一株受二噁英类化合物诱导表达绿色荧光蛋白的胃癌细胞系的建立

将人工合成的5个相连的XRE(Xeobiotic response element)和minimal CMV(Human cytomegalovirus)启动子,插入载体pEGFP-1,构建得到载体pXRE5-EGFP.以pXRE5-EGFP转染人胃癌细胞SGC-7901,经过筛选得到一株受2,3,7,8-四氯代二苯并二英(2,3,7,8-tetrachlorodibenzo-p-dioxin,TCDD)诱导表达绿色荧光蛋白的细胞系XRE5-SGC-7901.将XRE5-SGC-7901细胞株暴露于不同浓度TCDD(0、250、500pg·mL-1)中,发现TCDD暴露组XRE5-SGC-7901细胞中绿色荧光蛋白的表达量显著升高,且与TCDD暴露浓度呈正相关.新构建的细胞株具有二英类化合物诱导表达绿色荧光蛋白的功能.     

干扰烟草GA 20-氧化酶siRNA植物表达载体的构建及矮化烟草的产生

根据烟草(Nicotiana tabacum)GA 20-氧化酶基因序列,设计2对分别含有特定酶切位点的特异引物,以烟草基因组DNA为模板,扩增目的基因(约250 bp)片段.将正、反向目的片段分别插入中间载体的内含子两侧.再经BamH I和Sac I双酶切回收约700 bp的目的片段,插入到双元载体质粒p2355中,成功构建了含GA 20-氧化酶基因片段的反向重复序列植物表达载体p23700,其转录产物能形成发夹RNA(hpRNA),产生小分子干扰RNA,干扰目的基因的表达.将p23700质粒导入根癌农杆菌EHA105中并转化烟草叶片细胞,经选择分化培养,获得表型矮化的转基因烟草.图4参14     

盐藻烯醇酶基因表达载体的构建及其转基因烟草的鉴定

以载体pCAMBIA2301为骨架引入pBI121中的GUS基因，构建了简便、实用的中间载体pCAMBIA2301G．将其中一个GUS基因用目的片段盐藻烯醇酶基因替换，构建了可以在植物中高效表达的载体pCAMBIA2301G—enolase，并将其转入根癌农杆菌EHA105中，采用叶盘转化法将盐藻烯醇酶基因转入模式植物烟草中．Southern杂交结果显示，盐藻烯醇酶基因已整合到植物基因组中，在转基因烟草中的拷贝数为2～4个．图6参10     

水稻花药绒毡层特异表达启动子的分离与表达载体构建

从籼稻川75A(OryzasativaL.)黄化苗叶片中直接提取基因组总DNA.根据文献报道的水稻花药绒毡层特异启动子Osg6B序列设计引物,采用TouchdownPCR技术获得水稻花药绒毡层特异表达的启动子Tsp1,将该片段克隆在载体pMD18-TVector上转化到大肠杆菌JM109,并酶切和PCR验证.序列分析发现,该片段与Osg6B启动子同源性为96%,且具有真核生物启动子的多种特征序列,表明启动子Tsp1为来源于籼稻川75A中的水稻花药绒毡层特异表达的启动子.利用该启动子对本实验室保存的质粒pIB467和pIB009进行改造,构建了一个可产生新型雄性不育系的双元植物表达载体pJH401.图7参13     

GIS中资源与环境数据处理的一种新方法

从实地获取的观测数据往往是离散的，为了制作等值线图，通常采用手工方法，它依靠肉眼判断，当离散数据量很大时，这种传统的方法就变得很困难，同时准确性和精度都无法保证。作者设计了一套算法，结合计算机的处理特点，可方便地自动生成等值线，可以满足各种专业的此类需求。作者用Ｃ和ＦＯＲＴＲＡＮ语言编出了相应的程序，在实际使用中非常高效，并且不受数据量的限制，在普通微机上就能处理。     

室内废气污染的计算与分析

通过对吸油烟机抽吸风场有效强度矢量图的测量 ,给出了吸油烟机质量技术检验方法和油烟废气、燃气废气污染泄漏量的计算方法 ;对油烟、燃气废气在厨房的扩散与循环作了详细分析 ,并对国标提出几点建议。     

