巯基葡聚糖凝胶分离催化动力学光度法测定痕量钒(V)的研究

研究了在pH1.0酸性介质中,痕量钒(V)催化溴酸钾氧化变色酸及抗坏血酸体系的反应和动力学条件,建立了催化动力学光度法测定痕量钒(V)的新方法,该方法的检出限为5.03×10-11gmL,线性范围为0.04～1.4μg25mL,将该体系用于巯基葡聚糖凝胶分离后测定痕量钒(V),方法的选择性灵敏度高,结果令人满意。     

一种保护用户隐私的路网兴趣点KNN查询方法

针对查询K近邻兴趣点方法多基于欧氏空间的不实用问题,提出了适用于路网环境下的查询方法。首先,利用四叉树索引划分路网结点。然后,用户基于划分结果,计算所在路段指向的路网顶点,以该顶点为出发点查询路网距离下的K近邻目标兴趣点。最后,用户构造包含这K个目标兴趣点的匿名框并注入虚假兴趣点查询请求,LBS服务器只返回匿名框内的兴趣点查询结果。该方法在控制通信开销的同时,能够保护用户的位置隐私和查询内容隐私。     

基于敏感位置多样性的LBS位置隐私保护方法研究

针对LBS查询服务中构造的匿名框或选取的锚点仍位于敏感区域而导致的位置隐私泄漏问题,提出了基于敏感位置多样性的锚点选取算法。该算法根据用户访问数量和访问高峰时段,对不同敏感位置进行定义和筛选,选择具有相似特征的其他敏感位置构成多样性区域,并以该区域形心作为查询锚点,提高用户在敏感位置出现的多样性。以该锚点为查询标志,提出一种均衡增量近邻兴趣点查询算法HINN,在无需用户提供真实位置坐标的条件下实现K近邻兴趣点查询,同时改进了SpaceTwist方法中存在的查询兴趣点围绕锚点分布的缺陷,提高了查询准确度。实验表明,本方法实现了用户在敏感区域停留时的位置隐私保护目标,同时具有良好的兴趣点查询质量和较低的通信开销。     

巯基葡聚糖凝胶分离富集分光光度法测定微量铟的研究

研究了在溴化十六烷基三甲基铵存在下铟与邻氯苯基荧光酮的显色反应。结果表明,在pH5.8～6.6HAc-NaAc缓冲介质中,铟与邻氯苯基荧光酮形成灵敏度很高的紫红色络合物,其ε=2.26×105,于25mL溶液中铟质量在0～12μg范围内符合比尔定律,采用巯基葡聚糖凝胶(SDG)分离富集,使方法的选择性大为提高,可用于多种样品中痕量铟的测定,结果令人满意,由此建立了一种灵敏度高、选择性好的测In 新方法。     

锑(Ⅲ)-7-(1-苯偶氮)-8-羟基喹啉-5-磺酸钠络合物电化学行为研究及应用

在 0 .0 2mol/LHAc NaAc介质 (pH4.9)中 ,研究了Sb -7 (1 苯偶氮 ) 8 羟基喹啉 5 磺酸钠 (BQ)体系电化学行为及其影响因素。Sb BQ络合物在滴汞电极上于 -0 .5 8～ -0 .61V间产生一良好的还原波 ,其一阶导数峰峰值 (i′p)与Sb 浓度在 6.0× 10 - 8～ 1.0× 10 - 6 mol/L范围内呈线性关系 ,检出限为 4.5× 10 - 8mol/L。用该法测定冶金样品中痕量锑 ,取得了满意结果。对电极反应机理进行了探讨     

一种基于兴趣点分布的匿名框KNN查询方法

针对利用匿名框实现的兴趣点K近邻（KNN）查询带来的通信开销大、时延长等问题,提出了基于单一兴趣点Voronoi图划分和四叉树层次化组织的KNN查询方法。该方法根据兴趣点层次信息有针对性的构造查询匿名框用来获取详细查询信息,在保护位置隐私的同时,降低了查询通信开销,同时注入虚假查询保护了用户的真实查询内容隐私。最后分别采用模拟地理数据和真实地理数据进行理论分析和有效性验证。     

基于理性密码学的分布式隐私保护数据挖掘框架

在数据挖掘的应用中,隐私保护非常重要。在数据中加上噪声可以在一定程度上保护用户的隐私,但会降低数据的准确性,进而影响数据挖掘结果的有效性。提出一种高效的基于理性密码学的分布式隐私保护数据挖掘框架,在此框架中每个参与方都被认为是理性的,而不像在经典密码学中简单地把每个参与方认为是恶意的或诚实的。基于此种假设和一个半可信的第三方,许多数据挖掘函数,如求和、求平均值、求积、比较、和求频繁项等,都可以在本框架下高效地实现。     

铟—桑色素体系吸附溶出伏安法研究

对Ｉｎ（Ⅲ）－桑色素配的在悬汞电极上的吸附伏安特性作了研究，确定了电极过程。     

LGA风机圆盘式消声器的实验模态研究

针对由优化设计方法、有限元动力计算、灵敏度分析与结构动力修改而制造的圆盘式消声器，运用实验模态分析技术，寻找哪些振动模态与噪声信号有关，更好地了解消声器的动态特性。它为获得优良的消声器提供有效的手段。     

氧化残渣TA中的钴和锰的分析测定

本文对氧化残渣ＴＡ中的钴和锰的分析测定方法进行了研究，建立了利用强碱型阴离子交换树脂从ＴＡ残渣中分离出钴和锰，然后用ＥＤＴＡ络合滴定法对其进行测定的方法。用于实际试样测定，结果较好。