表面增强拉曼光谱在环境分析中的研究进展

表面增强拉曼散射(SERS)效应是一种异常的表面光学效应,其增强因子最大可达到1014～1015.环境污染导致人类生存环境受到严重影响.某些污染物,比如持久性污染物,在环境介质中含量低,毒性大,很少能够直接检测出来.因此必须采用更灵敏的方法和技术.由于SERS效应的高灵敏性,SELLS技术有望成为超灵敏分析环境污染物的一种工具.该文综述了表面增强拉曼光谱在环境污染物检测中的研究进展,并提出SERS传感器将是很重要的发展方向.     

有机荧光染料纳米颗粒的制备及其包埋机制的研究

该文报道了用油包水的微乳液方法,以三种水溶性的荧光染料:异硫氰酸荧光素(FITC)、标记葡聚糖(分子量为282 000)的异硫氰酸荧光素(FITC-dextran)与连有免疫球蛋白IgG(分子量为156 000)的异硫氰酸荧光素(FiTC-IgG)为核材料,二氧化硅为外壳形成了核壳结构的纳米颗粒.通过考察三种染料在壳层中的泄漏情况,发现FITC-IgG只有50%的泄露,而FITC-dextran与FITC几乎全部泄露,同时二氧化硅壳层的越厚,染料越不易漏出.     

金纳米颗粒制备及其光学特性研究

采用晶种生长法通过改变晶种对生长溶液的体积比例、引入离子合成了棒状和星形金纳米颗粒.首先用NaBH4作为还原剂制得小粒径球形金纳米颗粒作为晶种溶液,生长溶液中引入AgNO3为辅助试剂、溴化十六烷三甲基铵(CTAB)为表面活性剂来引导合成形貌不同的颗粒.对制备的球状、棒状和星状金纳米颗粒进行了紫外-可见光谱测试和表面增强...     

液相自组装在表面增强拉曼散射生物传感器中的研究进展

研究发现在不混溶两相界面自组装的纳米粒子可以用于构建液相表面增强拉曼散射（SERS）基底,与传统的固相SERS生物传感器相比,基于此技术发展起来的液相SERS生物传感器具有界面无损、组装快速、自愈合、可以进行原位检测等优势。由此衍生出了一系列在液相自组装SERS活性材料构建生物传感器的方法,该文重点讨论了将液相自组装SERS技术用于对一类重要的疾病标志物microRNAs(miRNAs)的检测中,以扩展基于液相自组装界面作为SERS基底的生物传感器更广阔的应用。     

伴刀豆球蛋白A／葡聚糖修饰的金纳米颗粒自组装膜增强信号的表面等离子体共振葡萄糖传感器

通过特异性识别作用在表面等离子体共振传感器的金膜表面构建了伴刀豆球蛋白A/葡聚糖修饰的金纳米颗粒自组装膜。当有葡萄糖存在时,膜被分解,从而实现对葡萄糖的灵敏检测。结果表明:由于金纳米颗粒和金膜之间的等离子体波耦合作用,修饰了金纳米颗粒的自组装膜上,葡萄糖的检测信号有明显增强。该传感器可以选择性地检测0.1～100mmol/L浓度范围内的葡萄糖溶液,且敏感膜可以多次再生使用。     

目标物诱导的等离子激元耦合以及表面增强拉曼光谱用于牛奶中三聚氰胺的检测

该文报道了一种基于目标物诱导的等离子激元耦合以及表面增强拉曼光谱、利用未修饰的金纳米颗粒检测牛奶中三聚氰胺的新颖、免标记、易操作的纳米生物传感方法。三聚氰胺与聚T寡核苷酸的结合使得金纳米颗粒不稳定,从而导致盐诱导的单分散金纳米颗粒发生团聚。而团聚的金纳米颗粒能够产生等离子激元耦合,并引发了表面拉曼信号的增强。该方法不仅在设计上简单、直接,而且在具体实验操作中也是非常快速和方便的。该方法能够在实际牛奶样品中检测三聚氰胺．检测限为8nmol／L。     

金纳米颗粒的绿色制备及其在生物传感器中的应用

由于金纳米颗粒（AuNPs）特殊的化学、物理特性。使其在生物催化及传感器领域有了越来越重要的应用。目前用来制备金纳米材料的方法有很多。近年来采用新型的、洁净无毒的、绿色的方法来合成金纳米粒子越来越受到重视。     

半导体荧光纳米颗粒的制备及其在生物传感器中的应用

该文综述了半导体荧光纳米颗粒及核-壳结构半导体纳米颗粒的制备、性能表征及其在生物传感器上的应用研究情况,共引用文献54篇.     

一种新型唾液sIgA电流型纳米免疫生物传感器的制备

通过层层自组装,将硫堇(Thi)和纳米金(GNPs)修饰到Nation修饰的玻碳(GCE)电极表面,利用纳米金单层吸附唾液分泌性免疫球蛋白A(sIgA),最后用辣根过氧化物酶(HRP)封闭电极上的非特异性吸附位点,构建了一种检测唾液sIgA的新型电流型纳米免疫生物传感器.该生物传感器灵敏度高,特异性好,测试方便,检测线性范围为6.5-300mg/L,检出限为3.0mg/L;电流值达到95%稳态时间小于20s.探讨了抗体和底物浓度,pH值和温度,孵育时间,干扰物对传感器的影响.该传感器与ELISA法相关性良好(R=0.98932,P<0.001),可用于唾液sIgA的快速、准确检测,从而判断人体局部免疫状况.     

