线性空间上凸函数若干等价命题

本文在线性空间中的凸集上定义一种导数.应用于研究凸函数,得到了凸函数的若干等价命题.     

关于单花莸的二型花的补记

陈介(1964)在四棱草属(Schuabelia)中发现了二型花,即开花授粉型的花(chasmoga-mous)和闭花授粉型的花(cleistogs)。本文作者于1985年指出单花莸(Caryopteris nepetoefolia(Benth.)Maxim.)也有二型花。自从K.J Maximowicz在1876年将Tenn nepetaefolia从香科属(Teucrnm)转隶到莸属(Caryopteris)以来,有关它的这一特征一直无人知晓。单花莸与四棱草属的二型花不仅有相同的结构,而且也都是发生在同一植株上;就花期而言,开花授粉型花的花期在先,闭花授粉型花的花期在后;从花的着生位置看,两种类型的花各自生在其聚伞花序上。迄今,几乎所有已出版的植物志均未提到单花莸有二型花。为此,本文对其作了补充描述,并简略讨论了二型花在植物进化上的意义。     

钠光谱分析中运算方法的改进

本文对近代物理实验项目《钠原子光谱的拍摄与分析》的传统教学内容提出了改进,并将微机引入了实验教学。     

原子外层空轨道相对最稳定顺序及周期性规则

本文提出原子外层空轨道相对稳定性可作为电子填充的粗略判据;给出由中性原子轨道能数据直接导出原子外层轨道相对最稳定顺序的图表及周期性规则;用以简明、清晰、合理地推引解释元素基组态和解释元素周期律。提出在中心势场模型基础上推引全部元素基组态的方法。     

预应力混凝土箱梁爆炸损伤评估及公式拟合

对预应力混凝土箱梁进行爆炸损伤评估研究。首先,对矩形梁进行爆炸数值分析,结合现场试验结果验证了爆炸数值模型的准确性、可靠性。其次,基于箱梁剩余承载力,建立了箱梁爆后损伤评估准则。通过对预应力混凝土箱梁在不同爆炸工况下的爆后剩余承载力计算,建立箱梁各损伤程度下P?I（超压?冲量）曲线。研究发现,混凝土强度对箱梁超压和冲量临界值影响较大,钢筋屈服强度对超压和冲量临界值影响较小。随着结构损伤等级的增大,各参数对箱梁P?I曲线的影响幅度各不相同。最后,对不同混凝土强度箱梁中各损伤等级P?I曲线进行公式拟合,并对拟合参数β进行分析。     

新型冠状病毒主蛋白酶天然产物抑制剂的筛选

为寻找新型冠状病毒主蛋白酶天然产物抑制剂,本文以SARS-CoV-2主蛋白酶为研究对象,通过计算机辅助药物筛选方法初步筛选出16个潜在抑制剂并进行体外酶活测试.其中,野黄岑素对SARS-CoV-2主蛋白酶的IC50为（10.79 ± 2.116 ） μmol/L,没食子儿茶素没食子酸酯抑制SARS-CoV-2主蛋白酶的IC50为（2.104 ± 0.346） μmol/L.最后,将两种天然产物与主蛋白酶进行分子动力学模拟发现没食子儿茶素没食子酸酯和野黄岑素与新型冠状病毒主蛋白酶结合时的复合物RMSD都在0.22 ?附近,说明两个天然产物与新型冠状病毒主蛋白酶结合较为稳定,可以作为新型冠状病毒主蛋白酶的抑制剂或先导化合物.     

弱左型B半群的真覆盖

弱型B半群是在半富足半群范围内的广义逆半群.该文利用弱左型B半群真覆盖的定义,给出了弱左型B半群真覆盖的相关性质.特别地,得到了相应于弱左型B半群作用在幂单幺半群上的真覆盖的结构定理.     

基于梯度加权类激活热力图的卷积神经网络故障诊断模型鲁棒性分析

深度学习近年来在故障诊断领域受到广泛应用,但基于深度学习的故障诊断模型缺乏工程上的物理解释性,难以保证其故障诊断结果的稳定性。以轴承为例,建立了以小波时频图像为故障诊断依据的卷积神经网络模型(convolutional neural network, CNN),提出了一种基于梯度加权类激活热力图(gradient-weighted class activation map, Grad-CAM)的网络模型鲁棒性分析方法,并利用美国凯斯西储大学(Case Western Reserve University, CWRU)轴承数据集进行验证。首先,将故障直径轴承数据以不同方式混合并训练大、小多个模型。其次,利用Grad-CAM方法,建立时频区域与故障模式之间的联系。最后,利用其他工况下的轴承故障数据,以及含噪数据进行测试,并根据结果结合模型最注重的时频区域进行分析。结果表明,基于深度学习的轴承故障诊断模型在参数较少时更加注重低频区域,并能使其具有更好的鲁棒性。     

基于词-标签概率的多标签文本分类研究

针对多标签文本分类任务中如何有效地提取文本特征和获取标签之间潜在的相关性问题,提出一种CNN(convolutional neural networks)结合Bi-LSTM (bi-directional long short-term memory)的模型.首先,通过CNN网络和最大池化提取文本的特征;然后,利用训练的Labeled-LDA(labeled latent dirichlet allocation)模型获取所有词与标签之间的词-标签概率信息;接着,使用Bi-LSTM网络和CNN网络提取当前预测文本中每个词的词-标签信息特征;最后,结合提取的文本特征,预测与当前文本相关联的标签集.实验结果表明,使用词-标签概率获取文本中词与标签之间的相关性信息,能够有效提升模型的F1值.