吸附溶出伏安法检测吸毒人员尿液中吗啡

吗啡既是临床用镇痛剂，也是公认的毒品.为实现对尿液中吗啡的快速、简单、高灵敏度与高选择性检测，将多壁碳纳米管羧基化处理后，直接滴涂于打磨并表征过的玻碳电极表面，制备得到了羧基化多壁碳纳米管修饰玻碳电极(MWNTs-COOH/GCE)，并采用差分脉冲吸附溶出伏安法(ASDPV)对吗啡(MOP)进行检测.结果表明，在优化了传感器的制备及检测条件(包括MWNTs-COOH的滴涂量以及富集时间、富集电位、缓冲溶液的pH等)后，得到的MWNTs-COOH/GCE检测吗啡的工作曲线回归方程为lg(I/μA)=0.687lg[c/(μmol·L^-1)]-0.068 (r~2=0.992 0)，线性范围为1.0×10^-7～1.0×10^-4 mol/L，检出限为8.0×10^-8 mol/L.在使用尿酸酶除去尿液中的干扰物尿酸后，用该传感器检测实际吸毒人员尿液中吗啡的质量分数，得到的检测结果与高效液相色谱检出结果的相对误差绝对值在4.24%以内.通过t检验法发现在置信度为95%时，两种方法并无显著性差异.     

中立随机马尔科夫跳变系统延迟反馈控制器设计

本文研究了具有时变时滞的中立随机马尔科夫跳变系统的延迟状态反馈控制问题.主要目标是在漂移项和扩散项部分都设计模态相依的延迟状态反馈控制器使得闭环中立随机马尔科夫跳变系统满足随机稳定.通过构造模态相依的Lyapunov-Krasovskii候选泛函,借助线性矩阵不等式技术,得到了闭环中立随机马尔科夫跳变系统随机稳定的充分条件.仿真例子说明了所采用的方法的有效性和实用性.     

基于数据场联合PRI变换与聚类的雷达信号分选

基于脉冲描述字进行雷达信号分选时,传统聚类算法需要预先人工设定聚类中心和聚类数目。针对该问题,提出一种基于数据场理论联合脉冲重复间隔(pulse repetition interval,PRI)变换与聚类的雷达信号分选新方法。首先,依据数据场理论,基于势值大小实现干扰点剔除,而后利用PRI变换算法进行PRI估计,依据PRI估计值将归一化脉冲描述字数据预分类,进而以各类数据集中心间的欧氏距离小于辐射因子为准则进行类别合并,自动得到初始聚类中心和聚类数目,最后通过改进K-Means算法完成聚类分选。仿真实验表明:所提方法能够应对存在频率捷变,重频参差、抖动、参数交叠、局部脉冲丢失的复杂信号环境,分选正确率明显提升。     

改进GA-BP神经网络在高校教学质量评价中的应用

为了提高高校教学质量评价的有效性和准确性,提出了一种基于混合智能优化算法的教学质量评价模型。引入熵值法客观地确定教学质量评价体系的指标权重及初始评价结果,利用自适应变异的遗传算法(Genetic algorithm)优化BP神经网络(Back propagation neural network)的参数,建立教学质量评价模型。实验结果表明,与BPNN(Back propagation neural network)、GA-BPNN(Genetic algorithm-back propagation neural network)模型相比,预测精度分别提高15.04%和5.41%,收敛速度明显提高,说明基于自适应变异的GA-BPNN教学质量评价模型能够及时有效地完成教学质量评价。     

基于BP神经网络模型的寿险公司偿付能力影响因素及预警研究

针对寿险公司偿付能力影响因素以及预警管理研究,选取了不同规模的14家寿险公司流动比率、赔付率、投资收益率、总资产回报率、再保险率、保费收益率、保费变化率、寿险准备金增长率8个指标的相关数据,并利用变异系数法和相关系数法分别筛选影响较大的因素,再逐步回归得到基于主要影响因素的偿付能力回归方程,以此进行因素分析.在指标优化的基础上,利用BP神经网络模型建立寿险公司偿付能力的预警系统,同时与广义Logistic模型预测结果进行对比,得出BPNN具有更准确的判别预警效果,为寿险公司偿付能力预警以及投保人降低自身损失作出参考作用.     

一种热处理强化铝合金脉冲MIG焊工艺研究

通过对A6N01S-T5铝合金型材采用脉冲MIG焊的焊接方法进行焊接试验,结合自动焊设备特点制定了合理的焊接工艺,同时对焊缝质量进行检验,对焊接接头金相组织及力学性能进行分析,在焊接接头中未发现焊接缺陷,焊缝质量良好,满足ISO 10042B级焊缝质量要求。采用脉冲MIG焊热处理强化铝合金,可获得综合性能优良的焊接接头。     

高阶脉冲变时滞BAM神经网络的周期解

神经网络的诸多功能主要体现在其动力学特征中,而周期解问题则是其动力学行为研究中很重要的一部分.许多情况下,考虑神经网络的脉冲效应是必要而具有实际价值的.本文利用重合度理论中的Gaines-Mawhin延拓定理和微分不等式技巧,研究一类具脉冲干扰的高阶BAM神经网络模型的周期解问题,在要求激活函数有界的前提下,得到其周期解存在的充分条件.     

基于变量选择-神经网络模型的复杂路网短时交通流预测

摘要： 针对传统交通流预测模型正在由单断面历史数据处理向多断面、多时刻历史数据处理转变,但在考虑各断面间的影响时,多变的交通状况往往会使预测模型复杂化的问题,引入一种多元线性回归最小绝对收缩和选择算子方法(Lasso),并利用其优秀的变量选择能力,在复杂路网多断面中选出相关性较高的断面；结合神经网络(NN)的非线性特性,提出了Lasso NN组合模型.结果表明：Lasso NN模型在路网交叉口对未来15 min交通流数据预测的误差率低于9.2%；在非交叉口的误差率低于6.7%,总体优于各自单独使用得出的结果.