一种空间生物学中细胞生长的数值模拟方法

专利名称：：一种空间生物学中细胞生长的数值模拟方法
技术领域：
：本发明涉及一种空间生物学中细胞生长的数值模拟方法，特别涉及一种基于灰色系统和支持向量回归的空间环境中细胞生长的建模方法，属于空间生物学领域。
背景技术：
：近年来，随着科技发展和社会需求的增加，空间资源正在逐渐被开发利用。由于细胞、生物分子水平的研究对组织工程学和临床应用等领域都有重要的意义，空间生物学逐渐成为生物等相关领域许多国家研究的热点问题之一。空间生物学的研究成果可以促进载人航天，推动空间资源开发，实现作物育种，从而解决人类的生产、生活等相关问题。在空间生物学领域中，采用数学模型的方法是十分必要的。首先，在真实的航天环境中进行相关研究的代价很高，而且受实验条件的限制，很多实验不能在航天环境中进行。同时，被试者的数目很少，如何从有限的实验数据中得到更多的信息，就需要数学模型来解决此问题；其次，除了空间搭载，在地基模拟的实验中，尽管试验机会大大增多，但是相对于正常的地面上的生物学实验，空间生物学实验中微重力等空间因素产生环境和实验操作等方面没有建立起一定的标准性、规范性的内容，而且空间环境中的因素影响细胞等的作用机理尚不清楚，这给相关的实验人员带来了很大的困惑。其中比较典型的是他们无法检验特定时间点上或时间段内实验结论的正确性，从而阻碍了实验的进展。第三，数学建模等建模方法可以促进传统实验难以实现的细胞等生物结构的网络组成、复杂动力学行为的研究，并获得对它们与环境间相互作用和未来发展的有根据预测。基于以上存在的问题以及数学模型在空间生物学研究领域中的重要性，有必要建立空间生物学相关数学模型。数学建模将会为空间生物学领域相关研究提供一种新的方法。它通过根据已获得的知识和实验数据构造相应的数学模型，从而能够实现模拟和预测相关的信息，并力求用数学模型的方法分析空间生物学相关现象的作用机理，对真实的实验进行指导或验证，推进研究进展，从而确保为这一领域的相关研究人员提供一定的帮助。灰色系统理论的研究对象是“部分信息已知、部分信息未知”的“小样本”、“贫信息”不确定性系统，它通过对“部分”已知信息的生成，开发实现对研究对象较为确切的描述和认识。Verhulst模型是灰色系统模型的主要内容之一，主要用于描述具有饱和状态的过程，即“S”形过程，常用于人口预测、生物生长、繁殖预测和产品经济寿命预测等。利用该模型进行灰色系统预测的实质是一次累加生成，其基本原理是将原始数列一次累加后，形成明显的指数规律，然后用一条曲线去拟和累加生成，再累减还原即可得到预测值。支持向量回归基于结构风险最小化的原理，将实际问题通过非线性映射，将数据集映射到高维特征空间，在高维空间中进行线性回归，实现原低维空间中的非线性回归，得到已有信息下的全局最优解。这种方法的优点是保证了支持向量回归算法有限样本情况下模型的较好的泛化能力，最佳推广能力，输出函数的平滑性和更为可靠的结果。这将保证采用支持向量机建立预测模型能够实现对小样本信息高精度的模拟和预测。
发明内容本发明的目的是为空间生物学中相关研究提供了一种新的途径，即提供一种基于灰色系统和支持向量回归的空间生物学中细胞生长的数值模拟方法。本发明依据灰色系统和支持向量回归理论，根据获得的有限的实验数据，建立一种高精度、适合于空间生物学相关实验的数学模型，可以较高精度的实现相关实验数据的模拟和预测，从而对真实的实验进行指导和验证，推进研究进展。本技术方案是通过以下途径来实现的步骤一、对当前重力参数条件下待研究细胞生长的原始样本序列X(°)={x(°)⑴，x(0)(2)，......，x(0)(n)}进行一次累加生成，其中x(°)⑴，x(°)(2)，......，x(0)(n)分别代表第1，2，......，n天细胞的增殖数据，增殖数据通过亚甲蓝方法获得，并通过酶标仪用所吸收的光度值表示，对应细胞个数；并且x(°)⑴>0，i=1，2，......，n；累加生成后得到的)]，其中之⑴㈨二^义⑴㈨+义⑴化一巩女二之)......n步骤二、建立离散时间微分方程模型此方程即为灰色系统Verhulst模型；其中，a为发展系数，b为灰作用量；对灰色系统Verhulst模型的白化方程的参数a和b进行最小二乘估计，所述灰色系统Verhulst模型的白化方程为办⑴(0并且灰色系统Verhulst模型的参数a和b的最小二乘估计应满足由此得出参数a和b的值；其中i=为灰色系统Verhulst模型中参数a和b组成的参数列，且步骤三、利用参数a和b的值确定灰色系统Verhulst模型的白化方程的时间响应函数x(1)(t)步骤四、将白化方程的时间响应函数转化为灰色系统Verhulst模型的时间响应序列i⑴(幻步骤五、按照下式进行累减得到“还原值”X(0)={x(0)(l),x(0\2),……,x，其中<mrow><msup><mi>Z</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>=</mo><mfrac><mn>1</mn><mn>2</mn></mfrac><mo>[</mo><msup><mi>x</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>+</mo><msup><mi>x</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mi>k</mi><mo>-</mo><mn>1</mn><mo>)</mo></mrow><mo>]</mo><mo>,</mo><mi>k</mi><mo>=</mo><mn>2,3</mn><mo></mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>.