纵向磁场沉积态(F/SiO_2)_3/Ag/(SiO_2/F)_3多层复合结构膜的巨磁阻抗效应

采用射频溅射法分别在零磁场和72kA/m的纵向静磁场下,制备了结构为(F/SiO2)3/Ag/(SiO2/F)3(F=Fe71.5Cu1Cr2.5V4Si12B9)的多层复合膜.研究了沉积态样品的软磁特性和巨磁阻抗(GMI)效应.结果表明,在无磁场沉积态样品中未探测到GMI效应.在沉积过程中加纵向磁场明显优化了材料的软磁性能,从而获得显著的GMI效应.在6.81MHz的频率下,最大纵向和横向GMI比分别高达45%和44%.同时还分析了磁阻抗比、磁电阻比、磁电抗比和有效磁导率比随频率变化的行为,发现磁场沉积态样品的纵向和横向GMI效应随频率变化的频谱曲线几乎重合.阻抗在低频下主要是巨磁电感效应.当频率f>9MHz时,磁电抗比变为负值,即电抗的性质从电感性变成了电容性.     

电液动力微泵的制作及实验研究

提出一种基于MEMS加工技术的新型电液动力微泵,介绍了电液动力微泵的工作机理和分类;从材料的选取,微电极的优化设计及电液动力微泵的封装工艺几方面介绍了电液动力微泵的制作过程;进行了针对不同工作流体和微通道尺寸的电液动力微泵的静压力实验和流动试验.实验结果表明:当施加90V驱动电压时,微泵最高能得到268Pa的静压头,微泵驱动流体的最大流速可以达到106μL/min;本文分析了微泵与热管相结合解决大功率电子芯片的散热问题前景,微泵所驱动的液体在热管的蒸发段完全气化,可实现的最大散热能力可达到87W/cm2.     

洪水分类的可变集原理与方法

洪水分类是提高洪水预测精度的一个有效途径．根据可变集的对立统一数学定理,提出洪水分类可变集原理与方法,将辩证法基本规律的数学定理应用于洪水分类．对在工程技术领域中运用辩证思维分析问题、研究问题具有启迪意义．结合黄河支流秃尾河流域15场洪水分类实例,通过对分类结果的比较与分析,指出集对分析分类法存在的错误,而可变集方法理论严谨,计算简便,且其分类结果客观、精确,符合实际情况．研究表明在解决分类问题中,不但要求成果的合理性,而且要求方法的科学性．     

基于踪迹挖掘的自动缺陷警报分类方法

缺陷检测一般包括静态分析与人工确认两个阶段.静态缺陷检测工具报告大量警报,但是主要的警报确认工作仍然由人工完成,这是一件费时费力的工作.巨大的确认投入,会导致测试人员和管理人员拒绝使用该静态检测工具.为了辅助警报确认工作,提出一种基于警报踪迹挖掘的警报分类方法,使用该方法挖掘警报踪迹进而将代码结构相似警报分为一类,使得分类后的最终警报报告更加易于人工确认.实验表明,该方法能够在较大规模的软件测试过程中分类测试结果,提高警报确认效率.     

水滑石晶体生长机理

从“生长基元”角度出发,研究了水滑石晶体生长机理,结果表明水滑石生长形态符合负离子配位多面体生长模型．采用Raman光谱分析了镁铝水滑石、铜镁铝类水滑石、铜锌镁铝类水滑石生长溶液拉曼位移,发现镁铝水滑石层板生长基元是[Mg-（0H）6]^4-,[Al-（0H）6]^3-;含铜锌类水滑石的生长基元是[Mg-（0H）6]^4-（M=Zn^2＋,Cu^2-）,[Mg-（0H）6]^4-,[A1-（0H）6]^3-,水滑石的生长是生长基元先叠合为金属板层,然后再吸附阴离子A”及H：0,依此循环而组成层状化合物．水滑石生长基元所处生长环境不同,会使生长形态不同,以至形成不同外形的水滑石．文章还分析了为什么含铜类水滑石较难合成的原因．     

一种H．264／AVC去方块效应滤波算法

针对去方块效应滤波的边界强度判断争滤渡过程计算量大的情况,本文提出了一种新的去方块效应滤波算法,分别对边界强度判断和穗渡过程的算法进行优化。综合两部分的优化算法,通过实验结果得知,降低的算法复杂度乎均值达到了9．82％、峰值信噪比（PSNR）乎均值也增加了0．119dB。该算法既降低了算法的复杂度又改善了压缩后视频的质量。     

基于特征组合的黄河源园区土地覆被分类

为了解黄河源园区地物分布格局,本文以黄河源园区为研究对象,利用Landsat 8 OLI影像获取其光谱、植被、水体和纹理特征,采用Relief F算法对所有特征进行重要性排序,选出前8个特征作为优选特征;基于随机森林(RF)方法研究不同特征组合对分类结果的影响,为评估RF方法的效果,对优选特征组合,采用决策树、K近邻、...     

基于多模块关系网络的2D足迹分类

由于足迹数据的样本量有限,类间差小、类内距大,一般方法难以获取有效的足迹特征表示,导致足迹分类准确度不高.针对双模态2D足迹分类问题,文中提出一种基于小样本学习的多模块网络算法(MulRN),该算法在嵌入单元与关系单元使用了多个模块来提高网络的特征提取能力与特征度量能力,使用具有多分支结构的Inception模块与MR...     

基于耳蜗图多示例分析的音频场景分类模型

音频场景分类(Acoustic Scene Classification, ASC)是计算听觉场景领域最具挑战的任务之一。传统的ASC模型大多采用基于线性频率分析的手工特征加基于深度学习的分类模型方法。然而,一方面,由于基于线性频率分析的特征提取方法无法模拟人耳基底膜的非线性频率选择特性,从而造成特征分辨率低下的问题;另一方面,现有的分类模型无法解决由于音源复杂且音频事件高度重叠所造成的分类准确率低下的问题。为了解决以上问题,提出了基于耳蜗图多示例分析的音频场景分类模型,一方面采用中心频率按照等效带宽均匀分布的余弦滤波器组对信号频谱进行滤波以模拟人耳听觉感知特性;另一方面,通过引入多示例学习刻画整个数据结构的特点以提高分类准确率。此外,为了抵抗音频事件的频移影响,在多示例学习分类模型的分类预测整合器中采用平均池化方法。在DCASE 2018和DCASE 2019竞赛所提供的Task1a数据集上的实验结果表明,本文提出的模型比DCASE 2018竞赛所提供的基线系统以及传统的基于Log Mel特征提取和多示例学习的模型实现了更高的分类准确率,同时也验证了平均池化要优于最大池化。     

低维Hom-Jacobi-Jordan代数的分类

先定义Hom-Jacobi-Jordan代数,然后用这类代数线性映射的Jordan标准形和待定系数法给出低维Hom-Jacobi-Jordan代数的同构类.