基于机器学习的无机磁性材料磁性基态分类与磁矩预测

磁性材料是信息时代重要的基础材料,不同的磁性基态是磁性材料广泛应用的前提,其中铁磁基态是高性能磁性材料的关键要求.本文针对材料项目数据库中的无机磁性材料数据,采用机器学习技术实现无机磁性材料铁磁、反铁磁、亚铁磁和顺磁基态的分类以及无机铁磁性材料磁矩的预测.提取了材料的元素和结构属性特征,通过两步式特征选择方法分别为磁性基态分类和磁矩预测筛选了20个材料特征,发现材料特征中的电负性、原子磁矩和原子外围轨道未充满电子数对两种磁性性能具有重要贡献.基于机器学习的随机森林算法,构建了磁性基态分类模型和磁矩预测模型,采用10折交叉验证的方法对模型进行定量评估,结果表明所构建的模型具有足够的精度和泛化能力.在测试检验中,磁性基态分类模型的准确率为85.23%,精确率为85.18%,召回率为85.04%, F1分数为85.24%;磁矩预测模型的拟合优度为91.58%,平均绝对误差为0.098μB/atom.本研究为无机铁磁性材料的高通量分类筛选与磁矩预测提供了新的方法和选择,可为新型无机磁性材料的设计研发提供参考.     

基于CDMA的布拉格光纤光栅传感系统的仿真分析

讨论了光纤光栅传感系统中常用的复用技术及其限制,阐述了利用CDMA技术实现光纤布拉格光栅阵列波长解调的复用方式,对系统的原理和性能进行了理论分析。在此基础上通过MATLAB做了基于CDMA的光纤光栅传感仿真分析,仿真结果表明该方法能区分反射波长重叠的光栅,从而提高FBG网络复用的频带利用率。     

Fiber Bragg grating sensing system based on code division multiple access

A novel fiber Bragg grating （FBG） sensing system based on code division multiple access （CDMA） technology is proposed. CDMA is used to separate each reflected sensor. Simulation of experimental results indicates the CDMA technology combines with optical fiber grating sensing system together successfully. Furthermore, the system using semiconductor optical amplifier （SOA） is experimented. The experimental results show that theory and simulation are correct.     

PVK空穴传输层对有机电致发光器件性能的影响

以聚乙烯基咔唑poly(N-vinylcarbazole)(PVK)旋涂层为空穴传输层,着重研究了PVK层厚度对双层器件氧化铟锡(ITO)/PVK/tris-(8-hydroxyquinoline)aluminum(Alq₃)/Mg:Ag/Al器件性能的影响。测试结果表明,当Alq₃层厚度一定时(50nm),只有PVK层为适当厚度(18nm)时双层器件才有最优良的器件性能,即最低的起亮电压,最高的发光亮度和效率。同时对比了不同PVK层厚度的PVK/Alq₃双层器件之间以及PVK/Alq₃与N,N′-bis-(1-naphthyl)-N,N′-diphenyl-(1,1′-biphenyl)-4,4′-diamine(NPB)/Alq₃双层器件寿命的差异。测试结果表明,尽管越厚的PVK层对应的PVK/Alq₃双层器件发光性能并不是越好,但器件寿命越长。原因是器件Alq₃层内形成的Alq³⁺越少,因此器件稳定性越好;而PVK/Alq₃与NPB/Alq₃双层器件寿命的差异来自不同空穴传输层的制备工艺和能级结构的不同。