基于深度残差网络的恒星光谱类别预测

近年来,随着各大光谱巡天项目的陆续实施,观测得到的天体光谱数据急剧增长。大型光谱巡天项目对光谱的自动分类和分析提出了更高的要求。本文将分类问题转化为回归问题,提出一种基于深度残差网络的光谱类别预测方法,对恒星光谱进行光谱次型预测。网络主要包括25个卷积层,1个最大池化层,1个平均池化层,全连接层以及12个残差结构。最大池化层用来筛选特征,卷积层提取特征,平均池化层用于减少模型参数,提高效率。残差结构可以防止网络退化,加深网络来提取高维抽象特征以及提高训练速度。考虑到数据有非零几率存在错误标签以及损坏数据,采用Log-Cosh作为损失函数来降低坏样本带来的负面影响。实验数据使用的是从LAMOST DR5中随机抽取的80 000条光谱,由于光谱质量等原因,每个光谱型的光谱数量不一。经过剔除坏值,流量归一化后,按7∶1∶2分为训练集、验证集和测试集。实验包括两个部分,第一个部分是使用数据集训练网络在光谱次型上进行类别预测,使用最大绝对误差、平均绝对误差以及标准差来比较不同形状卷积核的性能。将预测值作为横坐标,标签作为纵坐标,对测试集所有样本点使用二阶非线性拟合,得到了一条与y=x重合的直线。证明模型可以很好的预测光谱次型。第二部分是对模型进行内部分析,使用类别激活映射的方法分别研究了模型预测A,F,G和K四种类型光谱时所关注的主要特征,赋予了模型可解释性。在文中数据集上,该方法对91.4%的光谱预测误差在0.5个光谱次型以内,预测的平均绝对误差为0.3个光谱次型。并与非参数回归、Adaboost回归树、K-Means三种方法进行同数据集比较,结果表明文中提出的方法可以很好地预测光谱次型并且速度更快,准确率更高。     

碳载体的预处理对Pt/C催化剂结构和性能的影响

采用一种新的调变多元醇制备方法,通过调节碳载体热处理条件,制备得到不同的Pt/C燃料电池催化剂。采用p H计及物理吸附仪表征碳黑表面的含氧官能团和比表面积,利用电感耦合等离子光谱、X射线衍射、透射电镜和循环伏安法分别表征催化剂的成分、物相组成、微观组织形貌和电化学性能,并与进口的Johnson Matthey(JM)Pt/C催化剂的性能进行对比。结果表明:采用调变多元醇法,以400℃热处理碳黑作载体所制备的Pt/C催化剂的电化学比表面积达到83 m2·g-1,质量电流密度为49.03 A·g-1。而进口催化剂JM 20%Pt/C的电化学比表面积为77 m2·g-1,质量电流密度仅11.13 A·g-1,自制催化剂即使Pt载量降低3wt%~4wt%,其电催化活性仍优于进口催化剂。     

碳载体的预处理对Pt/C催化剂结构和性能的影响

采用一种新的调变多元醇制备方法,通过调节碳载体热处理条件,制备得到不同的Pt/C燃料电池催化剂。采用pH计及物理吸附仪表征碳黑表面的含氧官能团和比表面积,利用电感耦合等离子光谱、X射线衍射、透射电镜和循环伏安法分别表征催化剂的成分、物相组成、微观组织形貌和电化学性能,并与进口的Johnson Matthey(JM) Pt/C催化剂的性能进行对比。结果表明:采用调变多元醇法,以400 ℃热处理碳黑作载体所制备的Pt/C催化剂的电化学比表面积达到83 m²·g^-1,质量电流密度为49.03 A·g^-1。而进口催化剂JM 20% Pt/C的电化学比表面积为77 m²·g^-1,质量电流密度仅11.13 A·g^-1,自制催化剂即使Pt载量降低3wt%~4wt%,其电催化活性仍优于进口催化剂。     

具有电子转移路径的金属化氮化碳选择性再生NADH和光酶偶联CO2还原(英文)

将CO₂转化为燃料和化学品被认为是缓解能源危机的一种有效策略.受自然光合作用的启发,光酶偶联结合了光催化和酶催化的优点,在绿色生物制造中具有较好的应用前景.铑(Rh)络合物是选择性再生还原型烟酰胺腺嘌呤二核苷酸(M-NADH)的关键介体,其固定化可以提高体系的可持续性,并有效缩短电子传递路径,因而受到广泛关注.本文制备了联吡啶功能化的金属化氮化碳(PCNRhbpy₄),用于光酶偶联催化CO₂还原.首先以双氰胺为前驱体,通过两步退火法制备氮化碳(PCN),再与5,5’-二氨基-2,2’-联吡啶(DABP)进一步热缩合,然后锚定[Cp*RhCl₂]₂获得PCNRhbpy₄,并通过透射电镜、扫描电镜、粉末X射线衍射、紫外可见光吸收光谱、瞬态表面光电压和荧光发射光谱等进行表征.结果表明,合成的PCNRhbpy₄材料具有掺杂石墨烯结构,且通过残余的末端联吡啶结构均匀地固定了Rh络合物.以PCNRhbpy₄作为光催化剂实现了...