荧光猝灭PBA膜传感器的应用

本文介绍了一种以荧光猝灭原理为基础的PBA敏感膜.将它应用于测定无机碘化物浓度和家兔口服甲硝唑血药浓度,得到了满意的结果.     

荧光碎灭PBA膜传感器的应用

本丈介绍了一种以荧光拌灭原理为基础的? # ? 教感膜。将它应用于浏定无机腆化物 浓度和家兔口服甲琦吐血药浓度, 得到了满意的结果。     

Bruker maXis系列超高分辨飞行时间质谱的性能特点和应用

2011年3月,Bruker公司在亚特兰大举办的Pittcon展会上推出了新型超高分辨飞行时间质谱产品（UHR-TOF）maXis 4G。这是一次非常大的突破,其分辨率达到了60,000（FWHM）,质量准确度小于600 ppb。在2011的美国质谱协会年会上（ASMS）,Bruker公司又推出了高性价比的maXis Impact,其分辨率达40,000（FWHM）,质量准确度小于1ppm,每秒可以获得50张全谱,动态范围达4个数量级,完全可以满足超高效液相色谱快速分析的要求,实现了真正意义上的发现、鉴定和定量分析于一体,是实验室进行高通量分析的最佳选择。Bruker maXis系列质谱,实现了全范围的高分辨和高灵敏度,满足了用户对质谱同时准确定性和定量的需求,可广泛应用与化合物的表征和定性、痕量多目标物质的快速筛查和定量以及代谢组学、蛋白组学等研究。本文结合典型的应用实例,着重介绍maXis系列质谱的主要性能特点和应用。     

基于文献计量分析的BIM与绿色建筑融合发展特征探究

以中国知网总库收录的文献为数据来源，借助文献计量工具Citespace和Vosviewer分析了2006-2021以绿色BIM为主题的1246篇文献，从文献统计、发展趋势、文献作者等多维度对该研究领域进行文献计量可视化分析，并从行业产业趋势、建筑全生命周期、技术支持角度分析当前BIM与绿色建筑融合发展的作用。结果表明：BIM与绿色建筑融合的发展趋于多维化、多元化；绿色BIM应用范围、运用功能、绿色信息流转为主要研究热点。     

基于证据理论的信任模型中冲突证据

基于证据理论的信任模型是常用的信任模型之一,且证据理论是一种具有良好理论基础的不确定性推理方法。为了解决证据收集以及冲突证据合成可能会产生不合理结果的问题,通过改进证据收集方法提高证据质量,同时结合证据距离、相似度、支持度和可信度,在证据合成过程中将冲突证据进行重新分配。实验结果表明：改进的证据合成机制提高了合成证据的合理性,使得信任计算结果更为可信。     

基于BIM技术工程招投标管理

BIM技术在工程建设项目全生命周期比如决策、设计、招投标、施工以及运营等阶段被广泛应用,不仅能够帮助企业在招投标过程中节约资源,降低成本,还能增强竞争力,增加效益。本文阐述了BIM技术的概念以及我国将BIM技术运用到工程招投标管理的研究现状,以某教学楼为例展现BIM在工程管理中的具体应用。     

H-ResGAN在智能反射面辅助通信系统中的信道估计

智能反射面（intelligent reflecting surface, IRS）辅助通信系统的信道维度较高,现有的信道估计方法须使用大量导频才能得到准确的信道矩阵.针对这一问题,提出了一种基于混合损失的残差生成对抗网络（hybrid loss based residual generative adversarial network, H-ResGAN）模型. H-ResGAN使用多个残差块来加深网络,可以充分提取信道特征,减缓梯度消失问题.同时,采用条件最小二乘损失和L1损失相结合的混合损失作为目标函数来提高训练的稳定性.仿真实验证明：H-ResGAN对环境噪声更具鲁棒性,估计误差显著低于传统方法;与传统的估计算法相比,H-ResGAN仅须发送少量导频就能获得准确的估计结果.     

基于深度残差注意力的图像事件描述

图像事件描述是根据图像特征数据再结合自然语言处理技术,输出图像事件的语句描述的技术。图像事件的描述,对图片分类、查询等有着极高效率,为了达到更精确的描述效果,本文提出基于深度残差注意力的图像事件描述方法。该方法以ResNet的网络结构为基础,联合分离出的全局注意力与局部注意力,关注图像事件中心事件,生成图像事件描述。在COCO数据集上的实验表明,本文提出的方法能更好关注事件发生区域,对抽象事件描述更为准确。     

正则化和交叉验证在组合预测模型中的应用

组合预测模型的权重确定方式对于提高模型精度至关重要,为研究正则化与交叉验证是否能改善组合预测模型的预测效果,提出将正则化和交叉验证应用于基于最小二乘法的组合预测模型.通过在组合模型的最优化求解中分别加入L₁、L₂范数正则化项,并对数据集进行留一交叉验证后发现：L₁、L₂范数正则化都对组合模型的预测精度具有改善效果,且L₁范数正则化比L₂范数正则化对组合预测模型的改善效果更好,并且参与组合预测的单项预测模型越多,正则化的改善效果越好,交叉验证对组合预测模型的改善效果则与给定实验数据量呈现正相关.