PET表面的碳氟等离子体处理改性层组分的变角XPS分析

采用CH₄/CF₄混合气体等离子体来处理PET表面.利用变角XPS研究改性后PET的表面改性层的组分随取样深度的变化.结果表明,碳氟混合气体等离子体在PET表面形成交联网络结构的改性层,改性层的化学组成随深度的变化不大;纯CF₄等离子体的改性层的化学组成不均匀,含氟基团主要分布在外面.不同混合气体等离子体在PET表面形成改性层的结构决定于CH₄的添加量.     

用衍射相位元件分离并聚焦偏振光

通过相位恢复的原理,设计了在平行光的照明下单轴双折射晶体做成的衍射相位元件以实现分离并聚焦ｏ偏振光和ｅ偏振光,讨论了相位量化对结果的影响。理论计算表明：这种方法可成功地实现偏振光的分离和聚焦。     

具有吸收状态的马尔可夫链在企业经营状况宏观控制中的应用

本文对企业经营状况建立了一个具有吸收状态的马尔可夫链的数学模型,列举并分析了这种马氏链的一些性状,结合实际经济现象提出了若干具体问题并给出了相应的解决方法     

Analysis and Forecast on the Car Market of Our Country

§１．　ＦｏｒｅｃａｓｔａｂｏｕｔｔｈｅＣａｒＭａｒｋｅｔＤｅｍａｎｄａｎｄｔｈｅＱｕａｎｔｉｔｙｏｆＣａｒＰｏｓｓｅｓｓｉｏｎｉｎＯｕｒＣｏｕｎｔｒｙｉｎ２０００Ｉｎｔｈｉｓｓｅｃｔｉｏｎ,ｗｅｓｈａｌｌｆｏｒｅｃａｓｔｔｈｅｃａｒｍａｒｋｅｔｄｅｍａｎｄａｎｄｔｈｅｑｕａｎｔｉｔｙｏｆｃａｒｐｏｓｓｅｓｓｉｏｎｉｎｏｕｒｃｏｕｎｔｒｙｉｎ２０００ｂｙｍｅａｎｓｏｆｔｗｏｓｔａｔｉｓｔｉｃｓｍｅｔｈｏｄｓ,ｉ．ｅ．ｔｅｎｄｅｎｃｙｉｎｆｅｒｅｎｃｅａｎｄｒｅｇｒｅｓ－ｓｉｏｎａｎａｌｙｓｉｓ．…     

焊接接头疲劳寿命预测研究

利用作者构造的焊接接头疲劳抗力起始—扩展模型,可精确预测焊件的疲劳寿命,预测结果与实测结果吻合良好。     

基于Swin-Transformer迭代展开的有限角CT图像重建用于PTCT成像

针对相对平行直线扫描CT(PTCT)图像重建存在的有限角伪影问题,提出一种学习局部和非局部正则项的深度迭代展开方法。该方法将具有固定迭代次数的梯度下降算法迭代展开到神经网络,利用具有坐标注意力（CA）机制的卷积模块和Swin-Transformer模块作为迭代模块交替级联部署,构成端到端的深度重建网络。卷积模块学习局部正则化,其中CA用于减少图像过平滑;Swin-Transformer模块学习非局部正则化,提高网络对图像细节的恢复能力;在相邻模块间,使用迭代连接（IC）增强模型提取深层特征的能力,提高每次迭代的效率。通过消融实验验证了网络各部分的有效性,并在两种类型的数据集上进行实验,结果证明了本文方法的效果。实验结果表明,本文方法在抑制PTCT重建图像有限角伪影的同时,能较好地保留重建图像细节,提高重建图像质量。     

