硅和锗纳米线的原子排布和电荷分布的密度泛函紧束缚方法研究

低维硅锗材料是制备纳米电子器件的重要候选材料，是研发高效率、低能耗和超高速新一代纳米电子器件的基础材料之一，有着潜在的应用价值。采用密度泛函紧束缚方法分别对厚度相同、宽度在0.272 nm~0.554 nm之间的硅纳米线和宽度在0.283 nm~0.567 nm之间的锗纳米线的原子排布和电荷分布进行了计算研究。硅、锗纳米线宽度的改变使原子排布，纳米线的原子间键长和键角发生明显改变。纳米线表层结构的改变对各层内的电荷分布产生重要影响。纳米线中各原子的电荷转移量与该原子在表层内的位置相关。纳米线的尺寸和表层内原子排列结构对体系的稳定性产生重要影响。     

基于级联PPMgLN晶体的双倍/三倍频双波长激光器

本文演示了紧凑的绿色和近红外双色连续波激光光源,其发射波长分别为516 nm和775 nm。设计并制造了级联的周期性极化掺镁铌酸锂晶体,用于同时转换通信波长的二次谐波(SHG)和三次谐波(THG),可以在相同温度下获得绿色和近红外激光的输出。通过建立一个单程激光测量系统,在2 W泵浦功率下获得516 nm的0.15 mW绿光和775 nm的1.19 mW的光,晶体温度控制在30.8 ℃。实验结果将为单激光器泵浦的紧凑型双波长共线激光器提供重要的案例。     

以自变量的和差为定值统领抽象函数的对称性和周期性

以“定值”的视角分析了函数具有对称性和周期性时所具备的特点,发现对称性和周期性的表达式在结构上高度相似.通过分析抽象函数的对称性和周期性的表达式,最后将对称性和周期性进行结合,阐述了双对称性与周期性的关系.通过揭示知识间的联系,帮助学生更好地掌握知识间的联系,促进学生的深度学习,亦为教师设计探究型作业提供一定的参考.     

周期性管柱信道的声波通信技术研究综述

井下声波通信技术利用周期性管柱信道实时传输声波数据，相比于其他通信方式，具有适应性好、复杂度低、传输效率高等优点，在随钻地质导向、油水井监测等方面有广阔的应用前景，是发展智能油田的关键技术之一。本文主要综述上世纪90年代以来关于信道物理模型、信道容量、声信号调制与接收方法等关键问题的研究历程，并对通信系统的设计要点与国内外相关产品的现场应用进行梳理，为后续的技术改进提供依据。     

分布式光纤声波振动传感系统研发及应用

针对油气田勘探开发需获取微声波信号完整波形的问题，开展了基于双脉冲外差调制与反正切外差解调方案的分布式光纤声波传感（DAS）技术研究与配套系统研发。通过特征参数室内振动模拟实验，新型DAS系统的响应频率范围20 Hz～25 kHz、最大动态范围60 dB、信噪比49 dB，满足微声波信号幅度、频率、相位等信息的探测需求。同时，该系统在新疆油田稠油热采井下蒸汽腔探测方面成功开展了现场应用，实测有效声压强度?195 dB，验证了系统的可靠性，具有良好的应用前景。     

阴离子-π复合物(I-·C6F6)的成键分析

最近Anst?ter, et al. 发表了对阴离子-π复合物(I^-·C₆F₆)的第一个定量谱学测量[J. Am. Chem. Soc. 141, 6132 (2019)]，认为成键作用中相关作用占41%，静电作用占23%，得出相关作用占主导的结论. 本研究表明，该文献的“静电作用”中混入了Pauli排斥作用，后者在数值上抵消了前者的作用. 在复合物I^-·C₆F₆中，发现静电作用是相关作用的两倍多，因而阴离子-π复合物中仍应是静电作用占主导.     

利用带无标签数据的双支持向量机对恒星光谱分类

恒星光谱分类是天文技术与方法领域一直关注的热点问题之一。随着观测设备持续运行和不断改进，人类获得的光谱数量与日俱增。这些海量光谱为人工处理带来了极大挑战。鉴于此，研究人员开始关注数据挖掘算法，并尝试对这些光谱进行数据挖掘。近年来，神经网络、自组织映射、关联规则等数据挖掘方法广泛应用于恒星光谱分类。在这些方法中，支持向量机(SVM)以其强大的学习能力和高效的分类性能而备受推崇。SVM的基本思想是试图在两类样本之间找到一个最优分类面将两类分开。SVM在求解时，通过将其最优化问题转化为具有(QP)形式的凸问题，进而得到全局最优解。尽管该方法在实际应用中表现优良，但为了进一步提高其分类能力，有的学者提出双支持向量机(TSVM)。该方法通过构造两个非平行的分类面将两类分开，每一类靠近某个分类面，而远离另一个分类面。TSVM的计算效率较之传统SVM提高近4倍，因此，自TSVM提出后便受到研究人员的持续关注，并出现若干改进算法。在恒星光谱分类中，一般分类算法都是根据历史观测光谱来建立分类模型，其中最关键的是对光谱进行人工标注，这项工作极为繁琐，且容易犯错。如何利用已标记的光谱以及部分无标签的光谱来建立分类模型显得尤为重要。因此，提出带无标签数据的双支持向量机(TSVMUD)用以实现对恒星光谱智能分类的目的。该方法首先将光谱分为训练数据集和测试数据集两部分；然后，在训练集上进行学习，得到分类依据；最后利用分类依据对测试集上的光谱进行验证。继承了双支持向量机的优势，更重要的是，在训练集上学习分类模型过程中，不仅考虑有标记的训练样本，也考虑部分未标记的样本。一方面提高了学习效率，另一方面得到更优的分类模型。在SDSS DR8恒星光谱数据集上的比较实验表明，与支持向量机SVM、双支持向量机TSVM以及K近邻(KNN)等传统分类方法相比，带无标签数据的双支持向量机TSVMUD具有更优的分类能力。然而，该方法亦存在一定的局限性，其中一大难题是其无法处理海量光谱数据。该工作将借鉴海量数据随机采样思想，利用大数据处理技术，来对所提方法在大数据环境下的适应性展开进一步研究。     

语音通信降噪研究

语音通信系统中，语音通过信道传输将不可避免地引入码间串扰和信号畸变，同时受到噪声污染。本文在分析自适应盲均衡算法CMA(constant modulus algorithm）和改进盲均衡算法的基础上，考虑到自适应盲均衡技术在语音噪声控制方面能力有限，将自适应盲均衡技术与小波包掩蔽阈值降噪算法联合使用，形成一种基带语音增强新方法。仿真试验结果显示自适应盲均衡技术可以使星座图变得清晰而紧凑，有效减小误码率。研究证实该方法在语音信号ISI和畸变严重情况下，在白噪及有色噪声不同的噪声环境中都具有稳定的降噪能力，消噪同时可获得汉语普通话良好的听觉效果。     

网络系统的控制与优化

<正>近年来,网络系统的控制与优化是国内外科学工作者重点关注的研究领域,该项研究与生物、社会系统和现代工程技术的发展密切相关.多智能体系统是一类具代表性的网络系统,它可普遍用于多机器人的编队控制、空间无人机的分布式队形控制,也可为传感器网络研究以及复杂系统的自主协调控制等提供必要的理论基础.其中的一个典型问题在于理解如何通过仅调节少量个体来控制整个网络系统的行为,这是对网络系统施加控制的一种