铒/TiO_2复合材料的制备及其光催化性能研究

以司班80为添加剂,采用浸渍/旋转涂膜法在石英玻璃片上制备一系列铒(Er~(3+))/TiO_2多孔薄膜(Er~(3+)-TiO_2),考察了司班80含量对薄膜结构及性质的影响,并通过扫描电镜、氮气吸附-脱附、X-射线衍射对薄膜的结构进行表征,并由甲基橙溶液的光催化降解反应评价其光催化性能。结果表明:当溶胶中司班80的添加量为0.3%(wt,质量分数),制得的Er~(3+)-TiO_2薄膜,在模拟可见光,7.8mg/L甲基橙溶液,光照6h条件下,对甲基橙光催化降解率可达到55.23%。     

乳液模板法制备聚酰亚胺中空微球及其形貌调控EI北大核心CSCD

以聚酰胺酸(PAA)为前驱体、甲基硅油(SO)为油相、乙醇和水作为沉淀剂,采用乳液模板法制备了聚酰亚胺(PI)中空微球。重点研究了沉淀剂中乙醇的比例、PAA溶液的固含量及PAA溶液/SO体积比对微球粒径和形貌的影响;采用光学显微镜、扫描电镜、红外光谱和热重分析仪对微球的形成过程、粒径和形貌、化学结构和热稳定性进行了表征。当沉淀剂中乙醇/水体积比为1:1、PAA溶液固含量为6%、PAA溶液/SO体积比为1:1时,PI微球的粒径为4.75μm。制备出的PI中空微球均具有较好的热稳定性,其起始热分解温度为442℃。     

移动云计算数据保护性能分析

文章基于移动云计算平台,采取通过Socket数据传输的方法,针对两种数据加密算法DES和RSA,测试定量数据传输过程中的时延和终端能耗,结果表明数据保护对移动云计算中事务处理性能有着显著的影响。最后,文章指出高效数据保护算法的研究是未来移动云计算安全方面的研究重点。     

Neville编解码问题的线性时间算法

讨论标号树的Neville编码的编解码算法.文献中常见的第2种Neville编解码算法需要O(n log n)时间.近期研究文献指出至今尚未找到第2种Neville编解码的线性时间算法.本文对第2种Neville编解码问题的本质特征进行较深入的分析,从简单算法出发,逐步简化,得到一个非常简单实用的O(n)时间Neville编解码算法.本文采用的解决问题的方法也具有一定的技巧,可供解决类似问题时借鉴.     

基于属性粒度商空间的本体形式化与检验

针对传统的本体形式化过程中从一个本体层次空间跳转到另一个本体层次空间存在的问题,将粒度计算思想引入本体建模领域,利用属性粒度商空间理论构建本体形式化模型,定义模型的各个部分,在此基础上对基于属性粒度商空间的本体形式化模型进行检验,验证该模型可以较好地满足本体层次之间的跳转及推理关系。     

基于IEEE 802.11无线局域网的VoIP性能分析

对无线局域网的两种标准IEEE 802.11b和IEEE 802.11g的差异进行了研究,后者在前者的基础上采用了正交频分复用(OFDM)技术,通过设计一个针对这两种标准的无线局域网上的VoIP性能测试的试验,使用Chariot网络工具进行仿真,对延迟、抖动、丢包率进行对比分析,结果表明IEEE 802.11g标准比IEEE 802.11b标准具有明显的性能优势.     

算法与数据结构学习兴趣影响因素分析

文章对算法与数据结构课程的学习兴趣调查结果进行了分析,提出采用自编学习兴趣量表测量学生的学习兴趣,总结学生的基础课程学习情况以及对课程教学的看法。分析结果显示:学生的学习兴趣受专业基础课程成绩和对课程学习重要性认识的影响,增加实践性教学和以案例为先导的理论课教学方式更有利于提高学生的学习兴趣。     

IP网络质量的主客观评价融合模型

针对IP网络质量评价问题,利用BP神经网络构建一种主客观特征融合的评价模型。主客观2个评价网络分别进行自适应学习,在学习输出稳定后,2个BP神经网络通过相互共振学习使主客观评价数据融合,由此获得一致的评价结果。结合用户感知的主观评价和多种客观性能评价指标对该模型进行仿真,实验结果表明,模型具有较强的抗噪性能,可以较好地满足IP网络质量的综合评价要求。     

无线传感器网络的军事应用模式研究进展

通过详细分析无线传感器网络在军事中的典型应用案例,归纳了其军事应用模式的演化进程,总结出了无线传感器网络在军事应用中已开始从传统的侦察保障型装备向进攻杀伤型武器演化.在此基础上,提出了无线传感器网络的下一代军事应用模式--"传感器网络战"的构想,并对传感器网络战的特点及其关键问题进行了分析.     

目标提取与哈希机制的多标签图像检索

目的 哈希是大规模图像检索的有效方法。为提高检索精度,哈希码应保留语义信息。图像之间越相似,其哈希码也应越接近。现有方法首先提取描述图像整体的特征,然后生成哈希码。这种方法不能精确地描述图像包含的多个目标,限制了多标签图像检索的精度。为此提出一种基于卷积神经网络和目标提取的哈希生成方法。方法 首先提取图像中可能包含目标的一系列区域,然后用深度卷积神经网络提取每个区域的特征并进行融合,通过生成一组特征来刻画图像中的每个目标,最后再产生整幅图像的哈希码。采用Triplet Loss的训练方法,使得哈希码尽可能保留语义信息。结果 在VOC2012、Flickr25K和NUSWIDE数据集上进行多标签图像检索。在NDCG(normalized discounted cumulative gain)性能指标上,当返回图像数量为 1 000时,对于VOC2012,本文方法相对于DSRH(deep semantic ranking hashing)方法提高24个百分点,相对于ITQ-CCA(iterative quantization-canonical correlation analysis)方法能提高36个百分点;对于Flickr25,本文方法比DSRH方法能提高2个左右的百分点;对于NUSWIDE,本文方法相对于DSRH方法能提高4个左右的百分点。对于平均检索准确度,本文方法在NUSWIDE和Flickr25上能提高25个百分点。根据多项评价指标可以看出,本文方法能以更细粒度来精确地描述图像,显著提高了多标签图像检索的性能。结论 本文新的特征学习模型,对图像进行细粒度特征编码是一种可行的方法,能够有效提高数据集的检索性能。