真空不空

在物理学中,真空是一个非常古老的概念。一方面,相对论的诞生摒弃了经典物理学中的真空中充满以太的概念,另一方面,量子力学的建立,又赋予了真空非常丰富的物理内容。作者将综述在相对论量子力学、量子场论以及量子信息学的视角下,所揭示的真空的各种结构和特性。不难发现,真空的量子理论,在现代物理学诸多领域中占有非常重要、甚至是根本性的地位;而且对于真空本质的进一步深入研究,将有可能带来量子物理学新的革命性的发展。     

利用风廓线雷达谱宽反演晴空湍流耗散率

 从晴天风廓线雷达的回波信号机制出发,研究了利用风廓线雷达谱宽反演晴空湍流耗散率的方法,即从雷达测量的多普勒速度谱宽中提取出湍流因素引起的谱宽,进而由湍流谱宽和湍流动能耗散率的关系计算出湍流动能耗散率。通过对合肥地区风廓线雷达谱宽资料的分析,得到合肥上空300 m高度上湍流动能耗散率的大小分布在10-4~10^-1 m²/s³之间,与理论相符,说明利用雷达谱宽反演湍流耗散率的方法可行。     

基于蚁群-遗传算法的光谱选择方法与应用

脂肪作为牛奶中的重要营养成分,是评价牛奶质量的一项重要指标。高光谱图像技术能够提供几十到数千波长的数据,能够反映牛奶中不同组成成分细微的光谱差异;另一方面,相邻波段之间往往具有很强的相关性,不仅增加了计算量,而且容易造成维数灾难等问题,因此对高光谱数据进行波段选择非常重要。工作中提出了PLS-ACO特征波段选择方法,并与遗传算法结合,组合成了PLS-ACO-GA的特征波段选择新方法。提出的两种方法以蚁群算法为基础,PLS回归模型回归系数的绝对值作为评价波长重要性的主要依据,以此作为蚁群算法的启发式信息,利用蚁群算法进行智能搜索,结合遗传算法,产生更多优秀的特征波段组合,避免PLS-ACO算法得到的只是局部最优解,得到的最优波段组合能够更好的反映牛奶中脂肪成分的信息;通过计算波长贡献率,筛选出最优波段组合,并与遗传算法,CARS算法和基本蚁群算法光谱特征选择方法比较,最后比较不同特征选择方法下的PLS回归模型预测效果。PLS-ACO, PLS-ACO-GA, CARS, GA和ACO分别筛选了牛奶样品光谱中的18,16,40,43和42个特征波段。其中PLS-ACO-GA筛选波段后的PLS预测模型效果最好,预测集R2_p和RMSEP分别为0.997 6和0.062 2,PLS-ACO次之,预测集R2_p和RMSEP分别为0.997 0和0.077 8。PLS-ACO和PLS-ACO-GA不仅减少了特征波段数量,而且提高了模型的精度。对PLS-ACO-GA进行特征波段选择后的数据,建立MLR,RFR和PLS回归预测模型。MLR预测模型的R2_p和RMSEP分别为0.997 6和0.062 3。RFR回归模型R2_p和RMSEP分别为0.999 9和0.003 0,PLS回归模型的R2_p和RMSEP分别为0.997 6和0.062 2。RFR模型在三种回归预测模型中表现最好。研究结果表明PLS-ACO和PLS-ACO-GA这两种方法可以实现光谱数据特征波段选择,高光谱技术可以实现牛奶中脂肪含量的检测,为牛奶脂肪含量检测提供了一种新的、快速无损的方法。     

