VO2/GaAs异质结的制备及其光电特性研究

采用直流磁控溅射和后退火氧化工艺在p型GaAs单晶衬底上成功制备了n-VO_2/pGaAs异质结,研究了不同退火温度和退火时间对VO_2/GaAs异质结性能的影响,并分析其结晶取向、化学组分、膜层质量以及光电特性。结果表明,在退火时间2 h和退火温度693 K下能得到相变性能最佳的VO_2薄膜,相变前后电阻变化约2个数量级。VO_2/GaAs异质结在308 K、318 K和328 K温度下具有较好的整流特性,对应温度下的阈值跳变电压分别为6.9 V、6.6 V和6.2 V,该结果为基于VO_2相变特性的异质结光电器件的设计与应用提供了可行性。     

基于VMD和BSA-KELM的高陡边坡位移预测模型研究

边坡位移的时间序列曲线存在复杂的非线性特性,传统的预测模型精度不足以满足预测要求。为此提出了基于变分模态分解的鸟群优化-核极限学习机的预测模型,并用于河北省某水泥厂的边坡位移预测。该方法首先采用VMD把边坡位移序列分解为一系列的有限带宽的子序列,再对各子序列分别采用相空间重构并用核极限学习机预测,采用鸟群算法优化相空间重构的嵌入维度和KELM中惩罚系数和核参数三个数值,以取得最优预测模型。最后将各个子序列预测值叠加,得到边坡位移的最终预测值。结果表明：和KELM、BSA-KELM、EEMD-BSA-KELM模型相比,基于VMD的BSA-KELM预测精度更高,为边坡位移的预测提供一种有效的方法。     

纳米药物非临床药代动力学的研究策略及关注要点

随着纳米技术的迅速发展，纳米药物的研发已成为目前药物创新的发展方向之一。纳米药物具有基于纳米结构的尺度效应，其药代动力学特征与普通药物相比存在明显差异，其药代动力学研究与普通药物相比也有其特殊性。本文着重探讨纳米药物的非临床药代动力学的研究策略及关注要点，包括受试物、体内/外试验、生物样本分析、数据评价分析等，期望为研发者提供参考。     

直通链路技术的发展与展望

直通链路技术己广泛应用于车联网场景。对于直通链路技术的潜在技术方向给出可行的建议，包括传统直通链路技术的增强方向，如载波聚合、使用非授权频谱等；侧行链路对于中继场景的应用扩展，包括终端到终端之间的中继，以及中继的多链接场景；在高精度定位场景使用直通链路技术。并且，给出直通链路技术与各种新技术的融合应用，如智能反射面与区块链技术，从而解决直通链路技术自身的缺陷。     

Comparison of yield and metabolites according to the types of hilling materials utilized during Glehnia littoralis sprout vegetable cultivation

Food Science and Biotechnology - Various hilling materials (rice hulls, pine sawdust, and perlite) were compared to produce sprout vegetables using beach silvertop (Glehnia littoralis Fr. Schm. ex...     

三维石墨烯-碳纳米管/水泥净浆的压敏性能

为了探索三维石墨烯-碳纳米管(G-CNTs)/水泥净浆的压敏性能,采用四电极法研究了荷载作用下GCNTs/水泥净浆的电阻率变化,并分析不同G-CNTs掺量、加载幅度、加载速度以及恒定荷载对电阻率变化的影响。研究表明:随着G-CNTs掺量的增加,电阻率呈先减小后稳定的变化趋势,在G-CNTs掺量由0.2wt%增加至1.6wt%时,电阻率下降51.8%;电阻率与温度呈负相关;G-CNTs掺量高于0.8wt%时可以显著提高水泥净浆的压敏性能,且电阻率变化率与应力应变有明显的对应关系,1.2wt%G-CNTs掺量下试件的应力灵敏系数和应变灵敏系数分别为2.3%/MPa和291;G-CNTs/水泥净浆电阻率变化率幅值随着加载幅度增大而相应增加,其电阻率变化率曲线在不同加载速度以及恒定荷载作用下均与应力-应变曲线一一对应,具有良好的压敏特性。     

基于1D CNN与XGBoost的恶意代码纹理检测

恶意代码数量已经呈现爆炸式增长,对于恶意代码的检测防护显得尤为重要.近几年,基于深度学习的恶意代码检测方法开始出现,基于此,提出一种新的检测方法,将恶意代码二进制文件转化为十进制数组,并利用一维卷积神经网络(1 Dimention Convolutional Neural Networks,1D CNN)对数组进行分类和识别.针对代码家族之间数量不平衡的现象,该算法选择在分类预测上表现良好的XGBoost,并对Vision Research Lab中的25个不同恶意软件家族的9458个恶意软件样本进行了实验.实验结果表明,所提的方法分类预测精度达到了97％.