微矩形槽平板热管的设计制造及性能分析

目前微槽平板热管成为热管研究和开发的重点。文中简要介绍了平板热管的设计要点及制造工艺,并通过实验,对设计制作的平板热管进行了性能测试。得出如下结论:该平板热管具有良好的启动特性和工作特性;在设计中要注意工质与管壳材料的相容性;制作时要严格控制清洗、检漏、充装等关键工序以保证制作质量。     

一种显示器投影成象系统的彩色图象几何畸变校正方法

显示器投影成象系统是解决数字图象输出的一种设备,它可将显示器荧屏上的图象(可来自数码相机、光盘、计算机等)扩印在普通彩色相纸上.由于光学镜头会产生几何畸变,加之显示器表面有一定弧度,因此成象在相纸上的图象存在着非线性的畸变.本文主要介绍了如何用数字图象处理的方法对显示器投影成象系统的图象进行几何畸变校正,并对其软件实现进行了简单的讨论.     

聚乙烯吡咯烷酮存在时反相微乳液中水的状态

运用傅立叶变换红外光谱（FTIR）研究不同分子量的聚乙烯吡咯烷酮（PVP）存在时,十二烷基甜菜碱(C12BE)/正庚烷 /正戊醇 /水（Ⅰ）及二（2 乙基）己基磺化琥珀酸钠（AOT）/正庚烷 /水（Ⅱ） 反相微乳液中水的存在状态.采用计算机分峰技术将微乳液中水分子的O－H伸缩振动进行曲线拟合, （Ⅰ）得到三个子峰,分别位于(3560±20)cm－1,(3430±10)cm－1,(3280±10)cm－1附近; （Ⅱ）得到四个子峰,分别位于3618 cm－1, 3550 cm－1, 3446 cm－1和3292 cm－1处.尽管PVP均增溶于W/O型微乳液中表面活性剂分子的极性基团附近,却没有引起长链间自由水的变化.但由于两体系的差异,PVP的存在,导致微乳液（Ⅰ）的本体水减少,结合水增多,却使体系（Ⅱ）的结合水减少,本体水增多.由于W/O型微乳液中水与生物膜中水相似,这些研究有助于理解生物膜界面上的生物化学和生物物理现象.     

几种光学图象相位加密方法的比较

本文分析比较了多种实现光学图象相位加密的方法,发现不同方法获得的加密图象有不同类型的噪音分布.无论加密相位是随机相位模板、浑沌序列的相位列阵,还是用相位重构迭代算法计算的结果,它们都能起到加密图象的功能.解密图象的质量或被相关识别的能力与解密过程中所使用正确解密相位的不同部分以及高低频分量多少有关,且其依赖程度是由不同的加密方法自身决定.     

爆炸焊界面附近熔化层厚度估算

 爆炸焊接界面附近温升是由爆炸绝热压缩和畸形变形能沉积两者造成的。通过计算绝热压缩温升和畸形变形能沉积产生的温升，给出熔化判据，估计出了爆炸焊接界面熔化层的厚度。     

神经网络及其在化学中的应用

神经网络计算机又称为生物计算机,或第六代计算机,它是一类全新的模拟人脑的信息加工处理系统,其理论基础是神经网络的数学模型。1943年,McCulloch和Pitts发表了神经网络的一个数学模型(现称之为M-P模型),他们提出了神经元的数学描述与神经网     

电感耦合等离子体质谱法测定黄沙土壤中铅同位素比

用电感耦合等离子体质谱法（ＩＣＰ—ＭＳ）测定了５个黄沙原土样品中铅同位素比２０７Ｐｂ／２０６Ｐｂ、２０８Ｐｂ／２０６Ｐｂ，样品来自被认为是黄沙气溶胶源地区，为了使铅同位素测量中质量偏差和漂移减至最少，在样品中加入了铊标准溶液，测量２０５Ｔｌ／２０３Ｔｌ比，校正质量数差别选择的影响．同时，采用ＩＣＰ—ＭＳ和电感耦合等离子体原子发射光谱法（ＩＣＰ一ＡｌＳ）测定了随粒径变化样品中１２种元素浓度的变化．     

柱壳约束对散心冲击波空间分布的影响

结合实验和数值模拟，研究了散心冲击波在金属柱壳约束下沿有机玻璃内部的空间分布。进行了点起爆柱状炸药驱动飞片加载实验，采用Polyvinylidence Fluoride (PVDF)测试方法对有机玻璃内部的压力进行测试。实验结果显示:在冲击波传播过程中，在特定传播距离处，离中心轴越近，冲击波第一幅值压力越小，这是因为散心冲击驱动飞片成前凸形状，在飞片飞行过程中与有机玻璃碰撞面积越来越大，在远离对称轴部位冲击压力叠加累积效应更强引起的；但在随后的冲击波传播过程中，由于受到柱壳约束影响，离对称轴越近，冲击波幅值越小，这是由散心冲击波在约束柱壳边界反射与冲击波波阵面叠加的结果。通过对炸药网格大变形溢出柱壳翻转进行合理处理，对实验进行了数值模拟。数值模拟结果所得的冲击压力沿径向分布规律计算结果与实验结果定性相符。最后探讨了不同约束程度对这一规律的影响程度，结果表明，后续的冲击波幅值随着约束的增加而急剧增加。     

基于密度峰值的改进K-Means文本聚类算法及其并行化

针对K均值(K-means)聚类算法进行文本聚类时随机选取初始聚类中心点的问题,提出一种基于密度峰值进行初始聚类中心点选取的适用于文本聚类的K-means算法(DPMCSKM),为了更好地适应大规模聚类计算的要求,设计并实现了基于MapReduce的DPMCSKM并行化算法。实验结果表明,DPMCSKM算法可以有效地进行文本聚类,与K-means、基于密度峰值的快速搜索聚类算法选取初始簇中心点的K-means以及多簇球形K-means算法相比在聚类质量上均有一定的提升,在收敛速度上也有较好的表现;DPMCSKM并行化算法在可扩展性上,具有较好的加速比。