PA6抗菌纤维的研制与开发

探讨了PA6抗菌纤维的生产工艺,并与普通纤维进行了比较。结果表明:添加银离子抗菌剂质量分数为2%,抗菌效果较好。PA6抗菌纤维纺丝温度比普通纤维低5～7℃,选择卷绕角度应为1.2°～1.4°,纺丝速度不低于4 000 m/min,控制纺丝张力14 cN,卷绕头接触压力120 N,含油率0.5%～0.8%,可生产出质量合格的83 dtex/23 f PA6抗菌DTY产品。     

便携式薄膜热电偶测温传感器

介绍了ＢＭＢ—Ｉ型便携式薄膜热电偶测温传感器，以陶瓷片作为基体材料，较好地解决了绝缘以及镀膜牢固性问题．该薄膜热电偶测温范围０—１２００℃，测量精度为０．５％Ｆ．Ｓ，时间常数小于５０ｕｓ。可广泛用于各种科研和生产行业。     

基于D-S证据理论的审计证据评价系统设计

在信息技术迅速发展的背景下,利用计算机技术进行审计证据的处理与评价具有重要意义。D-S证据理论能够进行不确定性推理,可以用于处理审计证据判断的不确定性,因此开发基于D-S证据理论的审计证据评价系统是可行的。在阐述D-S证据理论基本原理的基础上,分析审计证据评价系统的功能需求,设计系统的功能结构,阐述审计证据合成模块的程序流程,并基于B/S结构实现该软件系统。该系统能够提高审计证据的证明效力,降低审计风险。     

增强型单类支持向量机

现有基于超平面的单类分类器,包括one-class SVM(OCSVM)和马氏one-class SVM(MOCSVM),由于未考虑数据的结构信息或粒度较粗,寻找的超平面很可能是次优解.为此,增强型单类支持向量机(enhanced OCSVM,EnOCSVM)通过在现有SVM算法中加入数据先验信息以克服其不足.首先,EnOCSVM通过聚类得到数据的内在分布簇,而后将各簇结构信息嵌入到OCSVM框架中,最大化间隔的同时,优化输出空间中各簇数据的繁性.由于保留了SVM框架不变,EnOCSVM仍具备原算法的全部优点,并因结合了数据的簇结构信息而具有更好的推广性.标准数据集上的实验表明,EnOCSVM的推广性能较OCSVM和MOCSVM均有显著提高.     

焦炭颗粒的平均细度对沥青基炭复合材料性能的影响

采用新型模压半炭化成型工艺制备出高密度、低成本的焦炭颗粒增强沥青基炭复合材料。研究了焦炭颗粒的平均细度对焦炭颗粒增强沥青基炭复合材料的密度和抗压强度的影响趋势，并从数学上分析了密度对抗压强度的影响规律。结果表明：沥青基炭复合材料的密度和抗压强度随焦炭颗粒平均细度的增大而增加。在本试验条件下，当沥青焦的平均细度由44．2目增加到206．3目，沥青基炭复合材料的密度和抗压强度可从1．28g／cm^3和10．1MPa增加到1．77g／cm^3和55．0MPa。     

多涂层炭/炭复合材料抗1500℃燃气冲刷性能的研究

为提高炭/炭(C/C)复合材料的抗高温燃气冲刷性能,分别采用包埋法、化学气相沉积法和料浆法在其表面制备了三层涂层.借助扫描电镜、电子能谱等测试手段对涂层试样的微观结构进行了分析,同时研究了涂层C/C复合材料在高温风洞环境中的抗冲刷性能,并分析了涂层在燃气冲刷环境下的失效原因.结果表明:三层涂层由MoSi2-SiC-Si多相内涂层、SiC中间层和玻璃外涂层构成,其厚度分别为80μm, 20μm和80μm.该复合涂层可在1500℃风洞环境下对C/C复合材料有效保护53h.涂层在高温风洞中防氧化失效是由于涂层在热冲击以及承受气流冲击的恶劣环境下开裂引起的.     

基于自监督知识的无监督新集域适应学习

无监督域适应(unsupervised domain adaptation,UDA)旨在利用带大量标注数据的源域帮助无任何标注信息的目标域学习.在UDA中,通常假设源域和目标域间的数据分布不同,但共享相同的类标签空间.但在真实开放学习场景中,域间的标签空间很可能存在差异.在极端情形下,域间的类别不存在交集,即目标域中类...     

沥青基炭复合材料新型制备工艺的特征研究

高温模压工艺是由模压成型工艺演绎而来的一种快速成型技术,但在制备沥青基炭复合材料时,该工艺明显存在着装备投资大、模压压力低和工艺实用性差的不足.为此,提出了一种新型的沥青基炭复合材料的制备工艺,即模压半炭化成型工艺(简称MSCT工艺) .为了验证MSCT工艺的突出优点,分别利用MSCT工艺和模压工艺制备了沥青基炭复合材料,并就其组织结构、体积密度和力学性能进行了研究.结果表明:MSCT工艺制备的沥青基炭复合材料的微观组织比模压工艺制备的要致密的多,从而使前者的体积密度( 1 .77g/cm3 )和抗压强度( 32 .5 MPa)分别比后者提高了2 8.3%和1 44 .4% .     

最小二乘支持向量机分类的稀疏化方法研究

最小二乘支持向量机在提高求解效率的同时,会丧失解的稀疏性,导致其在预测新样本时速度较慢。为此,提出一种稀疏化最小二乘支持向量机分类算法。在特征空间中寻找近似线性无关向量组,构造分类判别函数的稀疏表示,相应的最小二乘支持向量机优化问题可以通过线性方程组求解,从而得到最优判别函数。实验结果表明,该算法在不损失分类精度的前提下,能够获得比最小二乘支持向量机更快的预测速度。