全长人PPAR-γ的表达、纯化与结构确证

目的建立表达、纯化结构完整的全长人PPAR-γ的方法。方法构建pReceiver-B01-PPAR-γ质粒并转化E．coliBL21（DE3）细胞,诱导表达重组蛋白,优化细胞生长条件;利用亲和色谱和尺寸排阻色谱纯化重组蛋白;胶内酶解重组蛋白,用离子阱质谱仪分析二维AgilentHPLC-Chip纯化的酶解片段;基于MS／MS搜索IPI、Swiss．Prot、NCBInr和MSDB数据库,鉴定重组蛋白。结果在优化的细胞生长条件（TB介质、37℃、0．8mMIPTG、诱导3h）,从每升TB中可获得280mg重组蛋白;两步纯化后,获得176mg、纯度为95％的均质重组PPAR-γ蛋白;经质谱分析和搜索蛋白质数据库,获得均匀地分布在整个PPAR-γ多肽链中的33个阳性肽段,覆盖率为60％,表明重组蛋白为结构完整的全长人PPAR-γ。配体结合活性位点S289、H323、H449和Y473无突变,保证全长人PPAR-γ与配体结合的生物学活性。结论本文所建立的方法能成功用于大量表达结构完整的全长人PPAR-γ,有利于进一步的结构、功能研究和活性配体的筛选。     

一种基于视频图像的挖掘机工作状态识别方法

为了实现违法用地现象的实时监测,对土地间的挖掘机等施工机械的工作状态识别是非常重要的.实际场景下,因随机噪声和光照变化的影响,给挖掘机工作状态识别带来极大的挑战.本文提出一种基于视频图像的挖掘机工作状态识别方法,首先,对同一品牌挖掘机工作装置的各种姿态建立混合local binary features (LBF)形状回归模型并进行离线训练;其次,利用上述模型预测输入视频帧中挖掘机工作装置的形状信息,构建挖掘机的工作状态特征描述子;最后,利用support vector machine (SVM)分类器自动判别挖掘机的工作状态—-工作状态或非工作状态.实验结果表明,该方法很好地克服了多姿态导致形状变化的影响,对挖掘机工作状态识别准确率达到了93.53%.     

空中目标辐射源的个体识别方法

针对传统的辐射源个体识别方法在低信噪比环境下识别性能不佳的问题,提出了一种空中目标辐射源的个体识别方法,该方法利用经验模态分解和变分模态分解得到信号不同频率的模态分量,将各模态分量的多尺度排列熵作为特征,利用主成分分析对数据进行降维,并采用支持向量机分类器进行辐射源个体识别。仿真结果表明,该方法对相位噪声、频率漂移以及谐波失真等细微特征的识别性能明显优于传统方法,并具有良好的抗噪性。     

大规模定制模式下的顾客需求管理：获取、识别和聚类分析

为了有效处理不同客户的需求以保证大规模定制生产的规模性和经济性,提出了一种以聚类分析思想为核心的定制需求管理方法。该方法在获取客户需求信息并进行有效化处理的基础上,采取模糊聚类的方法将数量众多的单个客户转化为具有相似需求的客户群体,指导企业产品的标准化、生产的模块化以及产品族的规划设计并提升客户满意度。文章最后,结合笔记本电脑的应用实例说明了该方法的可行性和有效性。     

基于LVQ神经网络的植物种类识别

提出一种基于学习矢量量化（LVQ）神经网络的计算机植物种类识别新方法. 使用2-D不变矩、 多尺度2-D Gabor滤波器等多种方法分别提取了叶片的几何特征和纹理特征, 应用LVQ神经网络识别植物种类. 实验结果表明, 该方法对植物种类的识别效率较高.     

一类非均匀采样系统最小二乘迭代辨识

阐述了非均匀多率采样方案,利用提升技术推导出非均匀多率采样系统的提升状态空间模型,进一步获得了对应的输入输出表达.针对辨识模型信息向量中存在未知中间变量的困难,基于交互估计理论与迭代搜索原理,提出了非均匀多率系统的最小二乘迭代辨识方法.最后进了仿真比较研究,以说明提出算法的优点.     

滞空状态下超小型旋翼机系统的姿态模型辨识

采用机理分析和系统辨识相结合的方法,以直升机机体和伺服小翼的力矩平衡方程为基础,根据滞空状态的特性,建立含有未知参数的超小型旋翼无人机姿态模型,由飞行数据采用预测误差法(PEM)对上述姿态模型进行了辨识,从而得到了完整的滞空状态下超小型旋翼机系统的姿态模型,最后验证了辨识模型的正确性。     

基于离散正则模型的时变信道盲辨识算法

以CDMA时变信道离散正则模型为基础,提出了基于改进的矩阵外积分解的时变信道盲辨识算法。算法对传统的矩阵外积分解算法进行修正,使其适应离散正则模型两级盲辨识,并引入了精确的时延阶数估计,克服了现有算法需要预先知道信道时延实际阶数的局限,使其在仅知道信道阶数上界的条件下完成盲辨识。仿真结果表明了该算法的有效性。     

基于改进粒子群算法的系统辨识新方法

提出了一种利用改进的粒子群优化算法对系统进行辩识的方法.该方法是将典型的数学模型的相互组合而构成系统模型的新辨识方法,即首先将系统结构辨识问题转化为组合优化问题,然后采用粒子群优化算法同时实现系统的结构辨识与参数辨识.为了进一步增强粒子群优化算法的辨识性能,提出了利用一种改进的粒子群优化算法.最后,给出了仿真示例,结果验证了所给的系统辨识方法的合理性和有效性.