基于ARIMA与LS-SVM组合模型的飞行事故征候预测

应用差分自回归移动平均模型(ARIMA)和最小二乘支持向量机(LS-SVM)的组合模型,对某航空公司的月度事故征候万时率进行了预测分析。对2008—2016年某航空公司的事故征候、飞行小时、航空器数量等历史数据建立ARIMA模型,应用SPSS软件进行模型拟合,获得事故征候万时率的线性部分;随后利用LS-SVM分析ARIMA模型的残差,获取非线性部分,最终通过二者之和获得ARIMA+LSSVM组合模型。对2017年1—3月的月度事故征候万时率进行了预测,并用实际数据验证。结果表明:ARIMA(1,1,1)(1,1,1)12模型较好地拟合了事故征候万时率的历史序列,LS-SVM模型对残差的拟合获得了较好的精度;组合模型的短期(3个月)预测值与航空公司事故征候万时率的趋势完全一致,且预测精确度可接受。     

Streamflow Forecasting Using Singular Value Decomposition and Support Vector Machine for the Upper Rio Grande River Basin

The current study improves streamflow forecast lead‐time by coupling climate information in a data‐driven modeling framework. The spatial–temporal correlation between streamflow and oceanic–atmospheric variability represented by sea surface temperature (SST), 500‐mbar geopotential height (Z₅₀₀), 500‐mbar specific humidity (SH₅₀₀), and 500‐mbar east–west wind (U₅₀₀) of the Pacific and the Atlantic Ocean is obtained through singular value decomposition (SVD). SVD significant regions are weighted using a nonparametric method and utilized as input in a support vector machine (SVM) framework. The Upper Rio Grande River Basin (URGRB) is selected to test the applicability of the proposed model for the period of 1965–2014. The April–August streamflow volume is forecasted using previous year climate variability, creating a lagged relationship of 1–13 months. SVD results showed the streamflow variability was better explained by SST and U₅₀₀ as compared to Z₅₀₀ and SH₅₀₀. The SVM model showed satisfactory forecasting ability with best results achieved using a one‐month lead to forecast the following four‐month period. Overall, the SVM results showed excellent predictive ability with average correlation coefficient of 0.89 and Nash–Sutcliffe efficiency of 0.79. This study contributes toward identifying new SVD significant regions and improving streamflow forecast lead‐time of the URGRB.     

IWO-PSO-SVR算法在甲烷检测中的应用

提出一种入侵杂草算法改进的粒子群算法（IWO-PSO）用于支持向量机（SVR）算法来快速实时检测甲烷气体浓度系统,气体红外激光差分吸收法检测系统基于甲烷气体分子在1650nm处泛频光谱吸收带,结合可调谐二极管吸收光谱（TDLAS）与波长调制光谱（WMS）.选择半导体激光器瞬时输出光功率变化范围5.0~10.6mW,瞬时波长变化范围1650~1651nm,瞬时调谐频率范围0.0048~0.0115nm/mA;采集山东淄博某农场2019年3月份全天气体样本,随机抽取15组样本作为训练集,建立以光谱峰面积作为输入值与气体浓度作为输出值的IWO-PSO-SVR、SVR、PSO-SVR和PSO-BP定量分析模型,对测试集4种浓度的甲烷分别进行预测;结果表明,通过IWO-PSO-SVR定量分析模型效果最佳,4种甲烷浓度预测值与真实值相对偏差分别为0.115%、0.109%、0.131%、0.120%,均低于0.0014;相关系数分别为0.9987、0.9966、0.9899、0.9975均高于0.98;预测时间分别为1.35、1.54、1.35和1.33s,模型经过1000次训练对气体的检测精度为10^-5,与同类别检测系统相比,具有很强的理论研究价值和工程应用价值.     

基于小波分解和SVM的大气污染物浓度预测模型研究

针对大气污染物浓度的精准预测问题,运用小波分解将污染物浓度一维序列分解为高维信息,结合气象及污染物浓度数据,构建了基于小波分解的支持向量机预测模型.最后将模型应用于长沙市2018年PM_2.5和O_{3-8 h}的浓度预测.结果表明：①在其他参数不变的条件下,该模型在平均绝对误差（MAE）、平均绝对百分比误差（MAPE）、均方根误差（RMSE）、一致性水平（IA）和相关系数（R）指标上均优于未经小波分解的预测模型;②在考虑其他污染物对PM_2.5浓度的影响后,预测模型评价指标MAE、MAPE和RMSE分别减少了5.57%、9.91%和3.44%,有着更小的误差;③在考虑气象因素对O_{3-8 h}浓度的影响后,预测模型评价指标MAE、MAPE和RMSE分别减少了1.59%、3.54%和0.82%,同样也有更小的误差.由此可以看出,本文所提模型能够有效预测大气污染物浓度,为相关研究提供了方法参考.