马铃薯块茎性状对块茎损伤的影响

研究分析了马铃薯块茎本身对块茎损伤影响显著的关键因素,从而为通过改善栽培条件、品种选育和种质创新等减轻马铃薯块茎损伤提供依据。选用损伤性状差异显著的5个品种（系）：Desiree、Russet Burbank、春薯4号、9637—83和TD38—2为试验材料,测定其表皮擦伤（SK）、内部损伤（IB）和损伤变色（BR）性状,同时测定块茎硬度等17个块茎指标,并对数据进行偏最小二乘回归分析并建立模型。分析可知：不同块茎指标对表皮擦伤和内部损伤的影响作用相似,与对损伤变色的影响作用差别较大。Ca^2＋、酪氨酸和绿原酸共同对3种损伤起着较大的正向或负向作用。偏最小二乘回归模型对本研究中多重相关数据的分析结果整体性较强,结论客观合理,回归系数易于解释,从而可为生产和科研提供可靠的理论依据。     

杨小舟蛾防治药剂筛选

通过对1.8%阿维菌素、25%灭幼脲、100亿芽活孢.g-1B t和90%敌百虫4种药剂在室内、室外对杨小舟蛾幼虫防治试验,发现各种供试药剂均取得一定的防治效果,其中1.8%阿维菌素、25%灭幼脲、100亿芽活孢.g-1B t防效较好。     

罗布麻属和白麻属种子形态特征及生活力的测定方法

以采自新疆维吾尔自治区阿勒泰市阿拉哈克镇境内的罗布麻属(Apocynum)和白麻属(Poacynum) 8个基因型植物的种子为材料,进行了8个基因型植物种子形态特征、千粒重和生活力测定方法探究。研究结果显示,参试罗布麻种子的长为2.75 mm,宽为0.68 mm,厚为0.49 mm。白麻属7个基因型中以紫斑中花的种子最长,为4.51 mm;青杆白花最宽,为0.90 mm;青杆白花和大叶白麻最厚,为0.61 mm。8个基因型种子的长、宽、高的变化范围分别为2.75～4.51、0.68～0.90和0.48～0.61 mm。其中,紫斑中花为最大基因型,罗布麻为最小基因型。千粒重变化范围在0.38～1.32 g,所有参试种子颜色均为褐色,其中以大叶白麻颜色最深。参试种子均表现出非休眠性种子萌发的特征,萌发时间较短,可以用来快速测定参试种子的生活力。采用四唑染色测定生活力时,参试种子均表现出不透四唑的特征,应该纵切切破种皮,预湿时间为12～14 h,染色时间为12 h,鉴定标准为种子胚80%完全染色。此次针对罗布麻属和白麻属种子形态特征与生活力测定方法的研究,能够为罗布麻种子生活力鉴定、大规模种...     

核桃芽接育苗技术

研究分析了核桃播种方式，播种方法，播种量，接穗培养,家接时间，剪砧程度，嫁接方法等芽接育苗技术的关键，使田间大面积嫁接成活率可达93％左右。     

感染性朊蛋白的毒性与糖磷脂酰肌醇（GPI）的相关性

海绵状脑病(朊病)是一类神经退行性脑病,目前是世界上研究的热点问题之一。引起该病的病原是一种朊蛋白质,它与宿主自身的正常朊蛋白的一级结构相同,只是二级结构的构象有所不同。对海绵状脑病的致病机理至今仍不太清楚,作者针对目前研究的朊蛋白的致病性与GPI的关系作一综述。     

利用SDS-PAGE鉴定转基因小麦HMW-GS的表达类型和后代遗传

采用SDS-聚丙烯酰胺凝胶电泳(SDS-PAGE)在蛋白质水平上对T2～T5代小麦转基因株系高分子量谷蛋白亚基(HMW—GS)的遗传表达及其分离进行了鉴定和分析。结果发现，外源1Dx5和1Dy10基因在T2代部分株系中表达；在有的株系中出现了原亚基(8亚基)的缺失或沉默和新亚基(暂定8^*)的产生，因而检测出2 5 10 12，2 5 7 8^* 10 12，5 7 10，2 7 10 12的多种类型。对2 5 10 12型株系进行了多代跟踪分析，发现其在T2～T5代陆续发生分离，存在于不同单株、不同单穗的子粒和同一单粒后代之间。经筛选，获得了天然不存在的亚基类型为2 5 10 12，2 10 12，2 5 12等稳定表达的种质创新株系。     

BL-SCFB-3型生物质快速热解装置的研发

能源和环境的双重压力,使得人类必须开发可再生能源,而生物质能是可再生能源中比较理想的选择在生物质能利用技术中,快速热解技术可将能量密度低的低品位的生物质转变为高品位能源,被认为是最具发展潜力的生物质能利用技术之一。目前,国内外关于快速热解技术的研究主要是以微量或者试验室小试水平为基础而开展的,对于中试和     

河北省地衣新记录属

报道了采自河北省地衣5新记录属:孔文衣属(Opegrapha Humb.)、袋衣属(Hypogymnia(Nyl.)Nyl.)、黄茶渍属(Candelariella Muell.Arg.)、黄烛衣属(Candelaria Massal.)和盾衣属(Peltula Nyl.)。文中对5属地衣的生境、识别特征和地理分布特点进行了简要概述。     

基于分类面拼接的快速模块化支持向量机研究

针对大多数现有的机器学习算法处理大规模问题时需要的训练时间很长和存储空间很大的难点,提出了基于分类面拼接的快速模块化支持向量机算法(psfm-SVMs).在训练阶段,psfm-SVMs采用一簇平行超平面对大规模问题实施软划分,然后针对每个子问题并行训练支持向量机.在测试阶段,测试样本坐落于哪个子问题所在空间中,就由该子问题训练的支持向量机给出判别结果.在4个大规模问题上的实验表明:与采取硬划分的快速模块化支持向量机(fm-SVMs)相比,软划分能够使psfm-SVMs得到更加光滑的分类面,因而psfm-SVMs的泛化能力较高.在不增加训练时间的条件下,psfm-SVMs减少了由于训练集分割导致的分类器泛化能力下降.