Na3Fe(C2O4)3·5H2O的热解过程和FAB-MS断裂规律

以红外光谱法为主要手段，原位“跟踪”测定铁（Ⅲ）与乙二酸形成的配合物Ｎａ３Ｆｅ（Ｃ２Ｏ４）３．５Ｈ２Ｏ的热解过程，分析了气、固相热解产物。并以色谱分析、差热－热重分析和Ｘ－射线粉末衍射法定性、定量地验证其结果。测定了该配合物快原子轰击质谱，提出了断裂规律。铁的二元羧酸配合物的质谱尚属首见。     

三羰基铬苯乙烯甲酰衍生物的质谱研究

近年来,随着对金属有机化合物的研究的不断深入,人们对它们的兴趣已由对结构、化学性质的探讨而扩展到对物理性质的研究,如磁性质、导电性、光学性质,并从中发现某些金属有机化合物,如某些芳基三羰基铬络合物及二     

新型含氟液晶类化合物的质谱研究

本文报道66个新型含氟液晶类化合物的电子轰击电离质谱(EIMS). 66个化合物分为三个类型, 即炔醚类, 炔酯类和炔类. 并利用MS/MS联用技术和高分辨质谱(HRMS)数据研究了三种不同类型化合物的裂解机理, 并总结其规律性, 结果将有助于未知的类似化合物的结构鉴定 .     

基于差分-变分模态分解与全局信息分析网络的辐射源个体识别方法

为了解决基于希尔伯特黄变换（HHT,Hilbert-Huang Transform）辐射源个体识别方法中的模态混叠分解不充分以及低信噪比下效果较差的问题,本文将信号处理与深度学习相结合提出了一种新的辐射源个体识别方法。首先,对信号进行差分处理,并通过变分模态分解得到对应的模态分量;接着,对各模态分量进行希尔伯特变换得到希尔伯特谱;最后,针对希尔伯特谱的稀疏性特点,本文运用改进的全局信息分析模块对其进行全局细微特征提取。本文实验采用ORACLE公开数据集对所提方法进行性能测试,实验结果表明,该方法识别性能优于4种现有的基于希尔伯特黄变换的辐射源识别方法,其不仅有较低的计算复杂度,而且在5 dB信噪比下有着90%以上的识别效果。     

基于注意力机制的通信辐射源个体识别方法

日益复杂的电磁环境对通信辐射源个体识别提出了更高挑战,而传统的特征提取方法难以满足需求.深度学习因其在特征表示方面的优势,在多个领域的识别任务中获得了巨大成功.针对辐射源个体识别任务,利用深度神经网络,结合自然语言处理与计算机视觉领域的注意力机制思想,将双注意力机制引入预处理层与特征提取层实现对神经网络的优化,并针对同...     

基于深度学习的通信辐射源识别研究综述

为改进完善通信辐射源识别课题,引入深度学习作为分类方法。为探究深度学习对辐射源识别的作用,介绍了与通信辐射源识别相关的深度学习理论,从辐射源个体识别与调制方式识别两个方面,对基于深度学习的通信辐射源识别技术的研究现状进行综述,并详细分析了基于深度学习的通信辐射源识别技术的主要难点问题,同时讨论了发展方向和解决方案。     

密度聚类方法研究

密度聚类分析方法是经典聚类的一个重要分类,能够发现具有相同密度结构的数据,而不拘泥于数据的凹凸类型和集群形状.基于此,研究了密度聚类方法的发展现状:首先介绍了几种重要的经典密度聚类算法,并对其核心思想、算法流程、算法特性等进行了分析;其次总结归纳了各个经典密度聚类算法的优缺点、适用场景,介绍了密度聚类算法的实用案例;最...     

无源无监督迁移学习综述

迁移学习由于解决了领域之间的分布差异引起的领域迁移问题而引起了人们的关注。现有的迁移学习方法绝大多数需要访问源域数据,访问源域数据可能因为源域数据涉及隐私、数据量过大占据较大的存储空间以及计算成本等原因而带来难题。因此,很多研究开始关注无源无监督的方法,即从预先训练的源模型向不可访问的未标记目标领域执行迁移。首先介绍了无源无监督迁移学习的定义,然后简述了无监督迁移学习的研究现状,最后总结了部分方法在数据集上的表现,有利于进一步的研究。     

基于VMD的通信辐射源个体识别方法

针对通信辐射源细微个体指纹信息难以提取的问题,根据辐射源指纹产生机理,提出了将接收信号中的数据部分过滤而保留指纹噪声的研究思路,设计了基于变分模态分解的识别方法.该方法采用变分模态分解将接收信号分解为主要包含数据信息的低频分量和主要包含指纹信息的高频分量,并设计深度卷积神经网络对分解后的高频分量进行特征提取和分类识别....     

电感耦合等离子体原子发射光谱法测定不锈钢中8种合金元素

采用硝酸-盐酸-水(1+3+6)混合酸溶液溶解不锈钢样品,用电感耦合等离子体原子发射光谱法同时测定试样溶液中铬、镍、铜、锰、磷、硅、钼和钛等8种合金元素。选择钇元素作为内标元素,选择波长为357.869,231.604,327.396,257.610,178.284,251.611,202.030,337.280 nm8条谱线依次作为铬、镍、铜、锰、磷、硅、钼和钛的分析线。方法用于分析了12种标准物质,测定值同证书值一致,各元素的相对标准偏差(n=7)均小于5.5%。