液相混合辅助低温制备Ca_2Si_5N_8:Eu~(2+)荧光粉

采用液氨介质溶解原料金属Ca、Eu形成金属-氨溶液,原料非晶硅悬浮于溶液中,通过液氨挥发使金属-氨溶液产生过饱和,并以金属酰胺形式沉析在非晶硅表面,将这种液相混合处理的原料在常压1100℃保温6h合成Ca2Si5N8:Eu2+荧光粉。采用XRD、SEM和PL光谱仪分别表征了产物的晶体结构、微观颗粒形貌以及发光性能。结果表明:这种液相混合降低了荧光粉合成温度,在常压下1100℃保温6h合成了结晶良好的Ca2Si5N8:Eu2+荧光粉;合成的荧光粉颗粒呈类球形且分散性较好;合成的Ca2Si5N8:Eu2+荧光粉激发峰为467nm,发射峰位于580nm。     

星上透明转发非地面网络中的切换机制研究

针对星上透明转发的非地面网络架构,提出了基于星历信息触发切换和基于多决策指标进行切换链路判决的切换方案,设计了切换实施流程,通过系统仿真评估了不同切换方案性能。结果表明,与基于最大卫星仰角、最长卫星覆盖时间和最长链路存续时间的切换链路选择方案相比,所提方案可有效降低基站间切换次数从而降低切换信令开销,提高切换成功率。     

超微血流成像技术在肝动脉化疗栓塞术疗效评价中的应用价值

【摘要】 目的 探讨超微血流成像（SMI）技术在肝动脉化疗栓塞术（TACE）疗效评价中的应用价值。 方法 选取2018年10月至2019年2月在我院确诊为肝细胞癌的30例患者共39个结节为研究对象。采用Aplio 500超声诊断仪对肝癌患者进行二维超声、彩色多普勒血流成像（CDFI）、SMI检查。采用改良版Adler血流分级法对血流进行分级,计算栓塞指数（EI）,评估TACE疗效;比较SMI与CDFI、增强CT（CECT）的诊断价值。 结果 SMI检出肝癌TACE术后残留的灵敏度为96.7%,特异度为80.0%。EI不同,则栓塞的效果不同。SMI显示肝癌血供的能力优于CDFI（P＜0.05）,与CECT无明显差别（P＞0.05）。与CDFI相比,SMI能够显示更高级别的血流信号（P＜0.05）,且Ⅲd级及Ⅳ级血供仅在SMI上显示。 结论 SMI是评价TACE栓塞效果的有效方法,其显示血流的能力优于CDFI,等同于CECT。本研究提出的改良版Adler血流信号分级法进一步细化了肝癌血流的分级,EI可以量化栓塞效果。

     

氧化钌/纳米石墨复合电极材料的制备及电学性能研究

以纳米石墨为基体,通过乙醇钌水解、过饱和非均相沉淀获得纳米级RuO2,并包覆沉积于石墨表面,制备新型纳米RuO2/nano-C复合电极材料。X射线衍射(XRD)、透射电子显微镜(TEM)和能谱(EDS)分析表明:醇钌盐水解后生成的氧化钌主要是以非晶态RuO2·xH2O的形式包覆在纳米石墨上。循环伏安曲线测试表明:复合电极材料在充放电过程中包含了碳双电层的储电机理和氧化钌氧化还原反应的储电机理,乙醇钌浓度为0.12mol·L-1的比容量为314F·g-1。     

低轨卫星通信遥感融合:架构、技术与试验

低轨卫星系统是获取空间信息和破解宽带数字鸿沟的重要基础设施之一,通信与遥感融合是解决现有遥感和通信分治、卫星重置、应急业务响应不及时等问题的有效途径。概述了低轨通信和遥感卫星系统的现状,针对通信和遥感融合需求,提出了通信遥感融合方案及体系架构,阐述了基于该体系架构的硬件组成及融合试验方案,最后探讨了相关挑战和未来发展。     

基于超图卷积网络的重复性消费会话推荐算法

针对基于会话的推荐算法(SBRS)在建模会话表示时,缺乏考虑会话中物品之间多元关联关系和用户重复性消费的行为模式,提出一种基于超图卷积网络的重复性消费会话推荐算法。算法首先根据用户的会话序列组建超图和线图,并通过超图卷积网络建模会话内物品之间多元关联关系和会话间交叉信息;接着通过注意力网络生成用户的意图表示;然后构建重复—探索模块以建模用户重复消费的行为模式;最后根据生成的会话表示预测下一个产生交互的物品评分,进行推荐。在2个公开的现实数据集上的大量实验结果表明,所提模型在召回率和平均倒数排名指标上优于其他基线算法。     

基于用户意图消歧的解离协同过滤算法

协同过滤(CF)是推荐算法中一个重要的研究方向,近期的工作表明CF可以有效地挖掘用户-物品交互背后的潜在意图来精细化建模用户和物品的表示,从而服务下游的推荐任务。然而,本文认为现有的工作没有很好地解决用户-物品交互无偏化问题,它们一般根据假定的而非显式建模的意图生成用户和物品的解离表示。对此,本文提出了一个新的无偏差解离协同过滤(DebiasedCF)推荐框架,该框架利用用户的个人历史来提取其潜在意图,用于表示学习。具体地说,首先利用意图提取模块对用户意图进行显式建模;然后分别对各意图子图进行无偏化;再执行嵌入传播,从而为每个意图生成相应的解离表示;最后设计了一个意图嵌入聚合层来进一步融合在不同意图子图中学得的解离表示。实证结果表明,本文的框架能够在最先进的基线方法基础上取得实质性的改进。进一步的分析验证了提取的用户意图在去偏差和用户-物品表示建模方面的优势。     

基于离散化动态图的协同过滤推荐算法

基于图卷积网络(GCN)模型在学习用户/物品表示方面表现出了强大的性能,给传统的协作过滤(CF)算法带来了新的研究突破。然而,现有的基于GCN的CF方法仍然都是针对静态图建模,而在实际场景中,用户与物品的交互不是一成不变的,会随着时间的推移而持续演化;GCN中的过平滑问题会极大地限制现有推荐算法的表示学习建模。为解决上述问题,提出了基于动态图的协同过滤算法(DynGCF),其目的是通过同时捕获图的结构和时态演化信息来学习用户和物品的嵌入表示。DynGCF首先采用GCN学习每个离散快照图上的用户/物品嵌入,然后应用时间卷积网络(TCN)和自注意力机制学习,最终嵌入表示。为缓解过平滑问题,本文改进了传统GCN中的关键模块,即邻域聚合,通过在1阶交互图和2阶共现图建模用户和物品的交互。在4个真实数据集上与基于GCN的CF方法和动态图的基线方法对比,验证了DynGCF的性能提升,并分析验证了改进的方法能有效缓解过平滑问题。