</mo><mi>n</mi></mrow>步骤二、建立离散时间微分方程模型x(0)(k)+a·z(1)(k)＝b(z(1)(k))2此方程即为灰色系统Verhulst模型；其中，a为发展系数，b为灰作用量；对灰色系统Verhulst模型的白化方程的参数a和b进行最小二乘估计，所述灰色系统Verhulst模型的白化方程为<mrow><mfrac><mrow><mi>d</mi><msup><mi>x</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mi>t</mi><mo>)</mo></mrow></mrow><mi>dt</mi></mfrac><mo>+</mo><mi>a</mi><mo>&CenterDot;</mo><msup><mi>x</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mi>t</mi><mo>)</mo></mrow><mo>=</mo><mi>b</mi><msup><mrow><mo>(</mo><msup><mi>x</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mi>t</mi><mo>)</mo></mrow><mo>)</mo></mrow><mn>2</mn></msup></mrow>并且灰色系统Verhulst模型的参数a和b的最小二乘估计应满足<mrow><mover><mi>A</mi><mo>^</mo></mover><mo>=</mo><msup><mrow><mo>(</mo><msup><mi>B</mi><mi>T</mi></msup><mi>B</mi><mo>)</mo></mrow><mrow><mo>-</mo><mn>1</mn></mrow></msup><msup><mi>B</mi><mi>T</mi></msup><mi>Y</mi></mrow>由此得出参数a和b的值；其中为灰色系统Verhulst模型中参数a和b组成的参数列，且<mrow><mi>Y</mi><mo>=</mo><mfencedopen='['close=']'><mtable><mtr><mtd><msup><mi>x</mi><mn>0</mn></msup><mrow><mo>(</mo><mn>2</mn><mo>)</mo></mrow></mtd></mtr><mtr><mtd><msup><mi>x</mi><mn>0</mn></msup><mrow><mo>(</mo><mn>3</mn><mo>)</mo></mrow></mtd></mtr><mtr><mtd><mo>&CenterDot;</mo></mtd></mtr><mtr><mtd><mo>&CenterDot;</mo></mtd></mtr><mtr><mtd><mo>&CenterDot;</mo></mtd></mtr><mtr><mtd><msup><mi>x</mi><mn>0</mn></msup><mrow><mo>(</mo><mi>n</mi><mo>)</mo></mrow></mtd></mtr></mtable></mfenced><mo>,</mo><mi>B</mi><mo>=</mo><mfencedopen='['close=']'><mtable><mtr><mtd><mo>-</mo><msup><mi>z</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mn>2</mn><mo>)</mo></mrow></mtd><mtd><msup><mrow><mo>(</mo><msup><mi>z</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mn>2</mn><mo>)</mo></mrow><mo>)</mo></mrow><mn>2</mn></msup></mtd></mtr><mtr><mtd><mo>-</mo><msup><mi>z</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mn>3</mn><mo>)</mo></mrow></mtd><mtd><msup><mrow><mo>(</mo><msup><mi>z</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mn>3</mn><mo>)</mo></mrow><mo>)</mo></mrow><mn>2</mn></msup></mtd></mtr><mtr><mtd><mo>&CenterDot;</mo></mtd><mtd><mo>&CenterDot;</mo></mtd></mtr><mtr><mtd><mo>&CenterDot;</mo></mtd><mtd><mo>&CenterDot;</mo></mtd></mtr><mtr><mtd><mo>&CenterDot;</mo></mtd><mtd><mo>&CenterDot;</mo></mtd></mtr><mtr><mtd><mo>-</mo><msup><mi>z</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mi>n</mi><mo>)</mo></mrow></mtd><mtd><msup><mrow><mo>(</mo><msup><mi>z</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mi>n</mi><mo>)</mo></mrow><mo>)</mo></mrow><mn>2</mn></msup></mtd></mtr></mtable></mfenced><mo>;</mo></mrow>步骤三、利用参数a和b的值确定灰色系统Verhulst模型的白化方程的时间响应函数x(1)(t)<mrow><msup><mi>x</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mi>t</mi><mo>)</mo></mrow><mo>=</mo><mfrac><mrow><msup><mi>ax</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mn>0</mn><mo>)</mo></mrow></mrow><mrow><msup><mi>bx</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mn>0</mn><mo>)</mo></mrow><mrow><mo>(</mo><mi>a</mi><mo>-</mo><msup><mi>bx</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mn>0</mn><mo>)</mo></mrow><mo>)</mo></mrow><msup><mi>e</mi><mi>at</mi></msup></mrow></mfrac></mrow>步骤四、将白化方程的时间响应函数转化为灰色系统Verhulst模型的时间响应序列<mrow><msup><mover><mi>x</mi><mo>^</mo></mover><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mi>k</mi><mo>+</mo><mn>1</mn><mo>)</mo></mrow><mfrac><mrow><msup><mi>ax</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mn>0</mn><mo>)</mo></mrow></mrow><mrow><msup><mi>bx</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mn>0</mn><mo>)</mo></mrow><mo>+</mo><mrow><mo>(</mo><mi>a</mi><mo>-</mo><msup><mi>bx</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mn>0</mn><mo>)</mo></mrow><mo>)</mo></mrow><msup><mi>e</mi><mi>ak</mi></msup></mrow></mfrac></mrow>其中k＝1，2，......，n；步骤五、按照下式进行累减得到“还原值”也就是样本序列X(0)＝{x(0)(1)，x(0)(2)，......，x(0)(n)}的模拟值，实现该细胞生长初步的模拟和预测，其中<mrow><msup><mover><mi>x</mi><mo>^</mo></mover><mrow><mo>(</mo><mn>0</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mi>k</mi><mo>+</mo><mn>1</mn><mo>)</mo></mrow><mo>=</mo><msup><mover><mi>x</mi><mo>^</mo></mover><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mi>k</mi><mo>+</mo><mn>1</mn><mo>)</mo></mrow><mo>-</mo><msup><mover><mi>x</mi><mo>^</mo></mover><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>=</mo><mfrac><mrow><msup><mi>ax</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mn>0</mn><mo>)</mo></mrow><mrow><mo>(</mo><mi>a</mi><mo>-</mo><msup><mi>bx</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mn>0</mn><mo>)</mo></mrow><mo>)</mo></mrow><msup><mi>e</mi><mrow><mo>-</mo><mi>a</mi></mrow></msup></mrow><mrow><msup><mi>b</mi><mn>2</mn></msup><mo>[</mo><msup><mi>x</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><msup><mrow><mrow><mo>(</mo><mn>0</mn><mo>)</mo></mrow><mo>]</mo></mrow><mn>2</mn></msup><mo>+</mo><mrow><mo>(</mo><msup><mi>bx</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mn>0</mn><mo>)</mo></mrow><mo>+</mo><mn>1</mn><mo>)</mo></mrow><mrow><mo>(</mo><mi>a</mi><mo>-</mo><msup><mi>bx</mi><mrow><mo>(</mo><mn>1</mn><mo>)</mo></mrow></msup><mrow><mo>(</mo><mn>0</mn><mo>)</mo></mrow><mo>)</mo></mrow><msup><mi>e</mi><mrow><mi>a</mi><mrow><mo>(</mo><mn>2</mn><mi>k</mi><mo>-</mo><mn>1</mn><mo>)</mo></mrow></mrow></msup></mrow></mfrac><mo>,</mo></mrow>k＝1，2，......