VO2/GaAs异质结的制备及其光电特性研究

采用直流磁控溅射和后退火氧化工艺在p型GaAs单晶衬底上成功制备了n-VO_2/pGaAs异质结,研究了不同退火温度和退火时间对VO_2/GaAs异质结性能的影响,并分析其结晶取向、化学组分、膜层质量以及光电特性。结果表明,在退火时间2 h和退火温度693 K下能得到相变性能最佳的VO_2薄膜,相变前后电阻变化约2个数量级。VO_2/GaAs异质结在308 K、318 K和328 K温度下具有较好的整流特性,对应温度下的阈值跳变电压分别为6.9 V、6.6 V和6.2 V,该结果为基于VO_2相变特性的异质结光电器件的设计与应用提供了可行性。     

魏斯氏菌的研究进展

对魏斯氏菌属的分离鉴定、生物学特性、耐酸特性、抑菌特性、产胞外多糖特性、益生特性、组学研究及其在食品与医药方面的应用进行了综述,并为魏斯氏菌属的开发利用提供了建议。     

成分配比对稀土钨电极材料组织及力学性能影响

通过固液掺杂、等静压压制、中频烧结的方法，制备了不同的氧化镧、氧化钇、氧化锆三元掺杂成分比例的钨电极材料烧结棒材，探究了不同成分配比对样品显微组织、第二相粒子分布以及宏观力学性能的影响。结果表明，氧化镧、氧化钇、氧化锆三元复合添加能够有效改善第二相粒子在钨基体中的分布形态，降低第二相在晶界的过度富集，提高钨电极材料的综合力学性能。并且当添加成分镧、钇、锆质量比为3:1:1时，材料具有最好的综合力学性能，致密度可达96.04%，显微硬度可达549.37HV0.3，抗压强度可达3785MPa，原因是此配比下第二相粒子最为细小均匀，弥散程度最高，对基体晶粒的细化作用最好，该配比下钨基体平均晶粒尺寸达到10.3μm。     

液相色谱-串联质谱技术在临床检验中的应用研究进展

液相色谱-串联质谱（LC-MS/MS）技术具有高灵敏度、高特异性、高分辨率和高效率的优点。近年来随着仪器灵敏度的提高，LC-MS/MS在常规临床检验中显示出极大的潜力，并在疾病早期预防和诊断中发挥着不可替代的作用。本文对LC-MS/MS在新生儿疾病筛查、维生素D检测、内分泌激素检测、肽类和蛋白质定量分析等临床检验方面的研究进展进行综述，并讨论了未来面临的挑战。     

西藏燕麦主要种植区灌溉定额空间分布及影响因素

燕麦为西藏自治区典型牧草之一,由于种植区地域辽阔,灌溉试验结果受限,西藏燕麦主要种植区的灌溉定额尚不明确。本文在西藏燕麦主要种植区内选取28个典型站点进行资料收集,遵循农业气候相似原则进行区域划分,基于水量平衡法揭示了西藏燕麦主要种植区灌溉定额的空间分布特征,并根据统计学原理分析了其影响因素。研究表明:燕麦主要种植区的灌溉定额呈由西藏中部至东部呈现先递增后递减的趋势,50%水文年下的燕麦灌溉定额在56~265 mm之间变化。降雨量是影响研究区内燕麦灌溉定额的主要因素(R²为0.515),ET₀次之(R²为0.152);其它气象因素中,日照时数对研究区燕麦灌溉定额影响较大(R²为0.462),且呈正相关关系;相对湿度对燕麦灌溉定额影响较小。西藏燕麦主要种植区的灌溉定额及其空间分布可为西藏自治区灌溉用水管理提供支撑。     

5G核心网业务模型的智能化预测研究

摘 要：核心网业务模型的建立是5G网络容量规划和网络建设的基础，通过现有方法得到的理论业务模型是静态不可变的且与实际网络存在偏离。为了克服现有5G核心网业务模型与现网模型适配性较差以及规划设备无法满足用户实际业务需求的问题，提出了一种长短期记忆（long short-term memory，LSTM）网络与卷积LSTM （convolution LSTM，ConvLSTM）网络双通道融合的 5G 核心网业务模型预测方法。该方法基于人工智能（artificial intelligence，AI）技术以实现高质量的核心网业务模型的智能预测，形成数据反馈闭环，实现网络自优化调整，助力网络智能化建设。     

基于误差估值累加开环校正的诱导式欺骗检测方法

诱导式卫星欺骗干扰可诱导航空器逐渐偏离预定航迹，难以被发现，因此及时有效地检测干扰是飞行安全的保障。在现有紧组合导航体制基础上，设计了一种基于误差估值累加开环校正的紧组合导航结构，并证明了其性能与传统闭环校正紧组合导航性能等效。在此结构中，将紧组合导航系统与自适应序贯概率比检测方法结合，提出了一种基于误差估值累加开环校正的诱导式欺骗检测方法，融合紧组合导航信息与其他不受欺骗影响的导航信息，构建欺骗检测统计量进行诱导式欺骗检测。仿真结果表明，开环校正结构可避免随时间累加的惯性导航系统误差所导致的组合导航滤波器发散问题，同时欺骗检测方法可进一步提高算法对“最坏”情形下微小诱导式欺骗的检测效果。     

基于形态特征提取的急性下壁心肌梗死BiLSTM网络辅助诊断算法

急性下壁心肌梗死是一种病发急、进展快、致死率高的心脏疾病,该文提出一种新颖的基于形态特征提取的BiLSTM神经网络分类的急性下壁心肌梗死辅助诊断算法,可大幅度提高医生对急性下壁心肌梗死疾病的诊断效率并有助于及时确诊.算法包括:对胸痛中心数据库心拍信号进行降噪及心拍分割;根据临床心内科医学诊断指南提取了12导联波形距离特征和分导联波形幅值特征;依据提取的特征搭建LSTM与BiLSTM神经网络进行心拍的分类识别;使用PTB公开数据库和胸痛中心数据库多临床中心进行交叉验证.实验结果表明,加入胸痛中心真实临床数据后,基于形态特征提取BiLSTM神经网络的急性下壁心肌梗死辅助诊断算法准确率达到99.72％,精度达到99.53％,灵敏度达到100.00％,同时F1-Score达到99.76.该算法比其他现有算法准确率提高至少1％,该项研究具有非常重要的临床应用价值.     

基于VMD和BSA-KELM的高陡边坡位移预测模型研究

边坡位移的时间序列曲线存在复杂的非线性特性,传统的预测模型精度不足以满足预测要求。为此提出了基于变分模态分解的鸟群优化-核极限学习机的预测模型,并用于河北省某水泥厂的边坡位移预测。该方法首先采用VMD把边坡位移序列分解为一系列的有限带宽的子序列,再对各子序列分别采用相空间重构并用核极限学习机预测,采用鸟群算法优化相空间重构的嵌入维度和KELM中惩罚系数和核参数三个数值,以取得最优预测模型。最后将各个子序列预测值叠加,得到边坡位移的最终预测值。结果表明：和KELM、BSA-KELM、EEMD-BSA-KELM模型相比,基于VMD的BSA-KELM预测精度更高,为边坡位移的预测提供一种有效的方法。