基于卓越工程师培养目标下的大学物理实验创新培养模式

针对卓越工程师的基本训练要求及社会发展的需要,以“卓越工程师”培养目标为导向,以辅助教学系统、实验数据处理系统和学生创新实践平台三大模块为依托,根据学生学习的不同阶段和知识积累过程,建立全方位、模块化、逐层深入的实验教学培养模式,把大学物理实验室建设成培养学生创新能力的重要基地.     

乙醇在Co(111)表面脱氢反应机理的第一性原理研究

采用密度泛函理论和周期平板模型相结合的方法针对Co（111）表面上乙醇脱氢反应的反应机理进行了细致的研究,同时,对反应过程中涉及到的各个物种在表面上不同吸附位（顶位（top）,桥位（bridge）,三重空穴位（fcc和hcp））的吸附模型进行了结构优化以及相关能量的计算,确定了各物种的最佳吸附位点.研究结果表明,CH₃CH₂OH在Co（111）表面的脱氢反应可具体描述为三条反应路径：反应路径I为CH₃CH₂OH逐步脱氢经由中间体CH₃CHO,最终生成CH₄和CO的反应;反应路径Ⅱ为CH₃CH₂OH脱氢产生的CH₃CH₂O基和CH₃CHO相互作用通过CH₃COOH分子最终生成CH₄和CO₂的反应;反应路径Ⅲ为CH₃CH₂O基和CH₃CO基作用生成CH₃COOC₂H₅的过程,其中,反应路径I为最优路径（CH₃CH₂OH→CH₃CH₂O→CH₃CHO→CH₃CO→CH₃+CO→CH₂→CH→CH₄+CO+C+H）,该反应路径中的CH₃CH₂O基脱氢生成CH₃CHO为速控步骤,反应能垒为1.61 eV.     

泡膜半径法测量液体表面张力

根据泡膜半径与液体表面张力系数所满足的函数关系进而测量液体表面张力系数,实验中利用U型管测量泡膜相对内压并通过电脑对泡膜的图像采集来测量泡膜半径,实验设计新颖独特,实验结果准确,且有利于提高学生的物理思维及对电子设备的使用能力。     

改进的TOPSIS决策方法在供应商选择中的应用

运用马氏距离替代欧式距离改进传统的TOPSIS方法,解决当属性间存在线性相关时欧式距离失效的缺陷;充分考虑对立集合并引入联系向量距离,解决可能存在的方案距离正理想解和负理想解距离都近的缺陷.然后通过决策者偏好系数将马氏距离和联系向量距离所得结果合成新的相对贴近度,从而同时克服传统TOPSIS方法的以上两个缺陷.最后通过供应商选择的实例来验证方法的有效性.     

K-SVD和OMP算法在超声信号去噪中的应用

针对在线采集时超声波检测信号中存在大量噪声,降低了材料内部缺陷诊断准确性的问题,提出了一种基于广义K+奇异值分解算法(K-SVD)和正交匹配追踪算法(OMP)相结合的超声回波信号去噪算法。该算法利用K-SVD算法将Gabor字典训练成能够最有效反映信号结构特征的超完备字典,然后基于训练完成的超完备字典,用OMP算法把一定数量的字典原子进行线性组合来构成原始信号,从而实现信号的去噪。通过仿真实验将本文方法与传统的小波阈值去噪方法进行了对比研究。实验结果表明,该方法对超声回波信号的去噪效果优于小波阈值去噪方法,且噪声越大对比越明显,不仅可更有效地滤除信号中的高斯白噪声,提高信噪比,且尽可能保留了原始信号有用信息。     

中温沥青超声萃取物的热解特性与分子结构间关联性的FTIR解析

沥青分子结构和沥青热转化行为的调控是制备高品质沥青基炭材料的关键.为进一步明晰沥青热解行为与沥青分子结构间的关联性,选用8种有机溶剂对中温沥青(AGM P)在常温下进行超声萃取处理得到8种萃取物.利用PeakFit v4.12软件对各种萃取物的红外光谱吸收峰700～900,1000～1800,2800～3000和300...     

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。     

基于质量估计的恒星大气参数的自动测量

近些年海量恒星光谱数据的获取使得恒星三个基本参数（表面有效温度Teff,表面重力log g,金属丰度[Fe/H]）的自动测量方法研究成为一个重要的研究课题,相应对恒星大气物理参数测量的研究将对科学家研究宇宙演化等重大科学问题具有重要的意义。但是目前国内外针对此问题所做的研究并不是很广泛深入,且已有的一些方法还不能够完全准确地估计出恒星的大气物理参数。因此本文研究了一种基于质量估计的恒星大气物理参数自动测量方法,该方法计算量比较小,其主要思想是首先建立一些质量分布,将原始光谱数据经过质量估计算法映射到新的质量空间,然后在质量空间利用支持向量机回归对恒星的三个基本物理参数进行估计。在实验中,从SDSS-DR8光谱数据库中选择部分实测光谱数据来进行训练和测试,并将该方法预测出的参数结果与SSPP给出的参数值进行了对比,取得了比较理想的结果。实验结果表明, 该研究方法的准确率更高,预测结果更稳定,训练所用的时间短,在恒星大气物理参数自动测量上是行得通的,可以有效地测量恒星的大气物理参数。     

低温耦合固相氮化反应合成β-Sialon

本研究拟在氮化气氛下,以金属Al粉、Si粉、α-Al2O3为原料,添加Y2O3,耦合氮化反应制备β-Sialon.通过在不同温度下的氮化反应烧结试验,研究了Y3+对β-Sialon晶相组成、晶粒大小、晶格常数及显微结构的影响.采用XRD和SEM表征试样中的晶相和显微结构,利用X'Pert Plus软件对试样进行晶胞参数分析,通过Semi-quantification法对试样各晶相组成进行计算.结果表明:随着温度的升高,合成β-Sialon相的含量不断提高,在1550℃时达到最高;添加Y2O3可以在相对较低温度条件下合成β-Sialon相,y3+对Al3+的置换作用导致β-Sialon相结构畸变,且随耦合氮化反应烧成温度的升高,晶胞体积可由1350℃时的0.208448 nm3增大到1550℃时的0.236776 nm3,合成β-Sialon相呈现增加的趋势.同时在合成β-Sialon结构中,由于过量助烧结剂Y2O3易与原料中Al2O3形成针状YAG.