，n；且x(1)(0)＝x(0)(1)，当k＝1时等于x(0)(1)；步骤六、对原始样本序列X(0)＝{x(0)(1)，x(0)(2)，...，x(0)(k)，...，x(0)(n)}和模拟值相减，获得相应的误差序列E＝{ε(1)，ε(2)，...，ε(k)，...，ε(n)}，其中k＝1，2，......，n；步骤七、对误差序列E进行归一化处理，得E′＝{ε′(1)，ε′(2)，...，ε′(i)，..，ε′(n)}，作为支持向量回归模型的训练样本数据；给定训练集T＝{(x1，y1)，.......，(xl，yl),∈(Rn×R)l，其中xi∈Rn，yi∈R，i＝1，......，l，Rm为m维欧氏空间，R为一维欧氏空间，l为训练点的个数；对于m维输入值xi，第一维是E′中的ε′(i)，其余各维补零；输出yi为E′中的ε′(i+1)，据此寻找R″上的一个实值函数g(x)，使每个yi等于对应的g(xi)，用于推断并获得任一输入xi所对应的输出值yi；步骤八、为了利用归一化后的误差序列E′的前n-2个序列值建立相关的支持向量回归模型从而实现模拟，首先选择核函数K(xi，xj)；步骤九、利用交叉检验生成最优的模型参数①.首先随机地将步骤七中的训练集T＝{(x1，y1)，.......，(xl，yl)}∈(Rn×R)/剖分为β份训练模型，β可根据实际需要选取；利用交叉检验搜索最优参数即每次利用β-1份训练模型，用剩余1份验证模型性能；②.最后以训练模型在β次验证数据上的性能平均值，即均方误差(MSE)作为模型参数选取的标准，选取模型参数，包括惩罚因子C，核函数K(xi，xj)的参数σ，损失函数ω的范围和步长；步骤十、根据步骤九获得的模型参数，构造并求解凸二次规划问题，得到的解为所述凸二次规划问题为<mrow><munder><mi>min</mi><mrow><mi>&alpha;</mi><mo>,</mo><msup><mi>&alpha;</mi><mo>*</mo></msup></mrow></munder><mo>[</mo><munderover><mi>&Sigma;</mi><mrow><mi>i</mi><mo>,</mo><mi>j</mi><mo>=</mo><mn>1</mn></mrow><mi>l</mi></munderover><mfrac><mn>1</mn><mn>2</mn></mfrac><msup><mrow><mo>(</mo><msub><mi>&alpha;</mi><mi>i</mi></msub><mo>-</mo><msubsup><mi>&alpha;</mi><mi>i</mi><mo>*</mo></msubsup><mo>)</mo></mrow><mi>T</mi></msup><mi>K</mi><mrow><mo>(</mo><msub><mi>x</mi><mi>i</mi></msub><mo>,</mo><msub><mi>x</mi><mi>j</mi></msub><mo>)</mo></mrow><mrow><mo>(</mo><msub><mi>&alpha;</mi><mi>j</mi></msub><mo>-</mo><msubsup><mi>&alpha;</mi><mi>j</mi><mo>*</mo></msubsup><mo>)</mo></mrow><mo>]</mo><mo>+</mo><mi>&omega;</mi><munderover><mi>&Sigma;</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>l</mi></munderover><mrow><mo>(</mo><msubsup><mi>&alpha;</mi><mi>i</mi><mo>*</mo></msubsup><mo>+</mo><msub><mi>&alpha;</mi><mi>i</mi></msub><mo>)</mo></mrow><mo>-</mo><munderover><mi>&Sigma;</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>l</mi></munderover><msub><mi>y</mi><mi>i</mi></msub><mrow><mo>(</mo><msubsup><mi>&alpha;</mi><mi>i</mi><mo>*</mo></msubsup><mo>-</mo><msub><mi>&alpha;</mi><mi>i</mi></msub><mo>)</mo></mrow></mrow>满足此即为原始最优化问题的对偶问题；其中，αi，为Lagrange乘子向量，yi为步骤七给定训练集中对应于输入xi的输出；上标T表示向量的转置；步骤十一、计算偏差B选取位于开区间(0，C)中的α(*)的分量αj，若选