等离子化学气相沉积硬膜技术研究

用等离子体化学气相沉积（ＰＣＶＤ）技术制备了ＴｉＮ、ＴｉＣ、Ｔｉ（ＣＮ）和（ＴｉＳｉ）Ｎ膜及其组合的多层膜。ＰＣＶＤ具有很好的覆盖性，ＰＣＶＤ－ＴｉＮ具有很好的耐磨、蚀性，膜与基体结合良好，因而用ＰＣＶＤ法在高速钢刀具、模具及轴承上沉积ＴｉＮ可大大提高其使用寿命。ＰＣＶＤ－ＴｉＮ和Ｔｉ（ＣＮ）膜无明显柱状晶，其显微硬度高于ＴｉＮ亦可用于高速钢刀具、模具上提高其使用寿命。ＰＣＶＤ－（ＴｉＳｉ）Ｎ，晶     

金属基体表面热熔敷玻璃涂层耐蚀性研究

利用斑点试验、点蚀试验、电化学测试及扫描电镜等方法，研究了熔敷温度、保温时间和稀土添加量等工艺参数对热熔敷法制备的玻璃涂层耐蚀性的影响，探讨了添加稀土提高玻璃涂层耐蚀性的机理。试验结果表明，采用热熔敷法制备的玻璃涂层有较好的耐蚀性。随着熔敷温度的提高和保温时间的延长，形成了一定量的晶相后会降低涂层的耐蚀性。试验结果表明，熔敷温度为700℃、保温5min后能够得到耐蚀性良好的玻璃涂层。添加稀土提高了釉料的软化温度和熔融釉料的粘度，阻止了结晶形核和晶核长大，减少了晶相，同时提高了涂层的电极电位，使涂层耐蚀性显著提高。当稀土含量为2％时，涂层的耐蚀性较好。     

羧基化氧化石墨烯的制备及其电化学性能

以Hummers法为基础一步合成了氧化石墨烯,并制备了羧基化石墨烯.用热失重、红外光谱法、XRD衍射以及扫描电子显微镜对羧基化石墨烯的官能团及结构进行了表征.并用循环伏安法和差分脉冲伏安法进行了电化学性能分析.结果表明制备的羧基化石墨烯不但具有较好的水溶性,而且具有较好的电催化作用.     

反对称正交反对称矩阵反问题的最小二乘解

主要讨论反对称正交反对称矩阵的反问题的最小二乘解.首先,在反对称正交反对称矩阵的集合范围内求出了矩阵方程AX=B的最小二乘解;其次,求出其中与给定矩阵的最佳逼近解;最后给出了求解此类问题的算法和例子.     

碳纳米管的制备及其在电化学中的应用研究进展

介绍了碳纳米管的制备方法,对碳纳米管在电化学中的应用及其催化机理进行了概述,并对其应用前景进行了展望.     

二氧化钛/碳纳米管复合纳米材料的制备和表征

采用溶胶-凝胶法,以钛酸四丁酯为前驱体,分别制备了二氧化钛/碳纳米管(TjO,2,/CNT)复合纳米膜电极和TiO,2,/CNT复合纳米粉体材料,利用UV-Vis,EIS等方法对复合纳米膜电极进行了表征,利用SEM对TiO,2,/CNT复合纳米粉体材料进行了观察,并测定了该材料对甲基橙光降解的催化活性.结果表明,复合TiO,2,/CNT纳米材料比单独TiO,2,纳米材料具有更高的化学活性.     

基于二阶谱的海面微波散射特性仿真

基于波面的二阶谱特征,研究了粗糙海面后向散射特性并进行了数值仿真。仿真结果表明,在散射模型中考虑海浪波面的二阶谱特征时,海面微波后向散射特性呈现出随方位角和入射角等参量变化的差异,体现了粗糙海面的非线性效应。     

D3DQN-CAA:一种基于DRL的自适应边缘计算任务调度方法

为解决已有基于深度强化学习的边缘计算任务调度面临的动作空间探索度固定不变、样本效率低、内存需求量大、稳定性差等问题,更好地在计算资源相对有限的边缘计算系统中进行有效的任务调度,在改进深度强化学习模型D3DQN（Dueling Double DQN）的基础上,提出了自适应边缘计算任务调度方法D3DQN-CAA.在任务卸载决策时,将任务与处理器的对应关系看作一个多维背包问题,根据当前调度任务与计算节点的状态信息,为任务选择与其匹配度最高的计算节点进行任务处理;为提高评估网络的参数更新效率,降低过估计的影响,提出一种综合性Q值计算方法;为进一步加快神经网络的收敛速度,提出了一种自适应动作空间动态探索度调整策略;为减少系统所需的存储资源,提高样本效率,提出一种自适应轻量优先级回放机制.实验结果表明,和多种基准算法相比,D3DQN-CAA方法能够有效地降低深度强化学习网络的训练步数,能充分利用边缘计算资源提升任务处理的实时性,降低系统能耗.     

各种对称性下挠曲电系数的Kronecker张量积表示

Kronecker张量积在描述材料系数的对称性方面具有重要作用.通过首次构建符合挠曲电系数对称性的正交旋转张量4次Kronecker幂,推导了7大晶系、32类晶体点群及各向同性下挠曲电系数的矩阵结构表示,这些结果包含了独立的挠曲电系数个数及其具体的分量形式.通过与前人的工作对比,验证了本文结果的正确性.     

利用证据神经网络的多分类器系统构造

为了充分利用数据信息进而提高分类正确率,提出一种证据神经网络的分类器,并据此构造了多分类器系统。首先将训练数据中的含混数据视为新类别——混合类,将原始的训练数据重组成含有混合类的训练数据,然后使用证据神经网络分类器系统用重组后含混合类的训练数据进行训练,对分类输出进行证据建模,并使用多种不同的证据组合规则实现多分类器融合。采用人工数据集和UCI数据集进行对比实验,结果表明:与其他采用神经网络的多分类器系统相比,采用证据神经网络的多分类器系统能有效提高分类正确率;在数据集Magic 04和Waveform2上,采用提出的多分类器系统比采用投票法的神经网络多分类器系统的分类正确率分别提高了6%和10%左右。