利用光学显微镜、透射电镜和能谱分析等方法对两种不同Ti含量的铁素体基Ti-Mo微合金钢中析出相的尺寸、分布特征、析出规律和成分进行了研究.结果表明:钢中绝大多数析出相为超细碳化物,尺寸小于10 nm,析出相尺寸呈正态分布.随着Ti质量分数由0.072%增到0.092%,析出粒子平均尺寸增大,分布峰值向粒子尺寸增大的方向移动.Ti-Mo微合金钢具有栅格状的相间析出方式,栅格间距受冷速的影响较大,晶内和靠近晶界处的栅格间距不同.能谱分析发现,不同尺寸的粒子Mo含量不同,较大颗粒(50 nm左右)析出相中不含Mo,小颗粒(<20 nm)中碳化物是Ti和Mo的复合析出相,且随着粒子尺寸的减小,成分中Mo所占比重增大

对国内一钢厂EAF→LF→VD→CC工艺生产的高品质GCr15轴承钢进行系统取样,针对DS类非金属夹杂物随机性强的特点,利用能够进行大面积试样检测的ASPEX自动扫描电镜分析统计钢中非金属夹杂物的成分、尺寸、数量等信息.研究发现:GCr15轴承钢冶炼过程中非金属夹杂物主要为MgO-Al2O3-CaO复合夹杂物和MnS,同时有少量的SiO2-Al2O3和MgO-Al2O3复合夹杂物;夹杂物尺寸主要集中在38μm,并有少量DS类夹杂物出现且尺寸范围波动很大,最大可以达70μm以上,形貌为圆形或近似圆形;VD有较强的去除夹杂物功能,经过VD真空精炼,夹杂物中CaO含量有增加趋势;吊包至铸坯过程,夹杂物成分向Al2O3含量增多的区域移动,最终轴承钢铸坯中夹杂物成分位于高Al2O3含量（≥80%）,少量MgO（<20%）和低CaO（<5%）的区域;DS夹杂物的生成和去除具有较强的随机性

高质量睡眠与儿童的身体发育、认知功能、学习和注意力密切相关，由于儿童睡眠障碍的早期症状不明显，需要进行长期监测，因此急需找到一种适用于儿童睡眠监测，且能够提前预防和诊断此类疾病的方法。多导睡眠图(Polysomnography，PSG)是临床指南推荐的睡眠障碍基本检测方法，通过观察PSG各睡眠期间的变化和规律，对睡眠质量评估和睡眠障碍识别具有基础作用。本文对儿童睡眠分期进行了研究，利用多导睡眠图记录的单通道脑电信号，在Alexnet的基础上，用一维卷积代替二维卷积，提出一种1D-CNN结构，由5个卷积层、3个池化层和3个全连接层组成，并在1D-CNN中添加了批量归一化层（Batch normalization layer），保持卷积核的大小保持不变。针对数据集少的情况，采用了重叠的方法对数据集进行了扩充。实验结果表明，该模型儿童睡眠分期的准确率为84.3%。通过北京市儿童医院的PSG数据获得的归一化混淆矩阵，可以看出，Wake、N2、N3和REM期睡眠的分类性能很好。对于N1期睡眠，存在将N1期睡眠被误分类为Wake、N2和REM期睡眠的情况，因此以后的工作应重点提升N1期睡眠的准确性。总体而言，对于基于带有睡眠阶段标记的单通道EEG的自动睡眠分期，本文提出的1D-CNN模型可以实现针对于儿童的自动睡眠分期。在未来的工作中，仍需要研究开发更适合于儿童的睡眠分期策略，在更大数据量的基础上进行实验

一.性质与任务 生物化学实验是生物化学教学的重要组成部分,它和生物化学理论教学都具有同等重要的地位。生化实验技术广泛用于生命科学许多领域的研究。 1.通过实验课的教学,使学生掌握比色层析、电泳、离心等生物化学基本实验方法的原理和操作技能,学会选择正确的方法进行生物材料中多种物质的分离,提纯及鉴定。 2.培养学生严谨的科学态度及分析、解决问题的能力同时通过实验加深学生对生物化学基本理论的理解。 (1)学生能够自行预习实验讲义,做好实验前准备。 (2)学生能够借助教材及说明书正确使用常用仪器。 (3)学生能够运用所学理论知识对实验现象进行正确分析解释。 (4)学生能够正确记录和处理实验数据,绘制曲线,说明实验结果,撰写合格的实验报告

