由工业级双环戊二烯制备浅色不饱和聚酯树脂

以工业级双环戊二烯(DCPD,纯度75%~85%)为原料,采用滴加顺丁烯二酸酐(MA)法制备浅色(Gardner色度<3)的DCPD改性不饱和聚酯树脂(UPR)。并就2种不同工艺合成的DCPD不饱和聚酯树脂的性能作了对比。     

零样本图像分类方法综述

图像分类作为图像处理的基础,一直是热门的研究话题。传统的图像分类方法需要采用大量专家标记的数据集,成本较大且无法识别未训练的图像类别;零样本图像分类作为迁移学习的一个分支,可以将已有的知识属性迁移到未知类中,从而完成对未知类图像的分类识别,因此降低了训练数据的标记成本,且能在样本稀缺的情况下实现对新事物的分类识别。首先,简单介绍了零样本学习的概念;其次,着重介绍了基于属性预测、基于特征嵌入和基于生成模型的零样本图像分类方法;然后,简要介绍了零样本图像分类的数据集以及评估方法,并对经典模型的实验结果做了比较分析;最后,提出了零样本图像分类方法普遍存在的问题以及相应的解决思路。     

双组份Degasperis-Procesi方程的有界行波解?

本文研究双组分Degasperis-Procesi方程的有界行波解。利用平面动力系统的分岔理论,分析了双组分Degasperis-Procesi方程对应行波系统在参数平面不同区域的分岔相图。进而,依据动力系统相轨中的同宿轨、周期轨与非线性波动方程的孤立波解、周期波解之间的关系,在一定的参数条件下,获得了双组份Degasperis-Procesi方程的孤立波解和周期波解,并借助数值模拟给出了部分解的图像。     

Degasperis-Procesi方程的周期尖波解和单孤子解

用动力系统的定性分析理论和分支方法,对带有色散项的Degasperis-Proces方程的周期尖波解和单孤子解进行了研究.给出了Degasperis-Procesi方程对应行波系统的相图分支,利用相图从两种不同方式构造了孤立尖波解的解析表达式,并通过数值模拟给出了部分解的图像.     

一种分类型矩阵数据的初始聚类中心选择算法

现有面向矩阵数据集的算法多数通过随机选取初始类中心得到聚类结果。为克服不同初始类中心对聚类结果的影响,针对分类型矩阵数据,提出一种新的初始聚类中心选择算法。根据属性值的频率定义矩阵对象的密度和矩阵对象间的距离,扩展最大最小距离算法,从而实现初始类中心的选择。在7个真实数据集上的实验结果表明,与初始类中心选择算法CAOICACD和BAIICACD相比,该算法均具有较优的聚类效果。