基于UMAP辅助的模糊C聚类方法进行太赫兹光谱识别

太赫兹(THz)具有低能性、瞬态性、波谱分析能力强的优点,在物质鉴别方面具有广阔的应用前景。现有的基于THz的物质鉴别方法,虽然取得了一定的效果,但是存在容易陷入局部最优的问题,从而导致识别精度不高。均匀流形逼近与投影(UMAP)作为一种非线性降维方法,其假设数据均匀分布在黎曼流形上,可以对具有模糊拓扑结构的流形进行建模。UMAP降维的过程是通过最小化两个拓扑表示之间的交叉熵,从而实现低维空间中数据表示的布局优化。传统的模糊C聚类方法(FCM)在聚类时,初始聚类中心往往随机给定,当初始聚类中心选择不恰当时,容易导致错误的聚类。为此,提出一种基于UMAP辅助的模糊C聚类算法,首先运用UMAP对输入的THz样本矩阵进行降维;再根据类与类之间距离最大化的原则,选择合适的初始聚类中心;最后利用模糊C均值聚类的方法进行聚类。所提出的方法不仅能够解决聚类过程中类与类之间过度拥挤的现象,而且能够反映出类别间的距离信息以便于给样本选择合适的初始聚类中心。为了验证提出的聚类方法的可靠性,运用太赫兹时域光谱技术对鲁棉研28、鲁棉研29、鲁棉研36、中棉28四种不同类型的转基因棉花种子进行了探测,利用基于U...     

复合材料表面缺陷的超声扩散场定位

传统超声检测多使用直达波进行检测,但在各向异性、非均匀的复杂结构检测中存在诸多限制。将超声波在此类多重散射介质中的传播近似为扩散过程,探索采用超声扩散场信号进行复合材料表面缺陷的检测定位。在此过程中形成的扩散场能对介质密集采样,对缺陷的出现高度敏感。针对铺层结构为[0°/90°]₁₂的碳纤维增强环氧树脂基复合材料板,基于Locadiff方法建立表面缺陷定位的理论模型,开展缺陷出现前后波形的理论不相关性计算。结合实验求解扩散系数,开展检测信号的不相关性分析。最后利用反演计算的模型给出缺陷的定位结果。结果表明,当缺陷直径为10 mm时,定位误差为6.99%;当缺陷直径为5 mm时,定位误差为9.29%,可以实现复合材料表面缺陷的定位。     

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。     

基于流量测点的热网变动阻力系数优化辨识

随着供热计量系统的普及,系统可以根据负荷的变化进行调整,管网的阻力系数随即发生变化.对变动阻力系数进行优化辨识是了解供热管网实时运行状况的有效手段.提出一种基于流量监测数据的供热管网变动阻力系数优化辨识方法,并利用遗传算法进行求解.对洛阳市某小区供暖季管网实际运行数据进行验证,辨识结果的相对误差在5％以内.结果表明:该...     

水介质中α,α-双(4-羟基香豆素-3-基)甲苯的洁净合成

在水介质中三乙基苄基氯化铵(TEBA)存在下, 芳醛与4-羟基香豆素反应为α,α-双(4-羟基香豆素-3-基)甲苯提供了一种快速、方便、高效和洁净的合成方法.     

海量数据导入与导出MATLAB的有效方法

本文结合实例介绍了几种将海量统计数据快速、准确地导入与导出MATLAB系统的方法。克服了以往在编程窗口直接键入原始数据进行处理的诸多问题,因此对保证统计分析结果的准确性与加速MATLAB在统计分析领域的应用有着很重要的意义。     

球状多孔Pd纳米粒子超结构的合成及其对甲酸的电催化氧化

在丙酮／水混合溶剂中,以氯代十六烷基吡啶为结构导向剂,水合肼还原PdCl42-,制得了直径范围在30～50nm之间的球状多孔Pd纳米粒子超结构．实验表明,氯代十六烷基吡啶对球状多孔Pd纳米粒子超结构的形成起着重要的作用,不加该表面活性剂时,得到的是实心Pd纳米粒子;而丙酮主要影响表面活性剂胶束的尺寸．此外,本文还研究了球状多孔Pd纳米粒子超结构对甲酸氧化的电催化活性,在0．5mol／L H2SO4＋0．5mol／L HCOOH溶液中的循环伏安结果表明,球状多孔Pd纳米粒子超结构修饰电极在酸性溶液中电催化氧化甲酸的峰电流约为180mA／mg,明显优于实心Pd纳米粒子修饰电极（峰电流为120mA／mg）,且表现出较高的稳定性．