Xe54+离子与Xe原子碰撞过程中的辐射电子俘获及退激发辐射的理论研究

基于多组态Dirac-Fock理论方法和冲量近似, 对Xe⁵⁴⁺与Xe在197 MeV/u碰撞能量下, 炮弹离子的俘获及退激发过程进行了理论研究. 计算了炮弹离子从中性靶原子俘获一个电子到nl (n=1, 2, 3, 4, 5; l=s, p, d) 轨道上的辐射电子俘获截面和相应的辐射光子能量, 以及俘获末态退激发辐射跃迁的能量和概率. 结合这些计算结果, 进一步模拟了碰撞产生的炮弹离子的退激发X射线谱的结构, 并与兰州重离子加速器装置上的最新实验观测结果进行了比较, 符合得很好.     

神经网络的声场景自动分类方法*

声场景探察和自动分类能帮助人类制定应对特定环境的正确策略,具有重要的研究价值。随着卷积神经网络的发展,出现了许多基于卷积神经网络的声场景分类方法。其中时频卷积神经网络(TS-CNN)采用了时频注意力模块,是目前声场景分类效果最好的网络之一。为了在保持网络复杂度不变的前提下进一步提高网络的声场景分类性能,该文提出了一种基于协同学习的时频卷积神经网络模型(TSCNN-CL)。具体地说,该文首先建立了基于同构结构的辅助分支参与网络的训练。其次,提出了一种基于KL散度的协同损失函数,实现了分支与主干的知识协同,最后,在测试过程中,为了不增加推理计算量,该文提出的模型只使用主干网络预测结果。在ESC-10、ESC-50和UrbanSound8k数据集的综合实验表明,该模型分类效果要优于TS-CNN模型以及当前大部分的主流方法。     

Xe~(53+)离子与Xe原子碰撞过程中的辐射电子俘获和辐射退激发光谱的理论研究

基于多组态Dirac-Fock方法和密度矩阵理论,系统地研究了在197 Me V/u的碰撞能量下,Xe~(53+)离子与Xe原子的辐射电子俘获过程(REC)以及电子被俘获到激发态后辐射退激发产生的特征谱线.计算了炮弹Xe~(53+)离子俘获电子到不同壳层np_(1/2,3/2)(n=2—5)的总截面与相应的REC光子能量和角分布,以及由激发组态1snp_(1/2,3/2)(n=2—5)J_f=1向基态1s~2Jd=0辐射退激发的跃迁能量、跃迁概率和特征光子的角分布和线性极化度.计算结果表明,辐射光子具有显著的角各向异性特征.此外,1snp_(3/2)J_f=1→1s~2J_d=0退激发特征光子也显示出很强的线性极化和角各向异性特征,而1snp_(1/2)J_f=1→1s~2J_d=0退激发特征光子的线性极化度趋于零并且角分布也趋于各向同性.