共轭高分子链构象和溶液聚集结构研究进展

共轭高分子具有优异的光电性质和可加工性,被广泛用于有机光电器件的制备。共轭单元的存在使得此类高分子具有更刚性的主链结构。由于较强的分子间相互作用,共轭高分子容易在溶液中形成组装结构。共轭高分子的链构象、组装体结构、薄膜形貌和光电性能之间的联系研究成为了本领域的研究热点。然而,共轭高分子在可见光区存在较强的吸收效应,用传统的光散射技术对共轭高分子溶液的研究充满挑战。本文总结了近年来对于共轭高分子链刚性的研究,并从分子尺度上讨论了链结构与光学、电学性能间可能存在的关联;进一步阐述了共轭高分子溶液聚集的形成和演化,总结了溶液聚集与成膜过程中影响场效应迁移率的因素。试图在不同尺度上讨论共轭高分子的微观结构与宏观性能之间的关系。     

最大泡压法测表面张力等温线的数据处理方法比较*

对乙酸、丙酸、正丁酸、2-甲基丁酸、3-甲基丁酸、正戊酸、正己酸、乙醇、丙醇、异丙醇、正丁醇、异丁醇、1,2-丙二醇等13种常用试剂在25 ℃下的表面张力数据拟合方法进行了比较,分析了图解法处理数据及多项式、一阶指数函数、幂函数、Shishkovsky经验公式拟合数据的优缺点。指出Shishkovsky经验公式拟合结果准确,受数据样本量影响小,是理想的表面张力数据拟合方法。     

基于多源数据特征驱动和多尺度分析的PM2.5混合预测研究

精准把握PM_2.5污染的动态演变规律对政府和企业的大气污染防治决策至关重要.因此,文章提出了基于多源数据特征驱动及多尺度分析的混合预测建模框架,以提高PM_2.5预测精度.预测建模框架分为:1)多源数据分析,有效融合与PM_2.5污染相关的气象、污染、舆情等多源数据;2)多尺度分析,通过多元经验模态分解技术(MEMD)将多源数据分解成不同模态下的预测特征;3)混合预测分析,有序结合计量和机器学习模型,集成各模态预测值为最终结果.文章以北京市PM_2.5为研究案例结果表明:1)文章提出的混合模型的预测精度优于所有的基准模型;2)微博个数和情感能够叠加提升PM_2.5预测精度,且优于单因素预测结果;3)引入MEMD分解的模型精度显著高于基准模型.     

前景理论视角下大数据资产价值的实物期权评估方法研究

提出了一种新的大数据资产的价值评估方法.在实物期权理论的基础上,将前景理论中的值函数用于计算标的资产每种状态下公司决策者对其价值的主观判断,运用决策权重函数来计算决策者对于规模扩张权、规模收缩权等的主观权重.并基于文献的研究结果,选取了一个算例,利用最小二乘蒙特卡洛模拟对模型进行了模拟计算,得到了合理的大数据资产的评估值.创新点在于:考虑了公司决策者在决定如何运用大数据资产为企业带来收益时的非理性,构建了基于前景理论的大数据资产价值的实物期权定价模型,并且考虑到了在执行规模收缩权时,标的资产的状态可能处于盈利或亏损两种状态的情况.提出的估值模型期望可以为更好地评估大数据资产价值提供一些参考.     

可加风险模型下现状数据的降维问题

文章基于可加风险模型假设,采用偏最小二乘回归和有监督的主成分回归两种投影降维方法,研究了高维协变量情况下现状数据的降维问题。通过深入地模拟试验,对比两种降维方法在高维相关现状数据的生存预测方面的表现,最后将两种降维方法结合实际数据集进行实证分析。模拟和实证结果表明这两种降维方法能很好地处理具有高维、强相关协变量的小样本数据集,比如基因微阵列数据。在后续的研究中,有望将现状数据扩展至其它更一般的区间删失数据。     

基于降阶模型和数据驱动的动态结构数字孪生方法北大核心CSCD

针对受动载荷作用的结构,提出了一种基于降阶模型库和机器学习数据驱动的数字孪生构建方法.首先根据物理结构服役过程中可能出现的损伤状态,采用有限单元法建立高保真有限元模型.其次采用Krylov子空间模型降阶方法对模型进行降阶,建立了物理结构各种状态下的降阶模型,形成模型库.最后利用随机森林机器学习算法训练获得模型选择器,通过物理结构上传感器的数据推断当前物理结构的状态,驱动数字孪生体跟随物理结构一同演化.设计制作了一个框架结构物理模型,模拟了结构不同位置损伤及不同损伤程度,验证了提出的数字孪生构建方法.     

多源异质大数据线性模型的分布式统计推断

本文考虑多源异质大数据下线性模型的分布式统计推断问题.首先,提出针对模型参数的通信有效的分布式聚合估计及算法,并在一些正则条件下证明所得到的估计量的最优性和渐近正态性.其次,针对模型中的异质性检验问题,给出了分布式检验方法.最后,通过数值模拟研究,对本文所提出估计和检验方法的优良性进行验证.     

基于机器学习的压气机叶型优化设计

现代压气机性能需求日趋严苛,叶型优化工作至关重要。近年来遗传算法在叶型优化设计中得到诸多应用,但是传统遗传算法耗时过大,为解决这一问题本文提出了一种应用主成分分析与人工神经网络的流场重构方法,以及基于该方法的快速评估叶型性能的遗传算法优化流程。数值结果表明,基于该优化流程的寻优结果预测静压比与CFD计算值的误差低于0.1%,能够有效对叶型性能进行预测;并且该寻优结果与原始叶型相比静压比提升14.7%,效果可观。     

矿石拉曼光谱模型拟合分类方法

拉曼光谱因具有简单、快速及无损等特点,非常适合矿石的分类与鉴别。拉曼光谱模型拟合分类方法无需构建参考光谱库且避免了复杂的逐项光谱匹配,具有明显的优势。然而,已有的基于机器学习及深度学习的矿石拉曼光谱分类研究所采用的学习模型比较单一,缺乏具有参考意义的综合比较。对基于机器学习及深度学习的矿石拉曼光谱模型拟合分类方法进行综合评估验证,对比了KNN, XGBoost, SVM, RF四种传统机器学习方法和CNN, DNN, RNN三种深度学习模型在RRUFF矿物拉曼光谱数据集上的分类效果,验证了4种数据预处理方法和样本量对模型分类效果的影响。为提升机器学习模型的分类性能,本文还提出了一种拉曼光谱强度曲率的数据预处理方法,对经基线矫正后的拉曼光谱序列强度计算曲率作为构造特征,使模型更有效的提取出拉曼光谱的特征峰位置。实验结论：数据预处理对提升机器学习模型的分类性能效果明显,而对深度学习模型不敏感;样本量为影响模型分类效果的关键因素,当样本量较大时,深度学习模型的分类效果优于传统的机器学习模型;对于微小样本,深度学习模型难以发挥其优势,而辅以预处理的机器学习具有更优的分类性能。