一种新的核线性鉴别分析算法及其在人脸识别上的应用

基于核策略的核Fisher鉴别分析（KFD）算法已成为非线性特征抽取的最有效方法之一。但是先前的基于核Fisher鉴别分析算法的特征抽取过程都是基于2值分类问题而言的。如何从重叠（离群）样本中抽取有效的分类特征没有得到有效的解决。本文在结合模糊集理论的基础上,利用模糊隶属度函数的概念,在特征提取过程中融入了样本的分布信息,提出了一种新的核Fisher鉴别分析方法——模糊核鉴别分析算法。在ORL人脸数据库上的实验结果验证了该算法的有效性。     

一种改进的核特征抽取方法及其在人脸识别中的应用

首先利用核函数技术将原始样本隐式地映射到高维特征空间;然后在高维空间里利用再生核理论建立基于Fisher鉴别极小准则的2个等价模型;最后在该空间的核类间散布矩阵的非零空间和零空间中应用Fisher极小鉴别准则求取核鉴别矢量.在人脸库上的实验结果验证了该算法的有效性.     

聚乙烯亚胺修饰的银纳米颗粒的制备研究及在肝素检测中的应用

该文利用分子量为600的高支化聚胺高分子PEI,在室温条件下,采用化学还原法,使用还原剂硼氢化钠,合成了银纳米颗粒。该方法具有操作简单、便捷、可重复性高等特点。对合成的颗粒进行了一系列的表征,包括紫外可见光谱的测量,动态光散射测量和透射电镜表征等。并以该银纳米颗粒为基础,建立了比色法传感器用于肝素的快速检测,并获得了较好的检测结果,检测限为1μg／mL。该检测方法具选择性高、灵敏度好,且检测耗时短,便于人眼直接观测等优点。     

一种非参数核函数鉴别分析法及其在人脸识别中的应用

核判别分析(KDA)算法仅考虑c-1个判别特征,且计算类间离散度矩阵时需使用所有的训练样本,而一些有利于分类的边界结构未能被提取。为此,提出了一种非参数非线性(核)鉴别分析方法,其在计算特征空间中的类间散布矩阵时引入一个权值函数,从而能提取有利于分类的边界结构。仿真试验表明,新方法在识别性能上优于已有的一些方法,且避免了使用繁琐的矩阵奇异值分解理论,有一定的实用价值。     

一种核模糊聚类的改进及其在育肥猪出栏中的应用

核模糊聚类算法不适用于含孤立点与噪声点的数据,并且对初始化中心敏感。针对此种情况,结合减法聚类,对样本加权,放宽隶属度归一化条件,提出基于减法聚类的加权核模糊聚类。通过IRIS和WINE数据集证实改进算法比传统的核聚类算法具有更高的健壮性与抗噪性,并将改进后的算法运用在育肥猪出栏中,验证了算法的实用性与可行性。     

基于特殊形貌CdS纳米颗粒修饰的DNA传感器在DNA杂交信号检测中的应用

用水热法制备出具有特殊核桃状外表的纳米小球修饰在玻碳电极的表面,通过5′端巯基修饰的探针DNA共价结合在CdS层敏感层上形成共聚物,再与靶DNA杂交,利用循环伏安法(CV)和差分脉冲伏安法(DPV)研究修饰电极的电化学行为。修饰CdS纳米颗粒的电极检测得到的DNA杂交信号有明显的增强,峰电流强度值与靶DNA浓度值的负对数具有较好的线性关系,信号增强的最大值在靶DNA浓度为101μmol/L时得到。传感器灵敏度提高,检测下限可达1pmol/L以下。     

增强的典型相关分析及其在人脸识别特征融合中的应用

在传统的典型相关分析(CCA)基础上,定义了类别相关性,提出了增强典型相关分析(ECCA)方法.对于一个模式空间的2个观测空间(对任意模式都有2种观测向量),ECCA能够找到这2个观测空间对类别而言更有意义的相关子空间,且同时保持了投影分量的无关性.实验结果表明,ECCA优于CCA,GCCA融合方法.     

一种改进的第二代小波算法及其在图像去噪中的应用

将提升格式与最小二乘的正交多项式拟合相结合,提出了一种改进的第二代小波变换算法,在设计预测(或更新)算子时,以正交多项式为基底,通过最小二乘的曲线拟合法,拟合小波分解的低频(或高频)信号,确定预测(或更新)算子,使预测和更新算子能够反映分析数据的特征.实验表明,将最优拟合估计的第二代小波变换与图像非线性增强算法相结合,能够有效的对图像、信号进行去噪,而且很好地保持了图像和信号的边缘,改进了软域值法去噪时边缘模糊的缺点,降噪效果优于其他类型的小波.     

基于核的PP主成分分析及其在离群聚类中的应用

为了提高高维数据集合离群数据挖掘效率,在分析了传统的离群数据挖掘算法优点和缺点的基础上,提出了一种离群聚类算法,该算法将核方法与PP主成分变换结合于离群聚类算法中,采用基于核的PP主成分变换进行数据维数消减。通过该数据变换矩阵得到相应的非线性向量,并为每个向量分配一个动态权值,在优化经典的FCM模糊聚类的目标优化迭代函数基础上,最终得到各个数据的权值,根据权值的大小标识出数据集中的离群点,理论上证明了该算法的收敛性,仿真实验的结果表明了该方法能够有效地发现高维数据集中的离群点。     

一种改进的支持向量机及其在癌症诊断中的应用

为了改善支持向量机的泛化能力,提出了一种改进的支持向量机——SUB SVM,它把对所有训练数据训练得到的主支持向量再次训练，用得到的次支持向量构造SVM非线性分类器,将该算法应用在癌症诊断中，取得了比传统SVM分类器更高的识别率。