基于椭圆型方程的扭叶片造型方法的研究

本文以偏微分方程造型为基础,提出了一种基于椭圆型方程的扭叶片三维型面直接设计方法,详细推导了叶型曲面函数,给出了型面方程的求解及其前后缘修正。该方法具有设计叶型曲面自然光顺,设计参数少且各参数具有明显的几何意义,叶型曲面调整方便,利于采用非数值优化算法对其进行气动优化等优点。文中给出了设计实例,并通过数值实验分析了所设计叶片型面的流动特性。分析结果表明设计叶片具有良好的气动性能,同时也证明了本文提出的基于椭圆型方程的扭叶片三维型面设计方法的可靠性和实用性。     

空间应用的低温工质

介绍了低温流体在低温低压近临界区以及稀薄状态下的特殊性质,并详细介绍了几种低温工质的特点以及它们在空间技术中的应用。     

X光能谱与能量精密测量系统与线谱诊断

新型XRD不论是响应特性，还是外形体积，都必须满足谱仪小型化的要求。其次，需考虑色散元件，谱仪仍采取滤波法。由于三倍频打靶M带辐射强度大幅度提高，高能尾部对输出信号的贡献很大，所有探测道都必须抑制高能尾部，用掠入射平面镜截止的能量就更高。用平面镜截止高能X射线的途径：一是平面镜使用高原子序数材料，二是减小掠射角。     

几种模糊传递关系的收敛性

本文对几种模糊传递关系进行比较 ,从一个侧面说明了用于构造偏好关系的模糊关系应是互逆关系 .文中证明了对任意的 n阶互逆传递模糊关系 R,必有 Rn=Rn+1 .     

薄铝埋点等离子体K线光谱半定量诊断

高温等离子体系统中存在等离子体流体力学运动演化过程、离子的离化分布演化动力学过程、高剥离态离子谱发射过程及发射芬光辐射输运过程等，而且高温等离子体系统通常是非平衡系统，所以定量研究高温等离子体系统的发射X光谱和高温等离子体对X光的吸收是一个非常复杂的问题。为了模拟和解释实验测得的激光等离子体发射光谱，提出了一种薄埋点靶：直径为φ200μm厚度为0．1μm的铝点埋在20μm厚的CH膜底衬中，表面再覆盖0．1μm厚CH膜。     

一种新型广义RBF神经网络在混沌时间序列预测中的研究

提出了一种新颖的广义径向基函数神经网络模型,其径向基函数(RBF)的形式由生成函数确定.然后,给出了易实现的梯度学习算法,同时为了进一步提高网络的收敛速度和网络性能,又给出了基于卡尔曼滤波的动态学习算法.为了验证网络的学习性能，采用基于卡尔曼滤波算法的新型广义RBF网络预测模型对Mackey-Glass混沌时间序列和Henon映射进行了仿真.结果表明,所提出的新型广义RBF神经网络模型能快速、精确地预测混沌时间序列,是研究复杂非线性动力系统辨识和控制的一种有效方法. 关键词： 广义径向基函数神经网络 卡尔曼滤波 梯度下降学习算法 混沌时间序列 预测     

高Z等离子体中的双电子复合与电子碰撞激发

 采用准相对论性Hartree-Fock-Relativistic方法与不可分辨跃迁组模型相结合，对Au和Ta元素的类Ni离子的双电子复合速率，以及Au元素类Cu离子的电子碰撞激发速率进行了计算。计算结果表明，对于Au类Ni离子的3d¹⁰-3d⁹4l5f-3d¹⁰4l双电子复合过程以及类Cu离子的3d¹⁰4l-3d⁹4l5f电子碰撞激发过程，当电子温度高于1.0 keV时，电子离子碰撞激发速率随电子温度增加而增加，双电子复合速率随电子温度增加而减小，并且电子碰撞激发对谱线辐射的贡献要比双电子复合大得多。     

石墨烯/金属氧化物在超级电容器中的应用

超级电容器是新颖的储能材料,石墨烯/金属氧化物复合材料是超级电容器的优秀电极材料.石墨烯的褶皱结构促进了离子电子的快速传输并且促进了电解质和电极材料之间的充分接触,金属氧化物具有高的理论比电容,并且可以通过协同效应进行快速可逆的氧化还原反应.它不仅可以提高材料的比功率和比能量,还可以提高材料的循环稳定性.综合石墨烯/金属氧化物复合材料在超级电容器领域的研究现状,对未来复合材料的发展趋势进行了展望.     

肿瘤靶向PEI包覆磁性纳米凝胶的光化学制备及表征

以聚乙烯亚胺(Polyethyleneimine, PEI)为预聚体, H2O2为抽氢剂, 采用光化学方法制备了PEI包覆的磁性纳米凝胶(PEI-Fe3O4), 在PEI-Fe3O4表面共价偶联具有肿瘤靶向作用的叶酸分子(Folate, FA), 制备得到肿瘤靶向PEI包覆磁性纳米凝胶(FA-PEI- Fe3O4). 采用多种手段对PEI-Fe3O4及FA-PEI-Fe3O4进行了表征. 结果表明, FA-PEI-Fe3O4平均粒径为140 nm, 形状规则, 具有超顺磁性, 磁含量达到22.4%, 饱和磁化强度达65.6 A·m2·kg-1, 磁性纳米凝胶较高的磁响应性能和具有肿瘤靶向作用的叶酸分子的修饰, 为其作为潜在的肿瘤靶向载体奠定了基础.     

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.