到的是αj，则<mrow><mi>B</mi><mo>=</mo><msub><mi>y</mi><mi>j</mi></msub><mo>-</mo><munderover><mi>&Sigma;</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>l</mi></munderover><mrow><mo>(</mo><msubsup><mi>&alpha;</mi><mi>i</mi><mo>*</mo></msubsup><mo>-</mo><msub><mi>&alpha;</mi><mi>i</mi></msub><mo>)</mo></mrow><mi>K</mi><mrow><mo>(</mo><msub><mi>x</mi><mi>i</mi></msub><mo>,</mo><msub><mi>x</mi><mi>j</mi></msub><mo>)</mo></mrow><mo>+</mo><mi>&omega;</mi><mo>;</mo></mrow>若选到的是则<mrow><mi>B</mi><mo>=</mo><msub><mi>y</mi><mi>k</mi></msub><mo>-</mo><munderover><mi>&Sigma;</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>l</mi></munderover><mrow><mo>(</mo><msubsup><mi>&alpha;</mi><mi>i</mi><mo>*</mo></msubsup><mo>-</mo><msub><mi>&alpha;</mi><mi>i</mi></msub><mo>)</mo></mrow><mi>K</mi><mrow><mo>(</mo><msub><mi>x</mi><mi>i</mi></msub><mo>,</mo><msub><mi>x</mi><mi>j</mi></msub><mo>)</mo></mrow><mo>+</mo><mi>&omega;</mi><mo>;</mo></mrow>步骤十二、利用步骤九生成的最优的模型参数和步骤十一获得的偏差B，训练生成支持向量回归模型<mi>g</mi><mrow><mo>(</mo><mi>x</mi><mo>)</mo></mrow><mrow><munderover><mi>&Sigma;</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>l</mi></munderover><mrow><mo>(</mo><msubsup><mi>&alpha;</mi><mi>i</mi><mo>*</mo></msubsup><mo>-</mo><msub><mi>&alpha;</mi><mi>i</mi></msub><mo>)</mo></mrow></mrow><mrow><mi>K</mi><mrow><mo>(</mo><msub><mi>x</mi><mi>i</mi></msub><mo>,</mo><mi>x</mi><mo>)</mo></mrow><mo>+</mo><mi>B</mi></mrow>其中，g(xi)，i＝1，2，...，n即为支持向量回归模型所得的对应归一化后的误差序列E′的模拟值；步骤十三、由步骤十二中的回归模型计算得出g(xi)，i＝n+1，LL，此即为对应归一化后的误差序列E′的预测值。FSA00000114082500015.tif,FSA00000114082500023.tif,FSA00000114082500025.tif,FSA00000114082500026.tif,FSA00000114082500028.tif,FSA00000114082500029.tif,FSA000001140825000210.tif,FSA00000114082500031.tif,FSA00000114082500033.tif,FSA00000114082500034.tif,FSA00000114082500035.tif,FSA00000114082500037.tif2.根据权利要求1所述一种空间生物学中细胞生长的数值模拟方法，其特征在于，步骤一所述增殖数据通过亚甲蓝方法获得，并通过酶标仪用所吸收的光度值表示，对应细胞个数。3.根据权利要求1所述一种空间生物学中细胞生长的数值模拟方法，其特征在于，步骤八所述核函数包括但不限于线性核函数、多项式核函数、高斯径向基核函数，作为优选，选择以o为参数的高斯径向基核函数4.根据权利要求1所述一种空间生物学中细胞生长的数值模拟方法，其特征在于，对原始样本序列前n-2项按照步骤一十三得到细胞生长的第n-1项的预测值；然后剔除原始样本序列中第1项，增添预测所得第n-1项，以第2至n-1项建立序列，以此作为“原始样本序列”，重复步骤一十二，建立新陈代谢组合模型，得到细胞生长的第n项预测值。全文摘要本发明提供一种空间生物学中细胞生长的数值模拟方法，该方法首先采用灰色系统理论对细胞生长的原始数据进行分析处理，建立灰色系统Verhulst模型，并利用支持向量回归的方法对灰色系统Verhulst模型所得的模拟值和原始数据的误差序列进行回归分析，同时建立剔除旧序列，增添新信息的新陈代谢模型。该组合模型可以实现对模拟微重力、正常重力和超重三种重力参数条件下的细胞生长的模拟和预测。文档编号G06F19/00GK101853328SQ201010157488公开日2010年10月6日申请日期2010年4月28日优先权日2010年4月28日发明者李勤,李晓琼,胡晓明,辛怡,邓玉林,高海涛申请人:北京理工大学