α-甘氨酸晶体中NH_3~+扭曲振动的变温拉曼光谱研究

1999年,Chilcott研究了α-甘氨酸单晶电阻抗随温度的变化,发现晶体在304 K开始导电。为了了解其导电机理,本文研究90 K到340 K的拉曼光谱,发现在α-甘氨酸单晶中NH3+扭曲振动模式分裂,表现为N-H(6)…O(1)(491 cm-1)和N-H(7)…O(2)(483 cm-1)模式,以及CO2-摇摆模式(503cm-1),在304 K均有不连续性变化,并与变温中子衍射晶体结构层内的氢键N-H(6)…O(1)键角和N-H(7)…O(2)长度出现转折点一致。由于α-甘氨酸晶胞中NH3+和CO2-基团构成的电偶极子在变温下重新定向,出现两性离子电荷重心变化致使晶体极化,引起晶体在304 K左右发生了铁电相变。     

一种基于序贯估计的直达声区水面舰船被动测距方法

该文利用基于射线的盲解卷积方法,从直达声区的水面舰船噪声中提取出船和锚系于海底的垂直接收阵之间的时域信道响应,并利用直达波在不同阵元相对于参考阵元的到达时间差,通过序贯方法,利用射线模型和声速剖面信息,对水面舰船距接收阵的距离进行了估计。通过处理海深约为580 m的2016年美国圣巴巴拉海峡的实验数据,对1.6～3.5 km直达声区范围内Anna Maersk商船与垂直阵之间的距离进行了估计,验证了测距方法的有效性,并将结果与系统测量值和几何方法的估计值进行了比较。由于该方法不需要对海底参数进行估计,所以在海底参数未知时要优于传统匹配场方法;在声速剖面存在跃层且海底为多层分布的复杂信道条件下,该方法仍能对距离进行有效估计,且与测量值的相对误差在6%以内,小于几何方法的估计误差,测距结果精度较高。     

去卷积伏安法中离散数据处理的方法研究(Ⅰ)──正交小波变换平滑

一系列的离散数据处理方法已成为化学计量学的重要组成部分[1],去卷和伏安法就是结合计算机技术的新一代电分析方法,其激励信号与输出信号均为计算机发生和采集的数字信号,对采集到的信号一般采用移动平均法[2]和Fourier变换处理法[3]进行平滑处理．但是,Fourier变换在电分析化学领域的难度较大,运算复杂,为此,Aubarel等[4]提出了不用FFT的Fourier变换平滑算法,但是该法要先对信号进行预处理,并且对Fourier的和式要反复进行折叠,计算量较大．80年代末发展起来的小波变换引起了人们广泛的关注[5],被称为数学“显微镜”,具有…     

基于干涉原理的双图像加密系统

提出一种新的虚拟光学加密方法,该方法分3个步骤将两幅图像隐藏于3个随机相位板中。将两幅图像分别作为相位和幅度信息隐藏于一个复数场中,利用随机相位板作为参考光,并采用数字全息术将该复数场转换成平稳随机白噪声,利用干涉加密原理进一步将此白噪声储存于2个随机相位板中,从而将两幅图像信息隐藏于3个纯随机相位板中。该方法原理简单,无需进行迭代操作。计算机模拟结果显示:任何一个密钥错误,均无法得到原始图像的任何信息。同时,解密过程对系统中距离及波长等参数非常敏感,较大地提升了系统的安全性。     

基于U-Net的盐体识别方法

卷积神经网络在计算机视觉领域取得重大突破，利用其强大的图像处理能力，将地下沉积盐体的识别问题转化为图像语义分割问题，应用深度卷积神经网络实现盐体地震图像的像素级语义分割.本文在U-Net基础上，增加网络深度并同时引入批归一化和Dropout处理，使得神经网络模型具有更高的可信度和更强的泛化能力.通过实验发现，在卷积层之后引入批归一化处理，并在池化层和叠加层之后引入Dropout可以稳定提升模型对盐体图像的分割性能.     

