基于K-means聚类算法优化方法的研究

针对传统K-means聚类中存在的一系列问题,文中提出了一种基于K-means聚类的改进算法。该算法首先利用K-means++聚类从数据中选择K个距离尽可能远的对象作为初始聚类中心,然后利用K-mediods聚类选择数据样本的中位数作为聚类中心的对象,最后与两步聚类结合。通过对几个常用UCI标准数据集进行仿真实验,结果表明该算法比传统算法更优。     

钛微合金中锰钢强韧化机制研究

低碳中锰钢因为其优异的力学性能及低成本的成分设计逐渐被应用到海洋平台用厚板生产制备中，通过对钛微合金化低碳中锰钢进行控轧控冷工业试验，观察不同厚度位置的显微组织及析出物形貌，测定了室温拉伸及低温冲击韧性，并对其强韧化机制进行了分析。结果表明，试验钢基体为板条宽度200～400nm的回火马氏体和宽度为50～100nm的逆? 浒率咸甯春喜阕醋橹胰穸确较蜃橹阅芫刃越虾茫慷染笥?60MPa、屈强比均小于等于0. 88、伸长率均大于20%、-60℃冲击功均大于200J。试验钢的主要强韧化机制有亚微米尺度的复合层状组织、大角度晶界韧化机制、亚稳态逆? 浒率咸錞RIP效应、Ti（C，N）粒子的细晶强化及析出强化效应，多种强化机制叠加作用，最终获得高强韧的中锰钢厚板。     

基于Word2Vec模型特征扩展的Web搜索结果聚类性能的改进

对于用户泛化和模糊的查询，将Web搜索引擎返回的列表内容聚类处理，便于用户有效查找感兴趣的内容。由于返回的列表由称为片段（snippet）的短文本组成，而传统的单词频率-逆文档频率（TF-IDF）特征选择模型不能适用于稀疏的短文本，使得聚类性能下降。一个有效的方法就是通过一个外部的知识库对短文本进行扩展。受到基于神经网络词表示方法的启发，提出了通过词嵌入技术的Word2Vec模型对短文本扩展，即采用Word2Vec模型的TopN个最相似的单词用于对片段（snippet）的扩展，扩展文档使得TF-IDF模型特征选择得到聚类性能的提高。同时考虑到通用性单词造成的噪声引入，对扩展文档的TF-IDF矩阵进行了词频权重修正。实验在两个公开数据集ODP239和SearchSnippets上完成，将所提方法和纯snippet无扩展的方法、基于Wordnet的特征扩展方法和基于Wikipedia的特征扩展方法进行了对比。实验结果表明，所提方法在聚类性能方面优于对比方法。     

利用废钨催化剂制备高纯仲钨酸铵工艺研究

随着石油化工行业的发展,废钨催化剂日益增多.为了充分回收利用钨,设计了预处理-钠化焙烧-浸出-离子交换工艺利用废钨催化剂制备高纯仲钨酸铵.结果表明:制备高纯仲钨酸铵工艺流程可行,实现了有价金属的综合回收.通过对比实验优化关键工艺参数,确定了钠化焙烧温度为650℃、研磨粒度为0.1 mm、Na2CO3与WO3的摩尔比为0.8、结晶温度为100℃.通过对材料进行X射线衍射以及分析其衍射图谱、扫描电镜观察其形貌,使钨的回收率达到95%以上、制备出优于均国家质量标准(GB/T10116-2007)仲钨酸铵的产品.     

Pt-Sn/Poly(triazine imide)-碳纳米管复合材料的电催化性能

以不同质量比poly(triazine imide)(PTI)-碳纳米管(carbon nanotubes, CNTs)复合物为载体,通过乙二醇还原Pt/Sn前驱体制备了Pt-Sn/PTI-CNTs催化剂。通过X射线衍射(XRD)、透射电子显微镜(TEM)、X射线光电子能谱(XPS)对制备的催化剂结构、形貌和成分进行表征。结果表明,Pt-Sn纳米粒子在载体上高度分散,粒径分布在2.6～3.7 nm之间,其主要以金属Pt和SnO_x的形式存在。循环伏安(CV)测试表明,PTI的引入对Pt-Sn/PTI-CNTs复合物的催化活性具有明显提升作用,但是加入的量过多会导致电催化性能下降。当加入20%(质量分数)的PTI时,催化剂具有最大的电化学活性面积(ECSA)46.20 m~2/g,乙醇电催化性能最佳。