等离子体氧化nc-Si/SiO_2多层膜的蓝光发射

报道了在等离子体增强化学气相沉积 (PECVD)系统中用交替淀积 a-Si对其进行原位等离子体氧化的方法制备了 a-Si∶H/ Si O2 多层膜。随着 a-Si∶H子层的厚度从 3 .8nm减小到 1 .5 nm,a-Si∶H/ Si O2 多层膜的光吸收边和光致发光 (PL )出现了蓝移。在晶化的 a-Si∶ H/ Si O2 多层膜中不仅观察到室温下的红光带 (80 0nm)的发光峰 ,而且还观察到蓝光发射 (4 2 5 nm) ,结合 Raman,TEM和 PL测试 ,对其原因作了简单的分析     

燃气流动粒子炉加热能力的研究

本工作通过对银球和一组45号钢工件在空心刚玉球燃气流动粒子炉内的加热实验研究,分析了各操作参数、粒子特性、工件尺寸、特别是工件自身温度对传热系数h的影响规律,给出了h的计算公式,为燃气流动粒子炉的设计、预测和自动控制提供了参考依据。     

视频转换编码的快速图标插入技术研究

数字视频转换编码技术为传输带宽匹配等问题提供解决方案,在许多具体应用中,要求在转换编码时在视频图像中加入图形标识,本文对转换编码中图标插入技术进行了分析和研究,给出了一种快速图标插入转换编码技术,提出了图标插入后运动矢量及宏块模式判别等问题的优化算法,实验结果表明,使用本算法进行图标插入的转换编码流质量良好.     

Radon变换在低信噪比图像中的线段检测

Radon变换在数学理论上有重要价值,并可用于图像直线特征的提取,但是在检测线段时,Radon变换无法提供线段的端点以及长度信息,低信噪比时检测难度加大。探讨了Radon变换在低信噪比图像特征检测的适用性,分析了Radon变换的优势与不足,并从信息融合的角度出发,提出了Radon变换补充的应用策略,对低信噪比的机场跑道图像进行了验证,显示出较好的检测效果。     

南阳鸭河口发电有限责任公司＃2炉磨煤机出力低的原因分析及处理

通过对南阳鸭河口发电有限责任公司＃2炉制粉系统原工况的分析调整，找出了制粉系统出力低的原因，并提出了解决问题的方法。     

武器装备项目竞标组织管理研究与应用

随着竞争性武器装备采购市场的逐步放开和系列竞争性采购管理制度与细则的实施,军品武器装备市场竞争形势日益严峻,呈现出竞争范围不断扩大、竞争阶段逐步延伸、竞争形势更加残酷、竞争对手更加多元等特点,竞争局面呈现白热化趋势.北京航天发射技术研究所结合近年来参与武器装备竞标的实战经验,全方位、多层面、多角度、全流程地对竞争性采购项目组织管理模式进行了研究,提炼出武器装备竞标组织管理工作流程,并应用于多型武器装备竞标实战中,成功获得多个型号的研制和批生产任务.     

红外线理疗电热器

一种红外线理疗电热器，包括支架、红外线电热装置。红外线电热装置是一种薄板、平面发热式碳纤维红外电热板，其由双层阻燃、绝缘、耐热纤维板和复合于其问的混合有红外线添加材料的短碳纤维发热体构成。在发热体上接有一对电极，电极通过导线与电源相接能够发出8～21μm有助于人体健康的红外光谱，电热板的周边设有固定框，固定框的两侧水平设有转轴，转轴与所述支架相接，使电热板的角度可以调节。本实用新型低温发热、发热量均匀分布、发热体表面安全不带电，体积轻薄，使用方便，既可以当电暖气用，又可以保健理疗。     

Vo(acac)_2在Y-型分子筛上固载化的变温ESR波谱研究

固载在Y-型分子筛上VO~(2+)的多种变温ESR波谱已被报道。在较低的温度下,ESR谱由各向异性谱和各向同性谱组成,随着温度的增加,各向同性谱渐渐转变为各向异性谱,这被解释为主要是结构(Ⅰ)转变为结构(Ⅱ)。并计算了结构(Ⅱ)的△E。     

基于多元混合时序分析及灰色理论的水华藻类生长阶段多因素预测方法

在水华防治工作中,水华预测一直都是1个难点,由于藻类水华整个生成过程各阶段的变化机理不尽相同,现有预测方法采用某1个模型对水华生成的全过程进行建模预测并不合理。因此本文针对水华生成过程中持续时间最长且变化规律明显的藻类生长阶段,采用多元时序分析技术,通过对藻类生长阶段中的多特征因素时序建模分析,以影响和表征藻类生长的特征因素作为模型输入和输出,考虑藻类生长阶段的趋势性、周期性、随机性变化规律,建立多元混合时序模型,并结合灰色理论思想,改进模型预测算法,从而提出基于多元混合时序分析及灰色理论的水华藻类生长阶段多因素预测方法,以实现对包含影响因素在内的特征因素变化特性的全面描述和预测以及对模型预测精度的进一步提高。采用本文方法及传统方法分别对江苏太湖水华特征因素监测数据进行建模预测,结果表明,基于本文方法的水华特征因素预测结果与实测结果更相符、预测平均误差绝对值更小。     

基于Bagging集成学习的水华预测方法研究

随着经济社会的高速发展和工业化建设程度不断提高,水环境问题已经严重影响甚至威胁了人类的健康。近年来,国家大力推行水环境的预测预警,许多专家学者利用人工神经网络等智能方法在富营养化评价及水华预测中得到了较为广泛的运用,也取得了一定成效。然而,人工神经网络的性能受到样本训练算法等方面的影响,在选取合适的神经网络模型、算法以及设置参数麻烦、耗时。随着问题复杂程度的增加,单个网络的隐层节点数将增加很多,训练时间将大大增加,从而造成训练困难。且由于训练过度或不够,往往导致泛化能力较差。为解决此问题,本文在对湖库水华形成机理深入分析的基础上,建立了BP网络的水华预测模型,并利用Bootstrap采样技术获取不同的数据集,分别训练多个BP网络,最终将多个网络进行集成用于建立太湖流域水华预测模型。通过基于Bagging算法的集成学习,可以对样本包含的信息进行充分挖掘,更全面的刻画因素之间的相互联系和变化规律。实验表明基于Bagging算法的BP网络集成模型预测结果与单个BP网络模型预测结果对比,具有较高的预测能力,从而获得了相对理想的预测效果。