杯芳烃-SAW传感器检测有机磷响应特性研究

研究了以25-(硫代烷基烷氧基)-对叔丁基杯[4]芳烃自组装分子作为声表面波(SAW)化学传感器敏感膜材料的SAW双通道延迟线传感器对DMMP检测的敏感特性.实验结果表明杯芳烃-SAW传感器对DMMP有高的灵敏度、好的响应特性和重复性.     

富勒烯与环糊精、杯芳烃超分子络合物化学修饰电极电催化作用的研究

富勒烯具有十分丰富的电氧化—还原行为,因而其电化学研究成为富勒烯化学的一个重要方面。近年来富勒烯及其衍生物作为一类新的媒介体材料的电催化作用的研究受到人们的关注。如 C_(60)及某些高碳富勒烯电还原形成一、二和三价阴离子在均相条件下可电催化某些有机卤代物的还原。Willner 等将 C_(60)羧酸衍生物共价键合在修饰了单层胱氨酸的金电极上,在存在葡萄糖氧化酶条件下可电催化葡萄糖的氧化。我们按文献方法,合成了一系列的 C_(60)和 C_(70)与环糊精和杯芳烃的超分子络合物,在研究其电化学行为及电极过程的基础上研究了其涂层修饰电极对某些生物大分子以及亚硝酸根、卤代酸等的电催化作用。1.C_(60)-γ-环糊精/Nafion 化学修饰电极对血红蛋白的电催化还原;修饰电极对DNA、细胞色素 c 和氯化血红素的双向电催化作用的研究阳。2.C_(60)-[二甲基-(β-环糊精)_2]对氯代乙酸的电催化还原研究。3.C_(60)-[二甲基-(β-环糊精)]/Nation 修饰电极对抗坏血酸电催化氯化的研究。4.(C_(70))_2-对-叔丁基杯[8]芳烃涂层修饰电极电催化 NAD~+还原的研究。5.C_(70)~2-对-叔丁基杯[6]芳烃涂层修饰电极电催化 NO_2~-还原的研究。6.C_(60_-杯[8]芳烃磺酸衍生物/Nafion 涂层修饰电极对卤代酸的电催化还原的研究。     

杯芳烃在SAW化学传感器中的应用

该文简要回顾了SAW化学传感器的发展及其敏感膜的研究情况,着重介绍了第三代超分子一杯芳烃的结构特点、识别有机化合物的能力以及作为SAW化学传感器敏感膜层的使用情况,并对杯芳烃SAW传感器在检测有毒工业化学品及化学战剂领域中的应用前景进行了展望.     

间苯二酚杯[4]芳烃硫醚衍生物SAW分子印迹膜的合成

设计合成了用于检测有机磷类化合物的声表面波(SAW)间苯二酚杯[4]芳烃硫醚衍生物分子印迹敏感膜材料,对产物的化学结构进行了FTIR、TOF-MS和1H、13C NMR等多种手段的表征,对表征结果给予了合理的理论解释,证明了产物即为所设计的目标物,并以自组装分子印迹方法制备的SAW-MIP、SAW-Non-MIP传感器对DMMP进行了检测,证实了分子印迹的效果.     

甲基丙烯酸甲酯-丙烯酰胺杯芳烃聚合物膜中残留溶剂行为的多尺度模拟

利用耗散力动力学(DPD)模拟,研究只有少量溶剂之下,甲基丙烯酸甲酯-丙烯酰胺杯芳烃聚合物膜的介观结构.溶剂包括氯仿(CHCl3)和四氢呋喃(THF).在DPD模拟中,聚合物和溶剂分子采用粗粒化模型.Flory-Huggins理论中的相互作用参数χ是用计算组分之间的内聚能而求.模拟得到了不同溶剂与丙烯酰胺杯芳烃(CA)以及甲基丙烯酸甲酯(PMMA)之间的斥力参数.在DPD模拟得到的介观结构的基础上,根据溶剂、甲基丙烯酸甲酯(PMMA)及杯芳烃的浓度分布曲线,通过杂化蒙特卡罗(Hybrid Monte Carlo)方法映射,求得溶剂存在下聚合物的微观结构.通过分子力学(MM)和分子动力学(MD)计算求得径向分布函数以及溶剂的自扩散系数.     

微机在快速检测致癌性多环芳烃中的应用

采用微型计算机和同步光谱联用技术,可以不经过预分离而直接测定环境样品中的致癌性多环芳烃.该方法简便、快速、灵敏,最低检测限可达5x10~(-10)g,线性范围至少三个数量级,测定结果和常规的高效液相色谱法的结果相比两者不超过20%,但测定一个样品的时间由原来一小时缩短为几分钟,而且易于实现仪器化.     

