双对苯醌的抗氧化活性分析及其固体发酵条件优化

为探索生物活性未知的双对苯醌（2,7-dihydroxy-3,6,9-trimethyl-9H-xanthene-1,4,5,8-tetraone，DTXT）的抗氧化活性，并提高其发酵产量，考察DTXT的还原力以及对超氧阴离子自由基、羟自由基、1,1-二苯基-2-三硝基苯肼（1,1-diphenyl-2-picrylhydrazyl，DPPH）自由基的清除效果，在单因素试验基础上，采用响应面法优化了DTXT产生菌瓶生顶孢霉（Acremonium cavaraeanum）CA022菌株的固体发酵培养基。结果表明：在200 μg/mL质量浓度下，DTXT的还原力与芦丁差异不显著，高于VE和2,6-二叔丁基-4甲基苯酚，对超氧阴离子自由基清除率达到67.00%，对羟自由基清除率达到78.83%，对DPPH自由基清除率达到76.53%。通过响应面试验，得到最佳培养基配方为葡萄糖0.773%、硝酸钠0.185%、H3BO3 0.032%、VB1 100 μg/100 g，在此条件下实际获得的DTXT产量为4 150.8 mg/kg，是优化前产量的（2 864.83 mg/kg）1.45 倍。     

关于论文中的图

1.图要精选,应具有自明性,切忌与表及文字表述重复。2.图要精心设计和绘制,要大小适中,线条均匀,主辅线分明。3.坐标图标目中的量和单位符号应齐全,并分别置于纵、横坐标轴的外侧。4.图中的术语、符号、单位等应与表格及文字表述所用的一致。     

低压静电场辅助冷冻对竹笋品质的影响

为研究低压静电场辅助冷冻对竹笋冻结特性的影响，以冻结曲线、硬度、水分损失率、水分迁移、冰晶形态和组织微观结构为指标，探究低压静电场辅助冷冻（－35 ℃）和普通冷冻（－35 ℃）条件下竹笋品质的变化规律。结果表明：低压静电场辅助冷冻提高了冻结效率，改变了冰晶形态及分布，减轻了组织微观结构破损程度，改善了解冻汁液流失情况。与静电板间距10、20、30、40 cm处的冷冻竹笋解冻后水分损失率分别为14.16%、12.58%、9.73%、10.44%，显著低于对照组（21.01%）（P＜0.05），硬度分别为461.19、507.48、496.65 g和455.31 g，显著高于对照组（350.70 g）（P＜0.05）。低场核磁共振分析结果表明，在低压静电场辅助冷冻下竹笋解冻后汁液流失减少，扫描电子显微镜观察结果显示，竹笋纤维排列整齐，组织微观结构保持较好。低压静电场辅助冷冻可有效改善竹笋品质，可为利用低压静电场进行果蔬的冷冻贮藏和冷链运输提供参考。     

广义正交码索引调制系统的性能分析

摘 要：为了提高码索引调制（code index modulation，CIM）系统的传输效率，提出了一种具有更低复杂度的单输入单输出（single input single output，SISO）的广义正交码索引调制（generalized orthogonal code index modulation，GQCIM）系统。CIM 系统使用扩频码和星座符号传输信息，但只能激活两个扩频码索引和一个调制符号。而 GQCIM 系统以一种新颖的方式克服了只激活一个调制符号的限制，同时充分利用了调制符号的正交性，增加扩频码索引以传输更多的额外信息位，提高了系统的传输效率。此外，分析了GQCIM系统的理论性能，推导了误码率性能的上界。通过蒙特卡罗仿真验证了GQCIM系统的性能，对比发现GQCIM系统的理论和仿真性能一致。而且在相同的传输效率下，结果显示GQCIM系统的性能优于同样具有正交性的调制系统，如广义码索引调制（generalized code index modulation，GCIM）系统、CIM系统、码索引调制-正交空间调制（code index modulation aided quadrature spatial modulation，CIM-QSM）系统、码索引调制-正交空间调制（code index modulation aided spatial modulation，CIM-SM）系统、脉冲索引调制（pulse index modulation，PIM）系统。     

基于1D CNN与XGBoost的恶意代码纹理检测

恶意代码数量已经呈现爆炸式增长,对于恶意代码的检测防护显得尤为重要.近几年,基于深度学习的恶意代码检测方法开始出现,基于此,提出一种新的检测方法,将恶意代码二进制文件转化为十进制数组,并利用一维卷积神经网络(1 Dimention Convolutional Neural Networks,1D CNN)对数组进行分类和识别.针对代码家族之间数量不平衡的现象,该算法选择在分类预测上表现良好的XGBoost,并对Vision Research Lab中的25个不同恶意软件家族的9458个恶意软件样本进行了实验.实验结果表明,所提的方法分类预测精度达到了97％.