3C-SiC短程结构的分子动力学模拟

采用Tersoff势对晶态3C-SiC结构进行了NEV系综的分子动力学模拟,在合适的步数和步长下选用蛙跳法计算该体系的温度、径向分布函数和键角分布,模拟结果表明常温下3C-SiC晶体保持着长程有序闪锌矿结构。蛙跳法适用于NEV线性系综的计算模拟,而不适用于NTV等非线性系综的恒温分子动力学模拟。最后分析模拟过程中的“四位数灾难”是由积分误差累积所致。     

共晶炸药研究进展

共晶炸药是一种将不同炸药通过分子间作用力在分子层面加以混合的晶体.通过形成共晶炸药能够有效改善部分炸药的氧平衡及感度,提高其暴热、做功能力及安全性等,具有广阔的研究前景.综述了共晶炸药在分子间相互作用下的形成原理;概述了溶剂法、熔融法等共晶炸药的制备方法;总结了粉末X射线衍射(PXRD)、单晶X射线衍射、差式扫描量热法(DSC)和红外光谱法(IR)等共晶炸药的表征方法;评述了共晶炸药的研究现状、发展方向及应用前景.     

焦炉地面除尘系统改造

介绍了宣钢焦化厂1#、2#焦炉地面除尘系统运行和维修过程中存在的问题,经过不断改造,实现了装煤及推焦除尘系统稳定运行,烟尘排放达到国家标准,满足了焦炉生产的环保要求。     

支化叠氮缩水甘油醚聚合物的合成

支化叠氮缩水甘油醚聚合物（Ｂ－ＧＡＰ）能很好地改善推进剂及塑料粘结炸药（ＰＢＸ）的装药工艺性质及力学性能。将氯醚胶（ＰＥＣＨ）和环氧氯丙烷（ＥＣＨ）溶于二甲基甲酰胺（ＤＭＦ）中，在乙二醇（ＥＧ）引发下与叠氮钠（ＮａＮ３）加热反应即制得Ｂ－ＧＡＰ。研究了影响支化反应的主要因素，探索了控制羟基官能度（ｆ），分子量及其分布值的方法。     

主动自调度集群的自调度算法

ASAS集群采用了基于后端服务器负载分析后的主动调度策略,在后端主动调度时计算后端服务器的负载,包括CPU利用率、内存利用率、I/O速度等,然后把上述几个方面划分为底(L)、中(M)、高(L)三个语言变量后,通过模糊数学理论,选取适当隶属函数,把实时状态隶属于以上三个语言变量的隶属函数值求出,并得出隶属矩阵.根据合适的算法得出后端执行服务器申请的连接数(容量Capacity),整个过程是基于负载动态反馈的.实验证明,该调度策略取得了比一般集群调度策略更优的效果.     

组氨酸锌的合成及其作为PVC热稳定剂的研究

以组氨酸与六水合硝酸锌为原料,在碱性条件下合成了组氨酸锌,通过元素分析以及红外光谱分析对合成产物进行了表征。进一步通过刚果红法、变色性能测试测定了其作为聚氯乙烯(PVC)热稳定剂的热稳定性能。结果表明,组氨酸锌可延长PVC的稳定时间,赋予PVC制品较好的初期颜色,而且不会发生"锌烧"。将组氨酸锌与硬脂酸钙混合制成复合热稳定剂,发现二者之间有较好的协同作用。     

基于邻域密度的异构数据局部离群点挖掘算法

由于数据集规模、维数,以及复杂程度的不断提高,导致对其离群点的挖掘难度越来越大,提出了基于邻域密度的局部离群点挖掘算法.首先依据节点计算性能对高维数据进行区域分割,通过各个维度的数据分布来评价区域分割的效果.然后采取核密度来描述局部密度,根据高斯分布得到数据出现次数,进一步计算出数据邻域密度.再由邻域及密度关系计算得到各数据离群度,从而判断异构数据中的离群点.最后针对可能存在的离群误判情况,采取离群分数计算,为增强此过程的检测性能,利用权重进行剪枝处理.人工与UCI数据集上的仿真结果表明,当数据量和数据维数改变时,算法对离群点挖掘的准确度几乎不受影响,挖掘时间和覆盖率指标也显著优于其它方法;同时对于不同类型和复杂度的异构数据,算法仍然保持良好的挖掘准确度和效率.     

木质素基活性炭研究进展

木质素是制浆造纸工业的副产物,是地球上最丰富的可再生资源之一。本文简要介绍木质素的结构及其性质,并论述了木质素吸附材料的吸附性能及吸附剂的研制,详细总结了木质素基活性炭吸附剂的研究进展并探讨了今后的研究方向。     

Ku波段宽带高增益基片集成腔圆极化阵列天线北大核心CSCD

提出了一款应用于Ku波段的宽带高增益基片集成腔(Substrate Integrated Cavity,SIC)圆极化阵列天线。通过引入沿SIC口径面对角线放置的一对半月形寄生贴片和SIC底部馈电纵缝,使SIC中的TM_(211)和TM_(121)谐振模式幅值相等、相位相差90°,产生高增益圆极化辐射。同时,双寄生贴片还引入了一种背腔缝隙耦合振子圆极化辐射模式,扩宽了天线高增益圆极化辐射带宽。在此基础上,设计了一款2×2单元顺序旋转馈电的SIC圆极化阵列天线。阵列天线采用双层基片集成波导顺序相移馈电网络进行馈电,进一步增大了天线的圆极化带宽。综合考虑天线的-10 dB反射系数带宽、3 dB轴比带宽和3 dB增益带宽,测试结果表明,圆极化阵列天线的有效带宽为10.74-13.30 GHz(21.3%),在通带范围内最大增益为14.50 dBi。     

基于机器学习的软件漏洞挖掘方法综述

软件复杂性的增加,给软件安全性带来极大的挑战.随着软件规模的不断增大以及漏洞形态多样化,传统漏洞挖掘方法由于存在高误报率和高漏报率的问题,已无法满足复杂软件的安全性分析需求.近年来,随着人工智能产业的兴起,大量机器学习方法被尝试用于解决软件漏洞挖掘问题.首先,通过梳理基于机器学习的软件漏洞挖掘的现有研究工作,归纳了其技术特征与工作流程;接着,从其中核心的原始数据特征提取切入,以代码表征形式作为分类依据,对现有研究工作进行分类阐述,并系统地进行了对比分析;最后,依据对现有研究工作的整理总结,探讨了基于机器学习的软件漏洞挖掘领域面临的挑战,并展望了该领域的发展趋势.