深度卷积网络的多品种多厂商药品近红外光谱分类

近红外光谱（NIR）分析具有分析高效、样品无损、环境无污染以及可现场检测等优点,特别适合药品的快速建模分析。但NIR存在吸收强度弱以及谱带重叠等缺点,需要建立稳健可靠的化学计量学模型对其进行分析。深度卷积神经网络是深度学习方法中一个重要分支,它通过逐层抽取数据特征并进行组合、转换,形成更高层的语义特征,具有极强的建模能力,广泛应用于计算机视觉、语音识别等领域,而在药品NIR分析方面尚未见报道。基于深度卷积网络模型,对药品NIR多分类建模进行研究。针对药品NIR数据的特点,设计若干个面向多品种、多厂商药品NIR分类的一维深度卷积网络模型。模型中卷积层和池化层交叠排列用于逐层抽取NIR数据特征,输出层连接softmax分类器,对药品NIR数据进行分类概率预测。在输出层之前采用全局最大池化层,将特征图进行整体池化,形成一个特征点,用于解决全连接层存在的限制输入维度大小,参数过多的问题。同时,在网络模型中引入批处理操作和dropout机制,以防止梯度消失和减小网络过拟合的风险。在网络模型的设计过程中,通过设计不同的卷积网络层数以及不同的卷积核尺寸大小,分析其对建模效果的影响,同时分析五种经典数据预处理方法对NIR分析的影响。以我国7个厂商生产的头孢克肟片和11个厂商生产的苯妥英钠片样本NIR为实验对象, 建立药品的多品种、多厂商分类模型,该模型在二分类、多分类实验中取得了良好的分类效果。在十八分类实验中,当训练集与测试集比例为7∶3时,分类准确率为99.37±0.45,比SVM, BP, AE和ELM算法取得更优的分类性能。同时,深度卷积神经网络模型推理速度较快,优于SVM和ELM算法,但训练速度慢于二者。大量实验结果表明,深度卷积神经网络可对多品种、多厂商药品NIR数据准确、可靠地判别分类,且模型具有良好的鲁棒性和可扩展性。该方法也可推广到烟草、石化等其他领域的NIR数据分类应用中。     

基于多尺度学习与深度卷积神经网络的遥感图像土地利用分类

土地利用信息是国土资源管理的基础和重要依据,随着高分辨率遥感图像数据的日益增多,迫切需要快速准确的土地利用分类方法。目前应用较广的面向对象的分类方法对空间特征的利用尚不够充分,在特征选择上存在一定的局限性。为此,提出一种基于多尺度学习与深度卷积神经网络（deep convolutional neural network,DCNN）的多尺度神经网络（multi-scale neural network,MSNet）模型,基于残差网络构建了100层编码网络,通过并行输入实现输入图像的多尺度学习,利用膨胀卷积实现特征图像的多尺度学习,设计了一种端到端的分类网络。以浙江省0.5 m分辨率的光学航空遥感图像为数据源进行了实验,总体分类精度达91.97%,并将其与传统全卷积网络（fully convolutional networks,FCN）方法和基于支持向量机（support vector machine,SVM）的面向对象方法进行了对比,结果表明,本文所提方法分类精度更高,分类结果整体性更强。     

声学时域边界元法的时间卷积计算方法研究

核函数中保留Dirac函数的原型,形成关于时间的卷积积分,是声学时域边界元法中一种稳定、有效的时间数值积分计算方法 (CQ-BEM)。然而,传统CQ-BEM中卷积积分系数的获取有计算量大、耗时长,且对不同单元需要重新计算的问题,极大地降低了CQ-BEM法计算时域声场的效率。针对传统CQ-BEM积分系数计算效率低的问题,本文利用多项式展开定理给出了待求函数泰勒系数的解析表达与数值计算方法,建立了不同单元间待求系数的转换理论,可以在一次循环迭代内完成不同单元的积分系数的计算,大幅降低了计算量,提高了CQ-BEM方法的声场计算效率。脉动球源数值算例结果表明,在相同要求下,本文方法计算时间较传统方法减少50%以上,相对误差小5个数量级以上,且计算时间随单元数的增长率仅为传统方法的2.34%。因此,本文提出的系数计算方法能够有效提高CQ-BEM方法的时域声场计算效率,拓展了CQ-BEM在大型机电设备时域声场模拟的计算规模。     

壳聚糖修饰玻碳电极卷积伏安法测定环境水中的EDTA

制备了壳聚糖修饰玻碳电极 ,研究了Fe(EDTA) -在修饰电极上的吸附还原行为 ,用卷积伏安法通过Fe(EDTA) -的检测测定了环境水中的EDTA。在优化的实验条件下 ,峰电流值与 8.0× 1 0 -7～ 5 .0× 1 0 -6mol L的EDTA呈线性关系 ,回归方程为epp′ =0 .75 2 5c - 0 .661 3,r =0 .991 ,最低检出限为 5 .0× 1 0 -7mol L ,5次测定的相对标准偏差小于 5 .8%。对实际样品测定的回收率为98 1 %～ 1 0 5 % ,对比HPLC的结果 ,相对偏差小于 5 %。     

融合多尺度特征的短时音频场景识别方法EI北大核心CSCD

为解决短时音频场景识别任务中识别性能差的问题,提出一种融合多尺度特征的音频场景识别方法。首先将双声道音频中左右声道的和差作为输入,并使用长时帧长进行分帧处理,以保证提取出的帧级特征中包含足够多的音频信息。然后将特征逐帧输入到融合多尺度特征的一维卷积神经网络中,以充分利用网络中不同尺度的浅层、中层和深层嵌入特征。最后综合所有帧级软标签得到短时音频的场景分类结果。实验结果表明,该方法在国际声学场景和事件检测与分类挑战赛(DCASE) 2021短时音频场景数据集上的准确率为79.02%,实现了该数据集上目前为止的最优性能。