中空介孔SiO2纳米球的制备、改性及其对Al3+荧光识别研究

中空介孔SiO2由于中空多孔的结构而常用作功能材料的基底.将中空介孔SiO2进行官能团修饰,并应用为荧光传感材料是中空介孔SiO2一个重要的研究领域.本论文采用聚丙烯酸(PAA)为中空模板,聚醚F127为造孔剂,正硅酸乙酯(TEOS)为硅源,氨水为催化剂在乙醇体系中制备了中空介孔SiO2纳米球.系统研究了搅拌速度和聚醚F127引入量对中空介孔SiO2纳米球形貌及比表面积的影响.通过透射电镜、N2-等温吸附脱附曲线等表征说明该合成方法具有很好的普适性,通过调节F127的引入可以实现对比表面积的有效控制.通过氨基化、席夫碱反应进行荧光修饰,进一步研究表明荧光修饰后的中空介孔SiO2纳米球在水溶液中能够实现对Al3+的有效检测,检测限为1.19×10 -7M.     

基于视觉辐条图案识别方法的蓝宝石引晶机制研究

工业生产蓝宝石晶体过程中,引晶步骤有着至关重要的地位。引晶必须在温度梯度较小,温度分布趋于稳定的条件下进行。目前,工业生产蓝宝石主要依靠人工经验操控籽晶杆实现引晶操作,但是人工引晶操作的准确性不高会导致成品品质不佳、资源浪费。为此,本文提出一种基于蓝宝石视觉辐条图案识别方法来检测蓝宝石熔体状态自由液面状态,从而实现一种高效率引晶的机制。此方法利用经典骨架化算法细化辐条图案,Harris算子实现特征信息的提取,提取的特征信息放入运动轨迹模型中判断熔体稳定性,分析液面温度分布稳定性从而实现引晶。结果表明,此算法具有有效性,蓝宝石晶体引晶效率大大提高,生产出的成品良率也有提升,可有效指导蓝宝石的工业生产。     

振型归一化对梁结构柔度曲率损伤指标的影响

结构柔度矩阵需由质量矩阵归一化振型获得,而质量矩阵归一化振型难以直接测得,限制了柔度曲率类损伤指标的应用。为分析振型归一化方法对梁结构柔度曲率类损伤指标的影响,根据梁结构的刚度、弯矩和位移曲率的关系,建立了均布荷载作用下结构损伤前后位移曲率与损伤程度的理论表达式,实现定量分析均匀荷载面曲率结构损伤程度。提出P-范数振型归一化方法,通过均匀荷载面曲率指标推导了振型质量矩阵归一化系数差x_α与损伤程度的关系。以三跨连续梁算例对理论进行了验证,结果表明,损伤程度定量指标效果良好,不同P-范数振型归一化方法下,损伤程度的偏差可由2x_α估算;2-范数振型归一化方法的损伤识别结果与质量矩阵振型归一化结果最接近,故当无法获得质量矩阵归一化振型时,可采用2-范数归一化振型代替。     

贝叶斯优化卷积神经网络公共场所异常声识别*

针对公共场所异常声的感知和识别问题,提出一种基于贝叶斯优化卷积神经网络的识别方法。提取声信号的Gammatone倒谱系数、倍频程功率谱、短时能量和谱质心,组合成声信号的特征图。构建卷积神经网络作为分类器,利用递增的卷积核设置和池化操作处理不同尺度的特征。基于贝叶斯优化算法优化卷积神经网络的模型参数,对包括火苗噼啪声、婴儿啼哭声、烟花燃放声、玻璃破碎声和警报声的5种公共场所异常声进行识别。该方法的识别结果与基于不同的特征提取和分类器方案得到的识别结果进行比较,结果表明该方法的识别效果优于其他特征提取和分类器方案的识别效果。最后分析了该方法在不同信噪比噪声干扰下的识别结果,验证了该方法的有效性。     

过程中孕育思想 活动中促进理解——“指数函数及其性质”教学设计

一、教材分析普通高中课程标准实验教科书(人教A版)数学1中§2.1.2“指数函数及其性质”使学生系统地学习了函数概念及其表示、函数的基本性质,掌握了指数与指数幂的运算性质,以及研究函数的一般思路之后,学习的第一个重要的基本初等函数,是“基本初等函数(Ⅰ)”这一章的重要内容.学习了“指数函数及其性质”,学生可以进一步深化对函数概念的理解与认识,从而得到较系统的     

基于级联卷积神经网络的前列腺磁共振图像分类

针对深度学习训练成本高，以及基于磁共振图像的前列腺癌临床诊断需要大量医学常识且极为耗时的问题，本文提出了一种基于级联卷积神经网络（Convolutional Neural Network，CNN）和磁共振图像的前列腺癌（Prostate Cancer，PCa）自动分类诊断方法，该网络以Faster-RCNN作为前网络，对前列腺区域进行提取分割，用于排除前列腺附近组织器官的干扰；以基于ResNet改进的网络结构CNN40_bottleneck作为后网络，用于对前列腺区域病变进行分类.后网络由瓶颈结构串联组成，其中使用批量标准化（Batch Normalization，BN）、全局平均池化（Global Average Pooling，GAP）进行优化.实验结果证明，本文方法对前列腺癌诊断结果较好，而且缩减了训练时间和参数量，有效降低了训练成本.     

基于卷积神经网络的焊缝缺陷图像分类研究

为有效地对焊缝缺陷进行分类，从而判断焊接质量的等级，对传统卷积神经网络进行改进，提出一种多尺度压缩激励网络模型（SINet）。将4组两两串联的3×3卷积模块与Inception模块、压缩激励模块（SE block）相结合。通过多尺度压缩激励模块（SI module）将卷积层中的特征进行多尺度融合和特征重标定以提高分类准确率，并用全局平均池化层代替全连接层减少模型参数。此外考虑到焊接缺陷数量不平衡对准确率的影响，采用深度卷积对抗生成网络（DCGAN）进行数据集的平衡处理，并在该数据集上验证模型的有效性。与传统卷积神经网络相比，该模型具有良好的性能，在测试集上准确率达到96.77%，同时模型的参数个数也明显减少。结果表明该方法对焊缝缺陷图像能进行有效地分类。     

物理解题中隐含条件的挖掘——以2019年高考全国Ⅰ卷、Ⅱ卷、Ⅲ卷选择题为例

隐含条件的挖掘和准确把握,在很多时候对于物理问题的快速解决起着关键性的作用,在审题过程中能快速找出隐含条件,并利用隐含条件解题更是在考试过程中准确高效解题的最好方法.本文以2019年高考全国Ⅰ卷、Ⅱ卷、Ⅲ卷选择题为例详细分类探讨了物理解题中隐含条件的挖掘这一问题,希望对于学生如何在题目中快速找出隐含条件有所帮助.