钐铁氮磁体制备及性能

为了提升钐铁氮磁体性能,分析了钐含量及合金熔炼、热处理、快淬、热压工艺对钐铁氮材料性能的影响.采用熔炼快淬法制备钐铁合金,通过球磨、氮化得到钐铁氮磁粉,采用热压法得到烧结磁体.采用X射线衍射仪、扫描电子显微镜和振动样品磁强计测量样品结构和磁性能.结果表明：样品中各相含量与熔炼方法、热处理条件具有较强的依赖关系;当热压温度约为290℃时,样品可获得最大形变速率;在625 MPa、500℃条件下样品块体密度为6.65 g/cm~3,矫顽力约为800 kA/m,剩磁约为0.59 T.     

基于分层抽样的不均衡数据集成分类

不均衡数据分类是数据挖掘领域的一个难点问题,对多数类样本进行降采样可简单且有效地解决不均衡数据处理面临的两大核心问题,即如何从数类占绝对优势的数据集合中最大程度地挖掘少数类信息;如何确保在不过度损失多数类信息的前提下构建学习器.但现有的降采样方法往往会破坏原始数据结构特性或造成严重的信息损失.本研究提出一种基于分层抽样的不均衡数据集成分类方法 (简记为EC-SS),通过充分挖掘多数类样本的结构信息,对其进行聚类划分;再在数据块上进行分层抽样来构建集成学习数据成员,以确保单个学习器的输入数据均衡且保留原始数据的结构信息,提升后续集成分类性能.在不均衡数据集Musk1、Ecoli3、Glass2和Yeast6上,对比EC-SS方法与基于随机抽样的不均衡数据集成分类方法、自适应采样学习方法、基于密度估计的过采样方法和代价敏感的大间隔分类器方法的分类性能,结果表明,EC-SS方法能有效提升分类性能.     

时空关联自适应追踪目标特征学习

目标追踪是近年来视觉领域的一个研究难题,其核心任务是在视频序列中持续定位目标并使用边界框标注其位置.已有的追踪方法大多采用目标检测的思路,将视频序列按帧分开对目标进行单独检测.这种策略尽管充分利用了当前帧信息,却忽略了帧与帧之间的时空关联信息,而这些信息是适应目标外观变化并完整检测目标的关键.为解决这一问题,提出了时空关联的自适应追踪目标特征学习框架时空孪生网络(STSiam),该模型利用视频序列间时空关联信息,通过目标定位和目标表征两个阶段,对目标进行准确定位和实时追踪.目标定位阶段,STSiam自适应地捕捉目标及其周围的变化特征,更新目标匹配模板,确保其尽量免受外观变化影响;目标表征阶段,STSiam关注不同帧对应区域之间的空间关联信息,利用目标定位锁定区域并学习目标边界框修正参数,确保边界框尽量贴合目标.该模型网络架构基于离线训练,在线追踪时无需更新模型参数,确保其实时追踪速度.在广泛使用的OTB2015、VOT2016、VOT2018和LaSOT数据集上进行了一系列实验验证,相较于已有方法,STSiam在准确率、鲁棒性和速度方面均取得领先性能.     

样本自适应的不平衡分类器

大数据时代,不平衡数据分类在实际应用场景中频繁出现。以二分类为例,传统分类器由于较难学习少数类数据集内部的本质结构,容易将少数类样本错误分类。针对这一问题,一种有效的解决方法是在传统的方法中引入代价敏感机制,为少数类样本赋予更高的误分代价以提升其预测精度。这类方法同等对待了同类样本集中的数据,然而同一类内的不同样本可能对训练过程有不同程度的贡献。为了提升代价敏感机制的有效性,样本自适应的代价敏感策略为不同的样本赋予不同的权重。首先,通过考察样本局部的类分布情况,判断其距离两类样本边界的远近;然后,根据边界分布理论,即距离决策面越近的样本对决策面位置的影响越大,为距离两类样本边界越近的样本赋予越高的权重。实验过程中,通过将样本自适应代价敏感策略应用于LDM,并在标准数据集上进行一系列对比实验,验证了样本自适应代价敏感策略在处理不平衡数据分类问题上的有效性。     

价值样本选取的不均衡分类

基于传统模型的实际分类问题,不均衡分类是一个常见的挑战问题。由于传统分类器较难学习少数类数据集内部的本质结构,导致更多地偏向于多数类,从而使少数类样本被误分为多数类样本。与此同时,样本集中的冗余数据和噪音数据也会对分类器造成困扰。为有效处理上述问题,提出一种新的不均衡分类框架SSIC,该框架充分考虑数据统计特性,自适应从大小类中选取有价值样本,并结合代价敏感学习构建不均衡数据分类器。首先,SSIC通过组合部分多数类实例和所有少数类实例来构造几个平衡的数据子集。在每个子集上,SSIC充分利用数据的特征来提取可区分的高级特征并自适应地选择重要样本,从而可以去除冗余噪声数据。其次,SSIC通过在每个样本上自动分配适当的权重来引入一种代价敏感的支持向量机(SVM),以便将少数类视为与多数类相等。     

磁性FeNi@C/Cu纳米颗粒制备及除油应用

为了处理港口码头薄油膜污染，在氩/氢气氛下利用电弧法制备Fe_0.64Ni_0.36为主相的合金纳米产物，采用水热法和高温碳化法制备碳包覆的核壳磁性FeNi@C/Cu复合纳米颗粒.对合金粒子以及碳包覆后的复合纳米颗粒进行表征及性能检测.结果表明：FeNi合金纳米粒子呈球状，500℃下制得的粒子饱和磁化强度最高，可以达到101.09 A·m²/kg,比常温下制备的粒子提升16.0%.利用FeNi@C/Cu复合纳米颗粒对煤油、柴油与机油的除油能力分别为3.18、3.43和3.46 g/g,表明FeNi@C/Cu复合纳米颗粒具有良好除油性能.