荧光二阶校正法用于多环芳烃蒽和菲的直接定量测定

蒽(ANT)和菲(PHE)是多环芳烃环境污染物中的两种,由于光谱重叠,其很难用常规方法直接定量检测。本文采用平行因子分析和自加权交替三线性分解二阶校正法与三维荧光光谱相结合,对蒽(ANT)和菲(PHE)进行直接定量测定。当测量体系的成分数预估计值为3时,两种方法分辨后的回收率分别为(106．3±1．2)％、(102．3±1．8)％和(106．58±1．06)％、(102．26±1．83)％。对在未知干扰存在下,土壤提取液中加入的ANT和PHE含量进行测定,所得结果与加入量基本一致。实验结果表明,此方法可用于未知干扰共存下多环芳烃化合物的同时直接快速定量测定,可用于环境样品中多环芳烃的直接定量测定。     

芳烃系列装置生产方案的整体优化模拟

利用化工模拟软件,打破装置界区限制,从混合芳烃原料出发。以最终芳烃产品为目标,对现有的重整车间芳烃分离装置、特种溶剂油车间的重芳烃分离装置,以及苯酐车间的邻二甲苯分离装置进行多方案全流程模拟、并调整设备及流程顺序,进行整体优化,推出节能流程,在投资很小的情况下,降低能耗40％以上,取得了可观的经济效益。     

稠环芳烃直接加氢的分子模拟研究

为提高重质油轻质化效率,抑制生焦,需对其中稠环芳烃加氢的具体过程详细探讨。本论文构建了一系列不同芳环数组成的稠环芳烃,以分子模拟为手段从反应机理层面研究稠环芳烃(PAHs)加氢反应过程。采用基于密度泛函理论的DMol~3模块对反应过程进行模拟计算,得到不同稠环芳烃加氢过程的反应热和能垒,通过数据比较探索稠环芳烃按照自由基热反应机理加氢时反应的难易程度。数据分析的结果显示,在自由基足量存在且能与模型化合物有效接触的理想状态下,稠环芳烃分子芳环数、分子饱和度对加氢难易程度影响不大,芳环极易与氢自由基结合,重质油加氢困难并非是因为稠环芳烃与氢自由基直接反应困难造成。     

土壤样品中多环芳烃分析方法研究进展

概述了国内外土壤样品中多环芳烃(PAHs)测定方法的研究状况,其中提取方法包括加速溶剂萃取方法、固相微萃取方法、超临界流体萃取方法、亚临界水萃取方法和流化床提取方法等,测定方法有HPLC法、GC法和免疫分析法等。重点介绍了PAHs的提取过程,同时总结了各种方法的优缺点。     

Kernel PCA for Feature Extraction and De-Noising in Nonlinear Regression

In this paper, we propose the application of the Kernel Principal Component Analysis (PCA) technique for feature selection in a high-dimensional feature space, where input variables are mapped by a Gaussian kernel. The extracted features are employed in the regression problems of chaotic Mackey–Glass time-series prediction in a noisy environment and estimating human signal detection performance from brain event-related potentials elicited by task relevant signals. We compared results obtained using either Kernel PCA or linear PCA as data preprocessing steps. On the human signal detection task, we report the superiority of Kernel PCA feature extraction over linear PCA. Similar to linear PCA, we demonstrate de-noising of the original data by the appropriate selection of various nonlinear principal components. The theoretical relation and experimental comparison of Kernel Principal Components Regression, Kernel Ridge Regression and ε-insensitive Support Vector Regression is also provided.     

微粒群算法在改进多元线性回归上的应用

文献[1]利用带约束的非线性规划,将各种改进的多元线性回归方法——主成分回归、岭回归、稳健回归及约束回归统一在一个非线性规划模型中。应用微粒群优化算法(ParticleSwarmOptimization,PSO)对其进行求解,实际算例表明,该方法不但可行,而且得出的结果比其它方法及文献[3]的结果与实际符合得更好。     

面向高维混合不平衡信贷数据的单类分类方法

为实现对高维混合、不平衡信贷数据中的不良贷款者的准确预测,从降维预处理和分类算法两方面进行优化,提出一种基于混合数据主成分分析（Principal Component Analysis of Mixed Data,PCAmix）预处理的单类[K]近邻[（K]-Nearest Neighbor,[KNN）]计算均值算法。针对传统的主成分分析（Principal Component Analysis,PCA）不能直接处理定性变量的问题,使用PCAmix降维预处理数据,为规避不平衡数据在二分类模型中性能较差的缺点,采用单类分类和[K]近邻算法邻居计算的思想,仅采用多数类训练模型。利用Bootstrap方法找到最佳的决策边界,使得正负样本最大限度地分离,最终准确预测客户的违约风险。采用UCI数据库中的German和Default个人信用评分数据集进行验证,实验结果表明该算法在处理高维混合、不平衡的信贷数据上具有较好的分类效果。     

