检索结果-南通市图书馆

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

红太狼大败喜羊羊

小学生时空（汉） 2009年第11期 40-41页

作者：李沅鑫江苏省南京市苏杰学校五(1)班

羊历3518年，青青草原的狼堡里，住着两只五年来未吃过羊肉的狼——红太狼和它的老公灰太狼。它们是那样渴望吃上一口羊肉，解五年之馋呀!可是，以喜羊羊为首的这群羊实在是太狡猾、太“残忍”了，总是百般戏弄它们这两只“可怜”的狼。

关键词：《红太狼大败喜羊羊》小学语文作文

在线全文

学校读者我要写书评

暂无评论

一串脚印,两个故事

课堂内外（创新作文）（小学版） 2008年第4期 18-19页

作者：李沅鑫江苏省南京市苏杰学校三(1)班

一次,我和妈妈在上街时,同时发现一块水泥地里有一串小动物的脚印。经过仔细辨认,我们都觉得是小狗的脚印。看着这串脚印,我仿佛看见了当时的情景:一只小狗和它的主人到这个水泥未干的地方散步,顽皮的小狗趁主人不注意。

关键词：脚印小狗水泥故事主人小动物不注意情景顽皮发现

基于金属有机框架水凝胶的一步式快速富集检测养殖水体中孔雀石绿

在线全文

学校读者我要写书评

暂无评论

色谱 2022年第8期40卷 721-729页

作者：刘娜李佩仪孙蒙蒙秦海洋李沅鑫李晋成刘欢吴立冬上海海洋大学食品学院上海201306 中国水产科学研究院农业农村部水产品质量安全控制重点实验室北京100141 大连海洋大学食品科学与工程学院辽宁大连116023

孔雀石绿是一种三苯甲烷类化合物,在水产品饲养中对疾病的防治有着不错的疗效,但因对人体健康有危害而被列为禁用药。由于实际样品中成分复杂,对于此类染料的检测方法难以同时兼具富集性好、灵敏度高且方便快速的优点。该工作制备了金... 详细信息

孔雀石绿是一种三苯甲烷类化合物,在水产品饲养中对疾病的防治有着不错的疗效,但因对人体健康有危害而被列为禁用药。由于实际样品中成分复杂,对于此类染料的检测方法难以同时兼具富集性好、灵敏度高且方便快速的优点。该工作制备了金属有机框架材料(MOF),采用MOF纳米材料掺杂的水凝胶(PAAM-SA/MOF)对养殖水体中的孔雀石绿进行吸附研究。采用一系列表征手段对MOF、PAAM-SA和PAAM-SA/MOF的微观形貌进行分析,结果表明吸附材料已成功合成。通过优化水凝胶吸附剂用量、吸附时间、孔雀石绿溶液pH、吸附温度、孔雀石绿溶液初始浓度等吸附萃取条件,使溶液中的孔雀石绿基本完全吸附在水凝胶中,在最优条件下,吸附效率最高可达97%。此外,采用不同极性的有机溶剂对吸附的孔雀石绿进行洗脱,通过优化洗脱液体积,脱附率最高达99%。在最佳条件下,该方法在高、中、低3个水平下的样品加标回收试验中回收率达到84.8%~118.1%,相对标准偏差小于5.1%,方法的检出限为0.083μg/L(S/N=3),定量限为0.25μg/L(S/N=10)。该方法简化了前处理过程,结合了MOF和水凝胶这二者各自的优点,添加的MOF材料可以在水凝胶体系中发挥其良好的吸附性,既解决了传统的MOF材料因粒径太小而回收率低的难题,便于吸附后直接提取,同时也解决了纯水凝胶吸附效率较低的问题,整体上提高了吸附效率和可回收性。实际样品测试表明该新型水凝胶吸附材料可用于养殖水体中孔雀石绿的快速萃取和检测,在食品检测领域具有很大潜力。

