堇青石栽体表面ilicalite-1沸石膜的合成与表征

本文首次采用堇青石为载体,用水热合成方法,制备了致密的高硅MFI沸石膜,并对其结构、成分以及气体渗透性质进行表征。     

水热法合成SnO2金红相纳米柱和亚微米晶体

本文采用水热法,以SnCl4·5H2O为前驱物,在180℃,填充度为68;,反应时间8h,强酸环境条件下合成了SnO2纳米金红相晶体,直径约为5～10nm,长30～100nm.加入一定量的NaOH,调节溶液pH值为强碱性(pH=11),同样条件下也合成了SnO2金红相纳米柱晶体,长200nm、直径10～20nm.提高水热反应的温度为430℃,矿化剂为3mol/L NaOH,反应时间24h,合成了亚微米金红相SnO2晶体,最大线度为300nm.     

γ光闪烁体阵列的非均匀响应相对校正方法

 闪烁体阵列常用于辐射图像探测,基于闪烁体阵列存在严重的响应非均匀性,提出了相对校正方法,在无需知道光源参数、CCD相机参数及光学系统参数的前提下,利用本底图像、空场图像和被测样品辐射图像,得到被测物体对γ光的衰减分布。并进行了验证实验,结果表明：此方法不但可以消除响应的非均性的影响,而且可以消除辐射源固有分布的影响。     

X射线硬化对面密度测量灵敏度的影响

利用蒙特卡罗方法分别研究了3种能量X光机的光子穿透不同厚度铝的硬化情况及3种能量光机作为光源测量面密度的过程,并开展了相关实验研究,根据模拟结果对比分析了不同能量光机X射线硬化对面密度测量灵敏度的影响,结果表明:对同种能量光机的光子而言,随着面密度变大,射线硬化程度越严重,导致测量灵敏度下降;光子能量越低,测量灵敏度随面密度变大下降越快,反之亦然;对于某一范围面密度被测物,调整X光机电压使X光子刚好穿透并形成有效图像,可获得最理想的测量灵敏度。     

多晶Hg0.09Cd0.91Te薄膜的光电化学行为

富镉Hg_(1-x)Cd_xTe是一种新型的光电转换材料,已用于固体结太阳能光伏电池:ITO/CdS/Hg_(1-)Cd_xTe/Au。我们曾对Hg_(1-x)Cd_xTe的电沉积机理作过研究。最近我们用电沉积制备的Hg_(0.09)Cd_(0.91)Te多晶薄膜做成了液体结太阳能光电化学电池并观察到明显光电响应。     

滚边法测量高能X射线源焦斑大小

应用于高能闪光X光照相技术的X射线源焦斑大小是闪光照相装置的关键参数, 直接影响成像的分辨能力。由于高能X射线的强穿透性和强辐射环境, 给焦斑测量带来一定困难。介绍了一种间接测量方法, 采用滚边装置(rollbar)成像得到X射线源的边扩展函数, 微分后得到光源的线扩展函数并计算调制传递函数(MTF), 而后从MTF为0.5所对应的空间频率之值确定出光源的光斑大小。给出了神龙二号加速器电子束聚焦调试实验中得到的X射线焦斑测量结果, 分析影响测量结果的因素并提出了解决方法。     

相协样本半参数回归模型估计的矩相合性

考虑半参数回归模型Y(j) (xin,tin) =tinβ g(xin) e(j) (xin) ,1 ≤j≤m ,1 ≤i≤n .利用最小二乘法和权函数估计方法 ,定义 β ,g的估计量βm ,n和gm ,n(x) ,在负相依样本及较弱的条件下证明了这些估计的矩相合性 ,这些结论推广和改进了胡舒合 ( 1 997)关于独立情形的相应结论 .     

目标属性为肯定和否定的多目标决策问题解的有效性条件

本文建立了一类目标属性为肯定和否定的多目标决策模型,定义了相应的有效性。并在此基础上,讨论了有效性条件。     

基于锥形渐变耦合结构的可扩展多模弯曲波导EI北大核心CSCD

提出了一种基于锥形渐变耦合结构的可扩展多模弯曲波导。该器件利用模式等效折射率匹配原理,通过对称的锥形渐变耦合结构,实现高阶模式与基模的相互转化,完成多模弯曲传输功能。同时,结合时域有限差分方法和粒子群优化算法,优化锥形渐变耦合结构区域,提升器件性能。实验测试结果表明,在1520~1600 nm的波长范围内,当输入模式分别为TE_0、TE_1、TE_2、TE_(3)和TE_(4)时,该器件的插入损耗分别小于1.71 dB、3.04 dB、2.90 dB、3.16 dB和4.00 dB,对应的串扰分别小于-10.60 dB、-11.35 dB、-10.92 dB、-10.35 dB和-11.45 dB。     

基于优化核极限学习机的风电功率时间序列预测

针对时间序列预测,在单隐层前馈神经网络的基础上,基于进化计算的优化策略,提出了一种优化的核极限学习机(optimized kernel extreme learning machine,O-KELM)方法.与极限学习机(extreme learning machine,ELM)方法相比,核极限学习机(kernel extreme learning machine,KELM)方法无须设定网络隐含层节点的数目,以核函数表示未知的隐含层非线性特征映射,通过正则化最小二乘算法计算网络的输出权值,它能以极快的学习速度获得良好的推广性.在KELM的基础上,分别将遗传算法、模拟退火、微分演化三种进化算法用于模型的结构输入选择、正则化系数以及核参数的优化选取,以进一步提高网络的性能.将O-KELM方法应用于标准Mackey-Glass混沌时间序列预测及某地区的风电功率时间序列预测实例中,在同等条件下,还与优化的极限学习机(optimized extreme learning machine,O-ELM)方法进行比较.实验结果表明,所提出的O-KELM方法在预测精度上优于O-ELM方法,表明了其有效性.