鲁棒主元分析在掌纹识别中的应用

为了对存在异常值的图像构建低维线性子空间的描述,提出用鲁棒主元分析(RPCA)的新方法进行掌纹识别。运用图像下抽样方法降低掌纹空间的维数,在低维图像上应用RPCA提取低维的投影向量,然后将训练图像和待识别图像向投影向量上投影得到鲁棒主元特征,计算特征向量间的余弦距离进行掌纹匹配。运用PolyU掌纹图像库进行测试,结果表明,与主元分析(PCA)、独立元分析(ICA)和核主元分析(KPCA)相比,RPCA算法的识别率最高为99%,特征提取和匹配总时间0.032 s,满足了实时系统的要求。     

基于反射感知模型的人脸识别算法研究

针对复杂的光照条件人脸识别问题，提出一种基于反射感知模型的光照补偿算法。通过模拟人类视觉成像系统，从成像[S]估计出照度[L]，剔除并分解出入射度[R]，从而消除不同强度、不同方向光源带来的光照不均的影响，达到光照补偿的目的；在此基础上，通过提取人脸二维Gabor特征，采用均匀下采样结合主成分分析（Principal Component Analysis，PCA）和Fisher线性判别分析（Fisher Linear Discriminant，FLD）对人脸Gabor特征进行两重降维处理，并结合SVM（Support Vector Machine）实现人脸的分类识别。通过实验证明所提出的算法能够有效提升复杂光照条件下的识别精度。     

一种基于张量PCA的人耳识别的改进方法

张量主成分分析是一种新的主元分析方法,可以解决传统PCA方法对图像进行降维时出现的问题。小波变换具有良好的时频分析特性,同时还能起到降维的作用。综合利用这两个方法的优点,提出了一种基于张量PCA的人耳识别新方法。该方法对人耳图像采用小波变换做预处理得到4个子带图像,对其中“LL”低频子带图像用张量PCA进行特征提取,用支持向量机的方法进行识别。实验结果表明,利用此方法与传统主成分分析识别相比,提高了识别率,缩短了识别时间。在USTB人耳库上实验,该方法的识别率比传统PCA方法提高了6%,识别时间为传统PCA方法的35.23%。     

基于余弦角距离的主成分分析与核主成分分析

PCA和KPCA都是基于欧氏距离提出的,这种距离对离群数据点比较敏感,而余弦角距离对离群数据更为鲁棒,在很多情况下具有更好的性能。充分利用余弦角距离的优势,提出两种新的特征抽取算法——基于余弦角距离的主成分分析（PCAC）和基于余弦角距离的核主成分分析（KPCAC）。在YALE人脸数据库与PolyU掌纹数据库上的实验表明,PCAC比PCA取得了更好的效果,KPCAC也表现出了很好的性能。     

A Neural Network for PCA and Beyond

Principal Component Analysis (PCA) has been implemented by several neural methods. We discuss a Network which has previously been shown to find the Principal Component subspace though not the actual Principal Components themselves. By introducing a constraint to the learning rule (we do not allow the weights to become negative) we cause the same network to find the actual Principal Components. We then use the network to identify individual independent sources when the signals from such sources are ORed together.     

基于多线性独立成分分析的掌纹识别

为快速有效地在掌纹识别中学习多种因素的高阶统计独立成分,利用多线性独立成分分析方法对掌纹张量进行降维,得到低维的模式矩阵,将掌纹图像向模式矩阵上投影以提取核心张量,通过计算核心张量间的余弦距离实现掌纹匹配。基于PolyU掌纹图像库的实验结果表明,与主成分分析(PCA)、二维PCA、独立成分分析和多线性PCA相比,该方法的识别率最高,且满足系统实时性要求。     

Structural analysis of network traffic matrix via relaxed principal component pursuit

The network traffic matrix is widely used in network operation and management. It is therefore of crucial importance to analyze the components and the structure of the network traffic matrix, for which several mathematical approaches such as Principal Component Analysis (PCA) were proposed. In this paper, we first argue that PCA performs poorly for analyzing traffic matrix that is polluted by large volume anomalies, and then propose a new decomposition model for the network traffic matrix. According to this model, we carry out the structural analysis by decomposing the network traffic matrix into three sub-matrices, namely, the deterministic traffic, the anomaly traffic and the noise traffic matrix, which is similar to the Robust Principal Component Analysis (RPCA) problem previously studied in [13]. Based on the Relaxed Principal Component Pursuit (Relaxed PCP) method and the Accelerated Proximal Gradient (APG) algorithm, we present an iterative approach for decomposing a traffic matrix, and demonstrate its efficiency and flexibility by experimental results. Finally, we further discuss several features of the deterministic and noise traffic. Our study develops a novel method for the problem of structural analysis of the traffic matrix, which is robust against pollution of large volume anomalies.