关键词：水凝胶金属有机框架物海藻酸钠孔雀石绿吸附

基于新型离子液体凝胶一步式快速富集孔雀石绿

在线全文

学校读者我要写书评

暂无评论

食品安全质量检测学报 2023年第11期14卷 214-221页

作者：李佩仪孙蒙蒙秦海洋李沅鑫吴立冬上海海洋大学食品学院上海201306 中国水产科学研究院农业农村部水产品质量安全控制重点实验室北京100141 大连海洋大学食品科学与工程学院大连116023

目的建立一种基于离子液体凝胶固态吸附剂的一步式富集阳离子染料孔雀石绿(malachite green,MG)的水产食品快速检测前处理方法。方法利用离子液体凝胶中离子和MG之间的静电吸附作用,将凝胶吸附剂置于含有染料的样品中,使溶液中的MG完全... 详细信息

目的建立一种基于离子液体凝胶固态吸附剂的一步式富集阳离子染料孔雀石绿(malachite green,MG)的水产食品快速检测前处理方法。方法利用离子液体凝胶中离子和MG之间的静电吸附作用,将凝胶吸附剂置于含有染料的样品中,使溶液中的MG完全吸附在离子液体凝胶中一段时间后取出,通过紫外分光光度法评价吸附剂对样品中MG的吸附效率。结果吸附剂用量0.3 g、吸附时间6 h、MG溶液pH为8、初始MG溶液质量浓度5 mg/L、吸附温度为5℃是最优萃取条件。在最优条件下,吸附效率最高可达96%。2 mL乙腈对MG的脱附率为97%。方法的线性范围为0.5~5.0 mg/L,线性回归方程为A=0.2708C-0.0325(A为吸光度,C为MG溶液浓度),相关系数r 2=0.996,检出限为0.12 mg/L,在最优吸附脱附条件下进行0.1、0.5、5.0 mg/L水平加标实验,样品平均加标回收率为95%~99%,相对标准偏差为0.10%~0.25%(n=3)。结论基于新型离子液体凝胶吸附材料建立的前处理技术高效、便捷、绿色环保,高的吸附脱附效率和准确度表明该方法适用于水产品中微量MG的富集和检测。新型固相萃取技术的开发以简化样品前处理过程、节约成本,为食品质量安全快速检测提供了新思路。

关键词：离子液体凝胶孔雀石绿前处理技术吸附剂阳离子染料固相萃取

城市轨道交通轨道结构健康状态评价和预警研究

在线全文

学校读者我要写书评

暂无评论

城市轨道交通轨道结构健康状态评价和预警研究

作者：李沅军石家庄铁道大学

学位级别：硕士

基于收益共享的蓝莓电子商务供应链定价与库存整合优化 ——以芒市H企业为例

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于收益共享的蓝莓电子商务供应链定价与库存整合优化 ——以芒...

作者：李沅罡云南师范大学

学位级别：硕士

O2O教学模式在体育院校背越式跳高教学中的应用研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

O2O教学模式在体育院校背越式跳高教学中的应用研究

作者：李沅荧广州体育学院

学位级别：硕士

组织范式变革:高校哲学社会科学实验室建设的探索与思考

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

实验技术与管理 2024年第3期41卷 285-292页

作者：李沅傧中国人民大学新闻与社会发展研究中心北京100872

在新一轮科技革命浪潮和“新文科”建设大背景下,哲学社会科学实验室作为先进技术与人文社科知识交叉融合的“交换机”,成为各高校追求科研组织模式变革、推动哲学社会科学高质量发展的重要突破点。相较于传统社科研究机构,社科实验室... 详细信息

在新一轮科技革命浪潮和“新文科”建设大背景下,哲学社会科学实验室作为先进技术与人文社科知识交叉融合的“交换机”,成为各高校追求科研组织模式变革、推动哲学社会科学高质量发展的重要突破点。相较于传统社科研究机构,社科实验室从诞生起就被赋予服务科学决策、推动学科建设、促进学术创新、汇聚研究数据、培育先进人才等功能定位。在研究需求方面,社科实验室存在专业型、平台型和综合型三种组织模式;在组织框架和资源构成方面,社科实验室具备研究目标、研究基础、组织管理、研究支撑和成果输出等五大核心要素。结合社科实验室的核心要素,该文初步构建了一套实验室评价要素体系,以期对高校建设高水平社科重点实验室提供参考。

