利用简化基因组测序筛选安格斯牛生长相关的受选择基因

旨在探究安格斯牛生长相关的受选择基因,为肉牛生长相关主效基因的鉴定提供参考。本试验共采集72头南阳牛母牛和14头黑安格斯牛母牛血样并提取基因组DNA。利用SLAF-seq（specific-locus amplified fragment sequencing）技术获得全基因组SNP标记并对试验个体基因型进行分型。通过计算各SNP位点的遗传分化系数（Fst值）和核苷酸多态性（π ratio）筛选两品种间的差异基因组区域,并与动物QTL数据库中牛生长性状QTLs进行比对,重合区域作为候选区域。随后对候选区域内基因进行功能注释以筛选候选基因,并根据"Expression Atlas"数据库对候选基因的组织表达情况进行分析。经筛选后,本试验共得到69 762个SNPs,以Fst值和π ratio值的99%分位数为阈值筛选得到33个两品种间高度差异的基因组区域,其中16个基因组区域与生长性状相关QTLs重合。这些区域共包含27个基因,其中4个基因（FXR1、ADAR、IGF1和MNF1）与骨生长、肌肉发育和生长调控有关。FXR1和MNF1均在骨骼肌组织中高表达,ADAR和IGF1分别在脑组织和肝脏中表达最高。结果提示,IGF1基因可作为影响肉牛生长的关键候选基因,FXR1、ADAR、MNF1基因可优先进行进一步验证研究。     

关于共轭双线性算子与泛函

给出了赋范线性空间上的有界共轭双线性算子及共轭双线性算子空间的概念,得到了相关性质定理,并讨论了有界共轭双线性泛函及共轭双线性泛函空间的形式及性质.     

自反巴拿赫空间中Bregman非扩散算子的不动点定理

引入了自反巴拿赫空间中的Bregman非扩散算子,并证明了关于这类算子的一些不动点定理.     

一类二阶半线性抛物型方程混合问题的迭代解

二阶线性抛物型方程混合问题的定解已臻完善,而半线性抛物型方程的混合问题多采用数值解法。本文则基于Stone-Weierstrass定理,以Riesz变分原理证明所述问题的可解性。同时,以圆域和材料各向同性的特性,依Sturm-Liouville问题,借助于Bessel函数系的正交性,用试探方法给出问题的迭代解列。再由Cauchy不等式证明算子的有累性,进而证明所求解列依范数收敛的性质。又根据正定算子的逆算子以及它与有界算子之积为全连续算子的结论而证明解列的极限函数即为本问题的解。     

关于G-f-η单调算子的完全广义非线性隐似变分包含问题

在Hilbert空间中介绍和研究了一类包含G-η单调算子、A单调算子和H单调算子的G-f-η单调算子.利用G-f-η单调算子的性质及广义预解算子技巧,给出了一类完全广义非线性隐似变分包含可解性的证明.     

推广的Libera积分算子对于某一类解析函数的运算

用T_k表示在单位圆E={z:∣z∣<1}内解析,形如f(z)=z-α_2z~2-α_3z~3-……-α_nz~n-……(α_n≥0,n≥2)的函数之全体。对于T_k的子类L_k(α,β,γ),将证明如果f∈L_k(α,β,γ),那么函数F_c(f)=(c+1)/z~c integral from 0 to Z t~(c-1)f(t)dt也属于L_k(α,β,γ)。     

对非线性算子和的值域定理的改进

Ｘ为实Ｂａｎａｃｈ空间，其对偶空间为Ｘ．Ｓ：Ｄ（Ｓ）Ｘ→Ｘ，Ｔ：Ｄ（Ｔ）Ｘ→Ｘ为两个非线性算子。本文所讨论的问题属于方程Ｓｘ＋Ｔｘ＝ｆ的可解性问题，并得到了使Ｓ，Ｔ在更弱的条件下有Ｒ（Ｓ）Ｒ（Ｓ＋Ｔ）及ｉｎｔＲ（Ｓ）（Ｓ＋Ｔ）成立的两个定理，推广、改进了已有的有关算子和的值域定理。     

基于算子李代数的子代数结构研究

李代数是重要的非结合代数,对于代数结构的刻划,使用较多的是算子李代数结构,这也是李代数理论的重要组成部分。本文针对顶点算子代数的研究,提出一种基于算子李代数的子代数结构,由L1[σ]、L2[σ]两类子代数构造算子李代数g(G,M)[σ],论述了向量空间的生成,并根据两类子代数的定理与结构证明,为顶点算子代数的研究工作提供理论基础。     

基于MATLAB的细颈线虫卵数字图像边缘的提取

提取数字图像中虫卵的几何特征,首先需提取虫卵的边缘。据此,笔者选用MATLAB数字图像处理软件的edge（）函数调用的Sobel算子、Roberts算子、Prewitt算子、LOG算子和Canny算子对虫卵数字图像进行边缘提取,并比较这五种经典算子的提取效果。结果表明,Canny算子虫卵边缘定位精确性和抗噪能力效果较好,比较好地显示了虫卵图像的整个边缘,可为后续数字图像中虫卵几何特征的提取提供保障。     

Prediction of coal and gas outburst intensity with Incorporate GeneticAlgorithm Based Back Propagation Neural Network(IGABP)

For the prediction of coal and gas outburst intensity, Incorporate Genetic Algorithm Based Back Propagation Neural Network(IGABP) is proposed to solve the limitations in the traditional GABP such as time consuming, optimal stop condition of GA pretreatment indeterminacy, independency and complex task of great importance etc. IGABP addresses some improvements in adaptive crossover and mutation probability to promote GA performance. And with the introduction of BP operator in the evolution of GA operations, the standard GA optimization is from random search to self guiding search and the convergence rate of GA is upgraded, as well as the determination ability of exact solution. With a simulation as a case study, it is found that the minimum error and standard error with IGABP are 0.012 and 0.227, respectively, compared with -0.126 and 1.529 by traditional GABP.