纳米CeO_2催化CO_2与甲醇反应合成碳酸二甲酯的研究

本文介绍了金属催化剂纳米CeO2的制备方法,通过对催化剂结构、性质的表征和催化活性的比较,确定出高效的催化剂,并优化了气固相CO2与甲醇直接合成DMC的反应条件。借此,实验得到以下结果:通过对5种方法制备的纳米CeO2催化剂的比较,发现溶胶凝胶法制备的纳米CeO2催化活性最好,甲醇的转化率可达0.215%,DMC选择性为100%。考察了CO2和甲醇合成DMC的较合适的工艺条件是:反应温度433K,反应压力1.0MPa,催化剂用量0.5g,CO2和甲醇摩尔比2.0,甲醇的转化率可达0.215%,DMC选择性为100%。     

基于蜂群K-means聚类模型的协同过滤推荐算法

针对目前协同过滤推荐算法的推荐质量和推荐效率低的问题,提出了一种基于改进蜂群K-means聚类模型的协同过滤推荐算法。首先,根据用户属性信息,采用改进蜂群K-means算法对用户进行聚类,建立用户聚类模型;然后,计算目标用户与用户聚类模型中各聚类中心的距离,其中距离最近的类为目标用户的检索空间;最后,从检索空间中依据用户-项目评分矩阵通过相似度计算搜索目标用户的最近邻居,由最近邻居的信息产生推荐列表。实验结果表明,该算法降低了平均绝对误差值,缩短了运行时间,提高了推荐质量和推荐效率。     

基于蜂群[k]-means算法的遥感图像聚类应用研究

在遥感领域，获取用于训练的标记数据耗费巨大且困难，因此许多非监督技术逐渐被发展和应用于标记样本有限的遥感图像。将[k]均值和蜂群算法相结合，提出一种新的非监督聚类算法。使用灰度共生矩阵和小波变换提取遥感图像特征，对特征数据集进行蜂群[k]-means聚类。整个聚类过程首先使用最大最小距离积邻域均值法产生初始聚类中心，将蜂群算法和[k]-means算法交替执行，实现遥感图像的聚类。通过UCI数据集和凉水国家级自然保护区的遥感数据的实验结果表明，该算法具有较高的聚类准确率，满足遥感图像聚类的应用需求。