45钢固体粉末法稀土、硼、铬、铝共渗工艺研究

研究了RE_Mg合金对固体粉末法硼、铬、铝共渗层成分、组织和性能的影响 .发现随着RE_Mg合金加入量的增加 ,渗层中Al2 O3的量不断增多 ,当RE_Mg合金加入量为 5 %时 ,渗层中出现连续致密分布的Al2 O3黑区组织 ,对此进行了性能测试和机理探讨     

新型锆质不定形耐火材料的研制

以废旧电熔锆刚玉为主要原料,采用合理的粒度级配,应用复合结合剂和外加剂以凝聚结合的方式研制成功具有高荷重软化温度、高强度、低气孔率、低烧结线变化的新型锆质不定形耐火材料。图4,表4,参3。     

储集性砂岩粒度组成的分形结构

利用崔庄地区阜宁组三种不同成因类型的砂岩粒度含量与粒径之间的双对数关系，证明了粒度组成具有自组织的分形结构。计算结果表明，三角洲远砂坝、扇三角洲的前缘砂和滨浅湖滩坝砂体粒度组成的分维分布在２￣２．５之间，并且依次减小，说明它们的自组织程度依次降低，充分反映了这三种砂体的沉积演化特征。讨论了粒度分维与砂岩粘土含量、粒度中值、分选系数和储集性之间的关系，指出分形研究是定量描述砂岩结构和储集特征的有力工     

知识的粒度计算及其应用

粗糙集理论是一种较新的软计算方法 ,可以有效地分析和处理不完备信息 .本文介绍了知识的粒度、属性的重要度及协调度等概念及计算方法 ,并给出属性的重要度在求属性集的最小约简、协调度在构造决策树方面的具体步骤 .最后 ,通过几个例子说明了这些概念和方法的有效性.     

铁酸镧超细粉末的制备

以La(NO3)3·6H2O、(NH4)2Fe(SO4)2和Fe2O3为原料,运用正交实验法确定最优实验条件,利用固-液界面法制备稀土铁酸盐超细粉末———铁酸镧.对产物进行部分物理测试,分别测定其全铁、亚铁离子含量,用扫描电子显微镜测定其形貌和粒径.结果表明,产物为均匀的圆球状纳米微粒,平均粒径76.0nm,反应中没有经过中间化合物,而是在固液界面上进行的.     

NH_4HCO_3作沉淀剂制备超细Ce-Zr-O粉末的研究

为寻求简便、合理的合成超细粉体的方法,利用NH4HCO3 作沉淀剂,通过考察料液配比、加料速度、升温速度等实验因素,得到了简单的合成超细 Ce Zr O粉末的工艺,并利用比表面积测定仪、激光粒度仪、XRD、Raman等仪器对相关产物进行了表征.结果表明:利用简单工艺合成的超细 Ce Zr O粉末具有中位粒径为0.30μm、比表面积为21.2 m2/g、悬浮性大于30 min、松装密度小于 1 g/cm3等性能,产物具有 CaF2 型的空间结构.     

基于多粒度的异质图表示

异质图表示学习旨在将图中的语义信息和异质的结构信息嵌入到低维向量空间中。目前大多数的异质图表示学习方法主要通过基于元路径、元图和网络模式的采样以保留图中同类型节点间的单粒度局部结构,忽略了现实世界中复杂异质图具有的丰富的层次结构。商空间理论中的多粒度思想可以在不同粒度内捕获节点间的潜在联系。因此,为在异质图表示中有效地保留层次结构的信息,文章提出一个基于多粒度的异质图表示方法（Heterogeneous Graph Representations Based on Multi-granularity,HeMug）。该方法首先基于不同元路径构建多个同质子图,并利用多粒度的粗化思想,将每个同质子图分别粗化形成多个多粒度子网络,以保留异质图中同类型节点在给定元路径下的层次结构。其次,利用多粒度的细化思想,将每个多粒度子网络最粗层通过现有表示学习方法获得的节点表示逐层细化,以得到节点在每个多粒度子网络下的表示。最后,设计注意力机制以融合节点在不同元路径对应的多粒度子网络下的表示。在四个真实数据集上的实验结果表明,与对比算法相比,提出的HeMug获得了更有效的节点表示。     

抗深度取证的多粒度融合图像修复网络

数字图像的真伪判别是图像安全领域中的基础问题,因数字媒体极易被攻击篡改,针对图像的取证技术得到了广泛的研究.另一方面,对图像篡改反取证技术的研究,不仅追求更逼真的图像篡改操作,也从相反的方向促进了取证技术的发展.图像修复作为基础的图像篡改操作,一直是国内外学者的研究热点.针对被修复篡改后的图像会被深度取证网络取证的问题,提出了一种抗深度取证的多粒度融合图像修复(multi-granularity fusion-based image inpainting network resistant to deep forensics,MGFR)网络.MGFR网络包括编解码器、多粒度生成模块以及多粒度注意力模块.首先,输入的破损图像被编码器编码成深度特征,深度特征通过多粒度生成模块生成3个不同粒度中间特征;然后,采用多粒度注意力模块来计算不同粒度中间特征之间的相关性并将其融合;最后,融合特征通过解码器生成输出结果.另外,所提出的MGFR网络被重建损失、模式噪声损失、深度取证损失以及对抗损失联合监督.研究结果显示,所提出的MGFR网络在拥有较好的修复性能的同时能成功规避深度取证网络的取证.