大规模图数据匹配技术综述

在大数据时代海量的多源异构数据间存在着紧密的关联性,图作为表示数据之间关系的基本结构在社交网络分析、社会安全分析、生物数据分析等领域有着广泛应用.在大规模图数据上进行高效地查询、匹配是大数据分析处理的基础问题.从应用角度对用于图查询的图数据匹配技术的研究进展进行综述,根据图数据的不同特征以及应用的不同需求对图匹配问题分类进行介绍.同时,将重点介绍精确图匹配,包括无索引的匹配和基于索引的匹配,以及相关的关键技术、主要算法、性能评价等进行了介绍、测试和分析.最后对图匹配技术的应用现状和面临的问题进行了总结,并对该技术的未来发展趋势进行了展望.     

基于蓝牙的PC与手机互控应用的设计

该文采用DELL 1400笔记本作为PC机端,采用诺基亚7610作为S60的手机端,通过蓝牙技术实现二者的互控应用的设计。论文给出了统软硬件配置设计、电脑控制手机的具体实现步骤和应用以及手机控制PC机的实现。实验结果证实了设计的可行性。     

SPME和SAFE结合GC-O-MS分析鲜榨西瓜汁挥发性香气成分

为比较不同萃取方式对西瓜汁风味的萃取效果,本研究采用固相微萃取(SPME)和溶剂辅助风味蒸发(SAFE)两种方法结合GC-O-MS对无籽西瓜中的挥发性香气成分进行分析。共鉴定出46种化合物,这些化合物主要包括醛类8种,烯醛类9种,醇类12种,酮类6种,呋喃2种,内酯1种,酯类2种。无籽西瓜中重要的挥发性香气成分有己醛(青草香)、6-甲基-5-庚烯-2-酮(柠檬味、苹果味)、反-6-壬烯醛(甜瓜味)、反-2-壬烯醛(甜瓜味、清香)、反,顺-2,6壬二烯醛(黄瓜味)、顺-3-壬烯-1-醇(清香、动物脂味)、反,顺-3,6-壬二烯-1-醇(黄瓜味)。SPME和SAFE对西瓜汁中关键香气成分均具有良好的萃取效果,但SPME萃取得到的化合物种类更多。     

SAFE与SDE法对金华火腿皮下脂肪气味活性物质研究

通过溶剂辅助风味蒸发系统（SAFE）和同时蒸馏提取技术（SDE）与气相色谱-嗅闻仪-质谱联机法（GC-O-MS）结合,对已发酵18个月的金华火腿皮下脂肪气味化合物进行定性定量分析和感官评价.SAFE和SDE法分别检测并嗅闻到40种和22种气味活性化合物,对脂肪气味贡献度较大的10种关键性化合物分别是：己醛、庚醛、二异丙基二硫醚、辛醛、反-2-辛烯醛、3-甲基丁酸、反,反-2,4-癸二烯醛、γ-癸内酯、γ-十一内酯和苯乙酸.     

SD大鼠放射性直肠炎模型的建立

采用X射线单次大剂量局部照射的方法,对SD大鼠进行不同剂量的照射,通过观察照射后大鼠的临床症状和组织病理学改变,探讨大鼠放射性直肠炎模型的建立方法。结果表明,X射线大剂量单次局部照射 18 Gy能成功诱导大鼠急性放射性直肠炎,该模型适合用于放射性直肠损伤药物治疗效果研究的需要。     

图数据分析系统计算模型综述

随着大数据时代的到来,图作为一种表示和分析大数据的有效方法,正成为学术界和工业界广泛关注的焦点.图数据具有规模巨大、耦合性强、动态变化等特点,需要新的计算模型支持高效的图计算系统对大规模图数据进行处理.对图计算系统计算模型的研究现状进行了调研和综述,首先介绍图计算系统的产生和发展,然后将主流图计算系统中的计算模型按照计算对象分为:结点中心计算模型、边中心计算模型、路径中心计算模型和子图计算模型四类,重点介绍结点中心模型的应用和性能,最后对图计算模型的发展过程进行总结,并展望图计算模型未来发展方向.     

基于AEDA和OAV值确定西瓜汁香气活性化合物的比较

本研究采用溶剂辅助风味蒸发提取西瓜汁的香气成分,利用气相色谱-质谱联用结合嗅闻仪定性定量分析其香气活性化合物,共鉴定出49种化合物,主要是小分子的酮、醛、硫醚等物质,酯类物质中只检测到一种物质,即乙酸乙酯,且浓度较低。本研究首次检测到醚类物质。OAV计算和AEDA两种方法共同鉴定出11中物质,顺,顺-3,6-壬二烯醛、顺-3-壬烯-1-醇、反,顺-3,6-壬烯-1-醇、反-2-壬烯醛、壬醛、1-壬醇、2-戊基呋喃、己醛、辛醛、顺-6-壬烯醛、反-2-辛烯醛。其中有五种香气活性物质,即顺,顺-3,6-壬二烯醛、顺-3-壬烯-1-醇、顺-6-壬烯醛、顺-2-壬烯醛、反,顺-3,6-壬烯-1-醇都能被实验员嗅闻到,且具有较高的OAV值。这表明,AEDA和OAV计算在西瓜汁香气活性化合物分析上具有一定的相似性。     

一种改进池化模型对卷积神经网络性能影响的研究

池化模型作为卷积神经网络模型中至关重要的一部分,具有降维、提高模型泛化能力等作用。为了进一步提高卷积神经网络模型的准确率,优化模型的学习性能,提出了一种基于最大池化和平均池化的改进池化模型,并在全球手写数字数据集MNIST和CIFAR-10上分别对改进池化模型的有效性进行了验证。通过与常见池化模型的对比实验发现,采用改进池化模型的卷积神经网络的学习性能较优,一次迭代情况下,在MNIST和CIFAR-10数据集上,错误率分别下降了4.28%和2.15%。