金属-有机框架在锂离子电池正极材料中的应用

金属-有机框架(MOFs)材料具有容易制备、高孔隙率、容量大、种类丰富等优点,在能源储存和转化领域受到广泛关注,是合成高性能电极材料的潜在模板.本文介绍MOFs直接应用于锂离子电池正极材料的研究进展,重点综述了MOFs衍生材料(硫化物、氟化物、聚阴离子型化合物或锂的过渡金属酸盐)的制备方法,及其在锂离子电池正极中的应用.最后总结MOFs及其衍生材料在锂离子电池正极材料的应用方向及发展前景,为新型电极材料的开发提供参考经验.     

基于支持向量机的轰炸机敏感性权衡优化

生存力中敏感性方案的设计及改进是一个效益和代价不断权衡的过程。针对轰炸机敏感性权衡中的效益-费用优化问题,研究了基于支持向量机的轰炸机敏感性权衡方法。建立支持向量机代理模型,简化了敏感性的计算,并利用交叉验证和网格搜索对模型参数进行优化;拟合了轰炸机敏感性参数与增加费用的函数关系,将灵敏度理论引入敏感性权衡中,从最优效费比的角度出发,确定敏感性参数的取值范围。最后通过仿真验证了方法的可行性。结果表明,该权衡优化方法能够在费用约束条件下对敏感性参数的取值范围进行优化,在保证精度的同时提升了计算效率。     

一种多阶段发酵过程的联合加权支持向量机建模方法

发酵过程是一类具有多阶段特性的间歇过程,在建立其多阶段模型时,各阶段子模型的融合方法特别是过渡阶段的处理方法是研究重点。针对发酵建模过程中过渡阶段的处理问题,提出了一种联合加权支持向量机(SVM)建模方法,利用阶段划分得到的隶属度函数对训练样本数据进行扩展,进而直接建立发酵过程的多阶段模型。实验结果证明,所提出的方法能够很好地处理各阶段间的过渡过程,提高了模型精度。     

八种最小二乘SVM型学习算法的优势比较

我们知道,支持向量机(Support Vector Machine,SVM)型学习算法的计算复杂性和稀疏性对分析和处理大数据来说是非常重要的两个因素,尤其是对高维数据.学者们针对这两个因素做了大量的研究,提出了许多改进的SVM型算法,常见的有基于最小二乘技术的SVM型算法和孪生SVM型算法.它们当中,有些算法的出发点基本相同,但是求解方法上略有不同;有些算法有明显不同的出发点,其所构建的最优化模型也不相同.选取八个较具代表性的最小二乘SVM型算法,分析和比较它们之间的优势和劣势,以期读者更加深入的理解这类算法,且在应用于实际问题中时更具有选择性.     

一种室内分体式自动铺砖机的控制系统设计

铺贴瓷砖作为室内装潢的一道重要工序,传统手工铺砖存在着效率低、一致性差等缺点。基于此,设计分体式自动铺砖机的控制系统及其组态画面,借助PLC、传感器和伺服电机控制其供料、水平、垂直方向的位移和瓷砖铺贴过程,实现精确、高效、连续化的铺砖作业,具有效率高、成本低、一致性好等优点。     

代价敏感多主题学习的邮件过滤算法

针对传统邮件分类模型中较少对邮件主题进行描述和分析的问题,提出一种代价敏感多主题学习的邮件分类算法,用以实现垃圾邮件过滤.首先,基于LDA(潜在狄利克雷分布)对邮件的多个主题进行提取,对邮件语义进行描述;其次,利用CS-SVM(代价敏感支持向量机)对邮件进行代价敏感学习,实现对不同类别邮件的惩罚;最后,结合MI-SVM(多示例支持向量机)进行代价敏感的多主题学习,实现邮件分类.实验采用四组ling-spam处理数据集.实验结果证明:该分类算法较比传统邮件分类算法,可以取得更高的准确性、特异性与敏感性.     

基于L_1范数支持向量分类机的算法扰动设计

普通向量分类机算法普遍有效率低下、算法复杂的缺点,为了进一步降低计算量,提高算法效率,提出了支持向量机算法.该算法将二次规划问题转换为线性规划问题,同时可以进行优化降次.结果显示,在数据量较大的情况下可以迅速并较为准确地处理大量数据,面对较为困难的数据处理时可以实现数据的有效分类.     

多壳层空心MOFs材料对水体中抗生素的高效吸附

通过多步生长及刻蚀的策略构筑了不同壳层空心结构的金属-有机框架材料(MOFs),研究了实心MIL-101、单层空心MIL-101(SSHM)、双层空心MIL-101(DSHM)和三层空心MIL-101(TSHM)对水体中抗生素的吸附行为.吸附数据表明壳层数的增加有利于土霉素和四环素吸附,其中三层空心MIL-101对土霉素和四环素的吸附量分别达到76和95 mg/g,吸附效率达到76%和48%,达到实心材料3倍吸附效率.循环测试表明TSHM对水体中抗生素吸附效率比较稳定,经过4次吸脱附后仍然具有良好的结晶性和形貌稳定性.研究表明MOFs中暴露更多的活性位点和多壳层结构有利于提高客体分子的吸附和存储,对多壳层MOFs材料拓展吸附应用方面具有指导意义.     

葡萄防寒土清除机研究现状及展望

阐述了我国葡萄防寒土清除机的主要机型和机型特色,并分别对其动力输出、传动系统、清土部件、调节机构以及机械适用性进行了分析。总结了葡萄防寒土清除机的研究现状,并对未来发展趋势作出展望。     

Flink平台下的分布式平衡级联支持向量机

支持向量机（Support Vector Machines,SVM）在分类和回归领域都是非常强大的工具，但在大数据环境下，其面临资源占用过高和寻优速度慢等问题.目前利用大数据框架实现的SVM，虽然优化了寻优速度慢的问题，但其预测精度与直接训练方式相比存在一定的差距，此外其并没有对训练节点的资源进行合理配置.故提出一种Flink平台下的分布式平衡级联向量机，该方式在之前的基础上将数据集分成含有相同比例样本的平衡子集，并对子集的训练参数进行放缩；同时，结合Flink下迭代作业的动态资源分配策略，将各节点资源最小化为刚好满足训练需求.对该方法的有效性进行阐述，对比多个数据集在不同训练方式下的资源占用和模型精度，实验结果表明，采用所提出的训练方式能合理灵活地对资源进行配置，同时将模型预测精度误差降低到0.1%以内.