离子交换法制备磷掺杂三氧化钨及光催化降解亚甲基蓝性能

以钨酸钠和磷酸氢二钠为前驱物和磷源,经水热煅烧后,利用离子交换的方法,成功合成了一种高效、稳定的磷掺杂三氧化钨(P-WO3)的光催化剂,利用SEM,TEM,XRD,FT-IR分析其形貌结构以及组成,并以P-WO3为催化剂,在可见光下降解处理亚甲基蓝.结果表明,在可见光的照射下,亚甲基蓝质量浓度为10mg/L,溶液pH为9,催化剂用量为30mg,在120min内对亚甲基蓝的降解率可达89.2％,接近于空白WO3的3倍,且P-WO3也表现出较好的稳定性.     

结合流形结构与柔性嵌入的多标签特征选择

将线性回归模型与流形结构相结合,构成了弱线性多标签特征选择的联合框架。首先,用最小二乘损失函数来学习回归系数矩阵;其次,通过标签流形结构来学习数据特征的权重矩阵;再次,用L2,1-范数来约束回归系数矩阵和特征权重矩阵,这样既能引导稀疏性,又有利于特征选择。此外,设计并证明了具有收敛性的迭代更新算法来解决上述提出的问题。最后,所提出的方法在多个经典多标签数据集上进行了验证,实验结果表明了所提算法的有效性。     

全球多国竞相布局非洲数字经济

<正>非洲作为全球数字经济的蓝海，吸引各大经济体关注和参与。目前，欧美日等国着力建设对非数字合作机制、出台合作战略、打造合作抓手，加强对非研究及能力建设合作，并在互联网、数字基础设施、初创企业投资等方面深化务实合作。     

强干扰影响下基于干扰补偿的大飞机智能自适应控制

针对强干扰影响下的大飞机增稳控制问题,提出了一种基于干扰补偿机制的智能自适应控制策略.首先,针对强风扰影响下的大飞机面向控制模型,设计了一种耦合多变量干扰观测器,对大飞机模型中的综合不确定及干扰进行快速精确估计,并用于闭环系统的控制器补偿.在此基础上,通过结合快速超螺旋滑模控制算法与自适应动态规划策略,提出了一种新型的有限时间鲁棒自适应控制器.该控制策略在理论上能够实现强干扰影响下的大飞机有限时间精确稳定飞行控制,并通过对波音747型大飞机进行了仿真验证,可得本文提出的智能自适应控制策略能够有效地实现强风扰影响下的大飞机姿态快速稳定与快速机动.     

力学信息学简介

数据在力学的发展中始终属于最基础和最重要的角色。在古典力学时代,通过对海量数据的总结归纳,科学大师们得出了以牛顿运动三大定律为代表的自然世界运行的客观规律。在当今时代,快速发展的力学实验自动化技术和高通量技术,使力学数据呈爆炸式增长,如何基于迅猛增长的数据来快速发现、发展和革新力学理论,成为一个迫切需要解决的问题。力学工作者可以借助当下快速发展的人工智能算法,直接智能地优化实验和生产工艺,或者利用诸如符号回归、稀疏回归和流形学习等机器学习方法对数据进行挖掘处理,发现并给出数据所遵循的公式形式,将数据上升为知识。这一人工智能和力学相结合的交叉学科便是"力学信息学"。基于力学信息学方法,古老的力学学科也必将迎来新的春天。     

模糊推理的FMT-对称I*算法

面向模糊推理的FMT(Fuzzy Modus Tollens)问题,从对称蕴涵的角度,将三I*算法推广为对称I*算法.首先,给出了FMT-对称I*算法的定义、求解原则,针对R-蕴涵算子构建了一致化表达的求解模式;针对几个常见的R-蕴涵算子,提供了具体的优化解形式.进一步地,将FMT-对称I*算法衍生到α-FMT-对称I*算法的范畴,探讨了α-FMT-对称I*算法的定义、求解原理和优化解.最后,考察了FMT-对称I*算法的置换还原性,发现其效果良好.     

甲醇储罐池火灾事故影响分析与对策

针对甲醇储罐防火堤设置,采用池火灾事故模型,对火焰的热辐射危险性进行分析与评价。结果表明:甲醇储罐防火堤内若发生池火,将产生较为严重的热辐射危害,人员发生轻度烧伤、设备轻度破坏的破坏半径为37.4m,人员发生严重烧伤、设备中度破坏的破坏的半径为21.6m,人员发生死亡、设备严重破坏的破坏半径为15.0m,造成设备完全破坏的破坏半径为12.2m。对评价中发现的安全隐患提出相应的整改措施,为企业管理决策及实现安全生产提供合理的依据。     

基于GBDT和HOG特征的人脸关键点定位

人脸关键点检测是计算机视觉领域的一个重要分支,其检测精度将在很大程度上影响人脸识别和表情分析的结果.提出一种新的解决人脸关键点检测问题的方法,即H-GBDT.H-GBDT是一种基于GBDT决策树和HOG特征的人脸关键点检测算法,该算法是将人脸图像的HOG特征作为GBDT的输入,关键点的真实坐标作为GBDT的输出来训练预测模型,在该过程中每个关键点将分纵坐标和横坐标两次在GBDT中做回归运算,并经过不断的调整GBDT和HOG特征的参数来训练出最佳预测模型.在BioID、LFW、LFPW三种数据集上验证H-GBDT算法的性能.BioID是正脸数据集,实验结果表明H-GDBT在该数据集上的检测效果最佳,其检测误差基本上可控制在2%以内;而LFW和LFPW是自然场景下的数据集,H-GBDT在这两种数据集上的检测误差一般在2%~4%之间.