阴离子F掺杂SOFCs阴极La1?xSrxCo1?yFeyO3?δ的氧还原性能

固体氧化物燃料电池(SOFC)因其高效、清洁及便携性等优点被认为是当前最具应用前景的新能源技术之一。传统SOFC较高的工作温度（>800 ℃）限制了其商业推广,降低其工作温度成为当前研究的热点。钙钛矿阴极材料La_1?xSr_xCo_1?yFe_yO_3?δ(LSCF)因具有较高的电子离子混合导电性而成为中温SOFC阴极材料的较佳选择,同时实验证明F替代O位能有效提升SOFC稳定性。基于已有实验报道,本文采用第一性原理计算了F掺杂对LSCF电子结构影响、氧气分子在(100)表面吸附能的变化、阴极体内氧空位形成能及氧离子迁移活化能的影响。通过与未掺杂材料性能的比较,证明:适量F掺杂LSCF在有效提升阴极表面对氧气分子吸附能力同时能进一步提高体内氧离子迁移效率,从而提升阴极氧化还原反应能力。      

隐目标回归算法设计研究

对常用的回归方法进行研究.此类方法虽然几何解释明确、易于求解,但均须事先确定(或假定)变量间的因果关系,再考虑建模,在实际应用中,对于很难确定变量的因果关系的问题,如物联网数据分析,上述方法就会失效.为此,提出一种无需假定因变量的隐目标回归方法.该方法易于核化,可以推广到非线性回归问题.通过人工数据和国际标准数据集上的实验验证了所提算法的有效性.     

药用中间体苯丙酮含量的气相色谱/质谱分析

苯丙酮是合成利胆药苯丙醇的重要中间体。本文建立了用气相色谱 /质谱法 (GC/MS)测定苯丙酮含量的方法。组分的定性依靠GC/MS联用技术和NIST谱库标准质谱图对照分析。以苯乙酮为内标 ,苯丙酮含量在 1.0× 10 -5～ 2 .0× 10 -4g/mL范围内呈线性 ,线性相关系数r =0 .994 9,苯丙酮最低检测浓度为 1.0× 10 -8g/mL。该法操作简便、快速 ,结果准确可靠 ,且具有很好的实用价值     

基于UC/GUI的嵌入式GUI在S3C 2410上的移植

嵌入式图形用户界面为嵌入式系统提供了人机交互界面,大大方便了嵌入式系统的人机交互,进而加速了嵌入式系统的流行。选择了基于UC/GUI的嵌入式GUI作为移植对象,并详细介绍了将其移植至S3C2410开发平台上的技术。该移植技术对于其他的嵌入式开发板也具有一定的参考价值。     

压电双晶片型旋转精密驱动器动态特性和控制

提出了以自由端带有集中质量的悬臂式压电双晶片为驱动单元的新型冲击式旋转精密驱动器.制作了驱动器样机,建立了基于Lugre摩擦模型的驱动器动力学模型.对驱动器动态特性进行了仿真分析和实验对比研究.根据驱动器的动态特性,提出了冲击式压电双晶片型精密驱动器特定的定频调压控制方法.仿真分析结果和实验结果吻合较好,表明该动力学模型符合驱动器的动态特性,可用于对冲击式压电双晶片型旋转精密驱动器的理论分析.     

生物滴滤器净化苯/甲苯废气的对比

在不同模拟工况下研究生物滴滤器对低浓度苯、甲苯气体的净化性能.以苯和甲苯为目标污染物,采用陶瓷拉西环作为生物滴滤器填料,选用先期筛选驯化的苯、甲苯专性降解菌种对填料进行接种挂膜.结果表明:在气体流量为60～150L/h(对应的苯、甲苯停留时间分别为11.25～28.12s和10.6～26.4s),苯、甲苯入口气体浓度分别为0.61～4.14g/m3,0.43～4.40g/m3的条件下,生物滴滤器对苯、甲苯的最大生化去除负荷分别为333g/(m3.h)和593.4g/(m3.h),甲苯与苯相比更易被微生物降解,镜检表明苯、甲苯系统生物膜中的优势菌种都为短杆菌,密度分别达2.3×109CFU/ml和1.52×1011CFU/ml.     

基于RFID技术的仓库综合管理系统

为保证大型物流企业仓库的安全,提高仓储效率,提出了一种基于RFID技术构建综合仓库管理系统的思路与方法.系统具有报警功能,可对货物自动进行存储统计.介绍了系统的结构、模块的功能、硬件设计以及软件设计的系统流程,阐述了基于动态二进制的系统防碰撞算法.     

基于Word2Vec词嵌入和聚类模型的安全生产事故文本案例分类

安全生产事故的分析对应急管理能力提升具有重要意义.通过对安全生产案例的语义分析,利用Word2Vec词嵌入技术和聚类模型,选用CBOW+负采样技术实现词向量,并结合安全生产事故案例分类的数据特点,通过基于半监督学习的聚类模型算法,根据事故性质的认定特点,提出了一种优化初始聚类中心的算法,并利用K-means聚类算法实现安全事故文本案例的分类.实验表明该方法较好实现安全生产的事故案例分类,并对安全生产事故的多个维度分析具有很好借鉴意义.     

结合CNN与双向LSTM的心律失常分类

心律失常是心血管疾病中常见的病症之一,实现心律失常的自动分类对心血管疾病的诊治具有重要意义.基于一维心电信号的心律失常分类方法以若干节拍作为输入,通过模型提取特征并用于分类.针对现有方法预处理时间成本高以及未按医疗仪器促进协会(AAMI)标准分类等问题,提出了一种基于原始一维心电信号并按照AAMI推荐标准类别进行心律失常自动分类的方法.该方法首先利用卷积神经网络(CNN)学习心电信号的形态特征,之后通过双向长短期记忆网络(BLSTM)获取特征中的上下文依赖关系,最后借助softmax函数完成分类任务.方法采用mish函数作为激活函数,使得模型在训练中更为稳定.在公开数据库MIT-BIH上进行五折交叉验证,评估结果达到了99.11％的平均准确率,表明该模型可以有效地提取心电信号的特征,适用于监测系统中心律失常疾病的诊断.