形貌可控金属膦酸盐纳米杂化材料的制备及表征

在无模板剂条件下,以3种不同的金属前体——氢氧化铝、氢氧化铁和醋酸锌分别与苯基膦酸和二苯基膦酸通过水热反应制备了纳米棒和纳米片层两种形貌的纳米膦酸金属杂化材料。材料结构通过傅里叶红外光谱仪、X射线粉末衍射表征,证明了Me—O—P(Me=Al,Fe,Zn)结构和π-π堆积的存在。材料形貌通过扫描电镜表征,观察到两种截然不同的形貌——纳米棒和纳米片层结构。结果表明,膦酸前体结构在很大程度上决定了纳米结构的维度,不同金属中心对纳米结构维度的影响较小。双羟基官能度膦酸倾向于生成层状纳米结构,而单羟基官能度膦酸易于生成棒状纳米结构。热重分析数据表明,当膦酸配体引入到杂化材料中,其热稳定性大幅度提高。     

基于卷积特征聚合的细粒度图像检索方法

针对卷积神经网络（CNN）全连接层得到的是图像类别的全局语义信息,无法有效抑制背景噪声以及表示图像局部的细节信息,导致细粒度图像检索任务中负样本靠前的问题,提出了一种选择性加权来聚合卷积特征并利用k相互最近邻（k-reciprocal nearest neighbor,k-RNN）重排的图像检索方法。该方法主要是通过提取并筛选CNN最后一层特征来聚合形成单维全局特征向量,再引入k相互最近邻算法对检索出的结果进行重排。在细粒度基准数据集CUB-200-2011、室内场景数据集Indoor和普通类别数据集Caltech-101进行验证评估。实验结果表明该方法能够有效改善检索出负样本靠前的问题,相比SCDA方法,该方法检索精度及召回率有显著提升。     

基于灰色粗糙集与BP神经网络的设备故障预测

为更有效预测设备故障,提出一种基于灰色粗糙集与BP神经网络的设备故障预测模型。用灰色关联分析和粗糙集理论分别对二维故障决策表进行横向和纵向两个维度的约简,将冗余的数据和属性去掉,并将约简后的数据输入到BP神经网络,预测设备故障。最后以地铁信号设备故障预测为例进行实例验证,结果表明,该模型预测误差更小,预测准确率更高。