基于深度架构网络的矮新星自动分类研究

矮新星是一类特殊而稀少的半相接双星。发现更多的矮新星对于深入研究物质转移理论、理解密近双星演化过程意义深远。利用深度学习技术提取天体光谱特征并进而分类是天文数据处理领域的研究热点。传统的自编码器是仅包含一个隐层的经典神经网络模型,编码能力有限,数据表征学习能力不足。模块化拓宽神经网络的深度能够驱使网络继承地学习到天体光谱的特征,通过对底层特征的逐渐抽象学习获得高层特征,进而提高光谱的分类准确率。以自编码器为基础构建了由输入层、若干隐藏层和输出层组成的基于多层感知器架构的深度前馈堆栈式自编码器网络,用于处理海量的光谱数据集,挖掘隐藏在光谱内部具有区分度的深度结构特征,实现对矮新星光谱的准确分类。鉴于深度架构网络的参数设置会严重影响所构建网络的性能,将网络参数的优化分为逐层训练和反向传播两个过程。预处理后的光谱数据先由输入层进入网络,再经自编码器算法和权值共享实现对网络参数的逐层训练。反向传播阶段将初始样本数据再次输入网络,以逐层训练所得的权值对网络初始化,再把网络各层的局部优化训练结果融合起来,根据所设置的输出误差代价函数调整网络参数。反复地逐层训练和反向传播,直到获得全局最优的网络参数。最后由末隐层作为重构层搭建支持向量机分类器,实现对矮新星的特征提取与分类。网络参数优化过程中利用均值网络思想使网络隐层单元输出按照dropout系数衰减,并由反向传播算法微调整个网络,从而防止发生深度过拟合现象,减少因隐层神经元间的相互节制而学习到重复的数据表征,提高网络的泛化能力。该网络分布式的多层次架构能够提供有效的数据抽象和表征学习能力,其特征检测层可从无标注数据中隐式地学习到深度结构特征,有效刻画光谱数据的非线性和随机波动性,避免了光谱特征的显式提取,体现出较强的数据拟合和泛化能力。不同层之间的权值共享能够减少冗余信息的干扰,有效化解传统多层次架构网络易陷入权值局部最小化的风险。实验表明,该深度架构网络在矮新星分类任务中能达到95.81%的准确率,超过了经典的LM-BP网络。     

利用深度学习方法研究核物质状态方程

对核物质状态方程的研究将有助于人们更好地了解原子核的性质以及宇宙和星体的演化过程等基本问题。重离子碰撞能产生高温高密核物质,利用输运模型的模拟结合相关实验数据的比较是研究核物质状态方程最常用方法之一。本文利用深度学习中的卷积神经元网络(CNN)方法对不同核物质状态方程给出的末态质子横动量和快度分布进行学习,使神经元网络具有从末态粒子信息来判断核物质状态方程软硬的能力。利用预测差异分析方法(Prediction Different Analysis),可以找到横动量和快度分布中对状态方程最敏感的区域。此外,还测试了一种基于决策树的梯度提升算法(LightGBM),发现得到的准确度和CNN方法类似。     

中国聚变工程实验堆启动氚投料量与氚平衡分析

根据中国聚变工程实验堆(CFETR)堆芯设计参数及燃料系统流程模型,采用平均停留时间方法,建立燃料循环子系统的氚转移模型用来描述氚在各子系统之间的输运、滞留等过程。采用该模型,分析了不同聚变功率水平、运行因子以及燃烧率对中国聚变工程实验堆的氚平衡以及启动氚投料量的影响。     

电子器件散热风扇气动噪声管道声学模态截止控制技术

深度学习输入特征的选择直接影响其分类性能,为了进一步提高基于深度学习的鸟类物种识别模型的分类性能,该文提出一种多特征融合识别方法。该方法首先通过短时傅里叶变换、梅尔倒谱变换和线性调频小波变换分别计算得到鸣声信号的3种语图样本集,然后分别利用3种语图样本集训练3个基于VGG16迁移的单一特征模型,将3个模型的输出进行自适应加权求和实现融合,并修正了加权交叉熵函数以克服样本不平衡的问题,最后对语图进行分类实现鸟类物种的识别。以ICML4B鸣声库的35种鸟类为研究对象,对比了4种模型的平均识别准确率(MAP),结果表明特征融合模型较单一特征模型的MAP最大提高了0.307;选择输入语图的持续时间分别为100 ms、300 ms以及500 ms,对比不同持续时间下4种模型的测试MAP值,结果表明持续时间为300 ms时4种模型的MAP值均为最高;对比了不同信噪比下4种模型的识别效果,多特征融合模型的识别准确率随着信噪比的下降降低最少。说明在选择合适的语图持续时间后,该文提出的特征融合模型能得到更高的识别准确率,具有一定的抗噪能力,且训练参数少,更适合于少样本鸟类的识别。