因子分析( Factor Analysis)是多元统讣分析技术的一个分支,其主要目的 是浓缩数据。它通过研究众多变量之间的内部依赖关系,探求观测数据中的基本 结构,并用少数几个假想变量来表示基本的数据结构。这些假想变量能够反映原 来众多的观测变量所代表的主要信息,并解释这些观测变量之间的相互依存关 系,我们把这些假想变量称之为基础变量,即因子( Factors)。因子分析就是研 究如何以最少的信息丢失把众多的观测变量浓缩为少数几个因子 因子分析是由心理学家发展起来的,最初心理学家借助因子分析模型来解释 人类的行为和能力,1904年查尔斯·斯皮尔曼( Charles spearman)在美国心理学 杂志上发表了第一篇有关因子分析的文章,在以后的三四十年里,因子分析的理 论和数学基础逐步得到了发展和完善,它作为一个一般的统计分析工具逐渐被人 们所认识和接受。50年代以来,随着计算机的普及和各种统计软件的出现,因 子分析在社会学、经济学、医学、地质学、气象学和市场营销等越来越多的领域 得到了应用

因子分析( Factor Analysis)是多元统讣分析技术的一个分支,其主要目的 是浓缩数据。它通过研究众多变量之间的内部依赖关系,探求观测数据中的基本 结构,并用少数几个假想变量来表示基本的数据结构。这些假想变量能够反映原 来众多的观测变量所代表的主要信息,并解释这些观测变量之间的相互依存关 系,我们把这些假想变量称之为基础变量,即因子( Factors)。因子分析就是研 究如何以最少的信息丢失把众多的观测变量浓缩为少数几个因子 因子分析是由心理学家发展起来的,最初心理学家借助因子分析模型来解释 人类的行为和能力,1904年查尔斯·斯皮尔曼( Charles spearman)在美国心理学 杂志上发表了第一篇有关因子分析的文章,在以后的三四十年里,因子分析的理 论和数学基础逐步得到了发展和完善,它作为一个一般的统计分析工具逐渐被人 们所认识和接受

鉴别分析是一种进行统计鉴别和分组的技术手段。它可以就一定数量案例的一个分组变量和相应的其他多元变量的已知信息,确定分组与其他多元变量之间 的数量关系,建立鉴别函数(discriminant function)然后便可以利用这一数量 关系对其他已知多元变量信息、但未知分组类型所属的案例进行鉴别分组。沿用 多元回归模型的称谓,在鉴别分析中称分组变量(grouping variable)为因变量, 而用以分组的其他特征变量称为鉴别变量( disciminant variable)或自变量。其 实,这里的自变量并不一定是真正的“原因变量,有时可能倒是真正的“结 果”或“反应”变量

鉴别分析是一种进行统计鉴别和分组的技术手段。它可以就一定数量案例的 个分组变量和相应的其他多元变量的已知信息,确定分组与其他多元变量之间 的数量关系,建立鉴别函数( discriminant function)o然后便可以利用这一数量 关系对其他已知多元变量信息、但未知分组类型所属的案例进行鉴别分组。沿用 多元回归模型的称谓,在鉴别分析中称分组变量( grouping variable)为因变量, 而用以分组的其他特征变量称为鉴别变量( disciminant variable)或自变量。其 实,这里的自变量并不一定是真正的“原因”变量,有时可能倒是真正的“结 果”或“反应”变量。它们与类型变量的关系从本质上并没有越过相关的范畴。 不过,既然我们要参照其值来进行分组,权且称之为自变量

多元线性回归(multiple linear regression)是分析一个随机变量与多个变量 之间线性关系的最常用的统计方法。实际工作中,常常希望知道所关心的事物受 哪些因素的影响,比如销售量与价格和广告费的关系,农业产量与原料和气候的 关系,生育水平与教育水平和经济水平的关系,物价和失业率的关系,收入与受 教育程度和年龄的关系等等。多元线性回归用变量的观察数据拟合所关注的变量 和影响它变化的变量之间的线性关系式,检验影响变量的显著程度和比较它们的 作用大小,进而用两个或多个变量的变化解释和预测另一个变量的变化

多元线性回归( multiple linear regression)是分析一个随机变量与多个变量 之间线性关系的最常用的统计方法。实际工作中,常常希望知道所关心的事物受 哪些因素的影响,比如销售量与价格和广告费的关系,农业产量与原料和气候的 关系,生育水平与教育水平和经济水平的关系,物价和失业率的关系,收入与受 教育程度和年龄的关系等等。多元线性回归用变量的观察数据拟合所关注的变量 和影响它变化的变量之间的线性关系式,检验影响变量的显著程度和比较它们的 作用大小,进而用两个或多个变量的变化解释和预测另一个变量的变化 回归这一名词起源于19世纪生物学家F.高尔顿进行的遗传学研究,他在研 究子女身高与父母身高之间关系时发现