药物学领域的电子束辐射技术——一种新型抗结核制剂

为了根除疾病,药物学研究的重点已经从单纯的药物化学领域扩展到化学、生物学、电子学等多学科结合领域.本文介绍了俄罗斯科研人员运用电子束加速器固定技术研制的新型抗结核药物制剂,该制剂改善了原有的抗结核药物的内涵,加强了药物制剂中生物活性物质的作用.     

DIAGNOSTICS FOR EMPIRICAL BAYES MODELS

1.IntroductionInthelilleaxmodels,manykindsofBayesiandiagnosticshavebeenproposedtoassesstheinfluenceofeaChindividualobservationandthelocalinfluenceofminorperturbationsontheposteriordistributioll(see,[l--4])oronthepredictionoffutuxeobservation(see[5]).However,allthosediagnosticscannotbedirectlyappliedtotheempiricalBayes(EB)models(see[6]and[7]).Inthisarticle,westudythediagnosticproblemsinEBmodelssystematically.FirstlyjadeletiondiagllosticisobtainedtoexaminethesensitivityofeachcaseonEBestimate…     

具有典则联系函数的广义线性模型的诊断

本文首先给出了广义线性模型中的Ｋ－Ｌ距离和信息距离，讨论了它们的近似式及其相互关系，据此可用来检测异常点。并结合局部影响分析的思想得到了简易的诊断图，研究了回归变量的重要性以及各个观察数据对它的影响。最后给出了应用实例。     

一个新的正项级数敛散性判别定理及应用

利用偶数项、奇数项与一般项的关系 :a2n ≤pan,a2n+ 1≤qan+ 1(p +q<1)和a2n≥pan,a2n+ 1≥qan+ 1(p,q>0 ,p +q≥ 1) ,给出了正项级数一个简捷而又较常规方法更为精细的敛散性判别法 ,它是一个全新的定理 ,有广泛的适用性 .     

一维非均匀介质中Casimir stress的收敛性

文章基于Lifshitz理论,在现有计算Casimir stress的规范化方法基础上,对之做进一步的数学演绎来研究一维情况下Casimir stress的收敛性. 通过分析电磁场格林函数的Galerkin变分方程,文章严格地证明并得出结论：在现有的Lifshitz公式理论体系及常规的规范化方法下,只要介质中某处的介电常数ε或磁导率μ的一阶导数不为零,Casimir stress在这些导数非零处就是发散的. 该研究成果证明了现有的常规规范化方法不适用于非均匀介质,为改进现有物理模型和寻找新的适用于非均匀介质的规范化方法提供了理论参考.     

双比值判别法与对数判别法的比较

双比值判别法是近年来提出的判别正项级数敛散性的一种新方法，它强于传统的达朗贝尔判别法与拉贝判别法．关于双比值判别法与对数判别法的强弱关系问题是值得探讨的．通过对这两种判别法中所含极限的存在性关系的研究，可以得出对数判别法强于双比值判别法的结论．     

4—导数量子引力的重整化

对４—导数量子引力进行图图类型和发散度分析，并且利用系数、场和规范交换重整化方法使该４—导数理论重整化。     

一种新的基于多示例学习的场景分类方法

多示例学习是近年来才出现的一种新的学习框架,并以其对多义性对象的出色表示能力而被成功地运用在图像分类任务中。首先提出了一种新的图像多示例包生成方式,采用特征的概率分布表示图像,并对图像像素分布提取一个高斯混合模型,将每个高斯分布作为一个示例,生成图像的多示例包。然后,在对图像进行分类时,采用了信息瓶颈聚类把多示例包转化成单示例,从而将传统的单示例分类器用在该问题上。为了提高分类器的泛化能力,对多个分类器进行了集成。选取了5类自然场景图像进行试验,结果显示所提出的方法平均性能优于当前常用的一些多示例学习算法。     

面向稀疏数据集的聚类算法

在聚类过程中数据可能呈现稀疏性,如果仍用传统的欧式距离作为聚类指标,则聚类的质量和效率将会受到严重的影响。受到信息论中KL(Kullback-Leibler)散度的启发,采用基于KL散度的相似性度量方法,先描述数据的整体分布,进而对数据进行聚类。研究结果表明,最后通过实验验证本算法的有效性。这种方法可以利用簇中元素提供的信息来度量不同簇之间的相互关系,克传统欧式距离的缺点,提升算法准确度。     

多元条件密度函数的投影追踪估计方法

由多元条件密度函数fYX(yx)(x∈Rp)可以知道许多被解释变量Y对解释变量X的回归关系的信息,其条件期望就是回归函数,条件方差就是回归误差项的条件方差.为了克服高维空间数据稀松性带来的估计上的困难,提出多元条件密度函数的投影追踪估计方法,通过最小化Ku llback-Le ib ler距离,得到了最优初始条件密度函数和每一步的增量函数和方向向量,还给出了估计步骤及其终止法则.