关键词：哲学社会科学社科实验室交叉融合实验技术

在线全文

学校读者我要写书评

暂无评论

基于对比学习的深度聚类方法研究

基于对比学习的深度聚类方法研究

作者：李沅书吉林大学

学位级别：硕士

无监督学习因其不依赖于标签数据,无需繁琐的标签制作过程和高昂的人工成本,逐渐成为研究领域关注的焦点。聚类作为无监督学习中的一种重要算法,其主要任务是将给定的数据集分为两两不相交的子集,并关注划分后类内的一致性与类间的差异... 详细信息

无监督学习因其不依赖于标签数据,无需繁琐的标签制作过程和高昂的人工成本,逐渐成为研究领域关注的焦点。聚类作为无监督学习中的一种重要算法,其主要任务是将给定的数据集分为两两不相交的子集,并关注划分后类内的一致性与类间的差异性。聚类不仅可以作为独立工具应用于众多领域,还能为其他算法提供有效的预处理操作,提高数据处理效率。随着大数据时代的到来,数据的维度和数量迅速增长,传统聚类算法往往无法有效地处理大规模高维数据。而深度学习方法对于大规模数据有着强大的特征提取能力,因此越来越多研究者将深度学习与聚类算法相结合以提升聚类性能。对比学习作为该领域近期研究热点,其与聚类方法的结合也取得了优异的结果。然而对比聚类方法在很大程度上依赖于负样本对的选取质量与数量,导致在实际聚类过程中存在两个局限性:一是负样本对质量不佳引发的类间冲突;二是资源受限情况下依赖大量负样本对,导致其无法通过简单地增加模型规模的方式达到性能上的显著提升。本文针对基于对比聚类方法中存在的以上两个主要问题开展了研究:针对负样本对质量引发的类间冲突,本文提出了一种基于层次相似性的深度对比聚类方法,通过利用层次聚类构建正负样本对和设计神经网络模型,能够有效缓解类间冲突以提高聚类性能。同时针对资源受限情况下对比聚类对大量负样本对的依赖导致性能提升瓶颈,本文还提出了一种基于相互学习的深度对比聚类方法,通过两个较小型网络在线训练相互学习以提高聚类性能和泛化性。当前多数对比聚类方法都完全遵循对比学习的基本框架,即将一个样本的两个增强视为正样本对拉近,其他视为负样本推远。由于负样本中存在和样本属于同一语义类的样本,容易造成类间冲突导致次优的聚类结果。针对此局限性,本文提出了一种基于层次相似性的深度对比聚类方法,其通过利用层次聚类构建正负样本对以缓解类间冲突进而提高聚类性能。具体来说,本文首先利用层次聚类的分区结果构建了正负样本对,并提出了一个包含类间分离性增强模块、类内紧密性增强模块和聚类模块的神经网络模型,其中每个模块都采用独立设计的损失函数。三个模块协同工作以拉近正样本对的距离、同时拉远负样本对的距离,从而改善特征表示以提高聚类结果。为了验证该方法的有效性,本文在四种被广泛采用的图像数据集上进行了大量实验。实验结果表明本文提出的方法优于现有基线方法,消融研究验证了所提出三个模块的有效性。当前研究者普遍认为规模较大的模型比小规模模型具有更优越的性能。然而由于对比学习较依赖于负样本对数量继而依赖每个批次样本数量,在资源受限时很难在保证批次数量的情况下通过提升网络规模得到性能提升。针对对比聚类在资源受限时面对的性能瓶颈,本文提出了一种基于相互学习的深度对比聚类方法,其通过两个小型网络在线训练并使其相互学习以提高聚类性能和泛化性。本文以改进的对比聚类网络作为基础模型,通过在特征表示层面进行网络之间的相互学习,充分融合来自两个对比聚类网络的表征以提升聚类性能。为了验证该方法的有效性,本文在两种图像数据集上进行了大量的实验。实验结果表明本文提出的方法在CIFAR-10数据集上相较基础模型能够提升5.6个百分点的准确率,优于现有基线方法,消融研究验证了本文提出方法设计的有效性。

关键词：深度聚类对比学习层次聚类相互学习