoto encyclopedia of genes and genomes)通路富集分析;利用AutoDock软件使用分子对接验证活性化合物与核心靶点的结合能力。结果表明：在智脑胶囊中共筛选出44个活性成分和292个有效靶点,智脑胶囊与阿尔茨海默病共同靶点58个;蛋白质-蛋白质相互作用得出关键靶点包括AKT1、IL-6、TNF等;GO分析共包含1 419条,KEGG得到175条代谢通路,主要包括脂质与动脉硬化、TNF信号通路;分子对接显示关键成分与靶点具有良好的结合能力。研究表示智脑胶囊可能通过脂质与动脉硬化和TNF信号通路等途径来减轻...     

联合实体边界检测的命名实体识别方法

针对传统命名实体识别方法无法有效利用实体边界信息的问题,提出一种联合实体边界检测的命名实体识别方法,即将实体边界检测作为辅助任务,增强模型对实体边界的判断能力,进而提升模型对实体的识别效果。首先,利用Bert预训练语言模型对原始文本进行特征嵌入获取词向量,并引入自注意力机制增强词对上下文信息的利用;其次,在命名实体识别任务的基础上,添加实体边界检测辅助任务,增强模型对实体边界的识别能力;再次,对比联合实体边界检测的命名实体识别方法与基线方法的有效性,并对测试结果进行消融实验;最后,进行样例分析,分析损失权重β对实体边界检测的影响。实验结果表明,在英文社交媒体数据集Twitter-2015上,联合实体边界检测的命名实体识别方法相较于基线模型取得了更高的精准率、召回率和F1值,其中F1值达到了73.57%;并且,边界检测辅助任务提升了基线方法的检测效果。所提方法能有效利用实体边界信息,从而获得更好的实体识别效果,促进了人机交互系统的发展,对自然语言处理下游任务有重要意义。     

数据驱动下交通异常行为的双层识别模型

为实现对车辆异常行为的准确识别,提高车辆行驶的安全性,提出了一种基于支持向量机(support vector machine, SVM)、监督学习与长短期记忆(long short term memory, LSTM)深度学习的交通异常驾驶行为双层识别模型。首先,对车辆轨迹数据筛除和滤波,构建异常行为数据集;其次,从异常行为轨迹特征中提取出特定异常行为的特征标签,并人为标定在训练集中;再次,构建SVM模型对训练集进行粗识别,基于SVM的二分法原理,从测试集中筛选出异常行为;最后,通过LSTM时间序列模型构建具体种类的异常行为模型,并通过深度学习的方法,从异常行为数据中细分为蛇形驾驶、急速变向、侧滑、大半径转弯、快速U型转弯、急刹车等具体的异常驾驶行为。本次实验选用下一代仿真(next generation simulation, NGSIM)数据中US-101高速公路和peachtree城市道路的数据集的轨迹数据验证SVM和LSTM双层识别模型的性能,包括均方根误差、识别准确率等。结果表明,构建的双层识别模型在第一层有98%的识别准确率,第二层有超过80%的识别准确率,可以较为准确地识...