MCDC 2805型直流电机运动控制器的原理及应用

MCDC 2805型运动控制器是专为Faulhaber集团生产的直流微电机量身定作的。它由功能强大的16位微处理器和性能卓越的数字滤波器组成。文中介绍MCDC 2805的硬件结构、外型封装、RS-232串口的功能及RS-232串口的ASCII指令及其应用。     

浓度对Al掺杂TiO2电子结构影响的第一性原理计算

运用第一性原理超软赝势方法计算了不同Al掺杂浓度对TiO2能带结构、分波态密度、光吸收谱图的影响。计算结果表明:Al原子进入TiO2晶格后,晶胞体积减小;随着掺杂浓度的增大,禁带宽度减小,吸收带边红移越来越明显;不同掺杂浓度下,虽然Al的3s和3p轨道对导带和价带贡献较小,但对TiO2可见光吸收能力大有改善;在波长为100~280nm处,Al掺杂TiO2的紫外光吸收能力有所降低,波长为450~1000nm时,TiO2的可见光吸收能力明显增强。对比四种不同掺杂浓度下TiO2的光催化活性,发现浓度为9%左右时催化效果更好一些。     

富钛料在低浓度碱液中的水热反应研究

以富钛料为原料,研究其在Na OH溶液中水热反应的行为,应用Box-Behnken中心组合设计原理和响应面分析法研究了碱浓度、温度、反应时间等条件对Ti O2转化率的影响。结果表明:在碱浓度25%、温度186℃、反应时间4 h的条件下,得到的产物转化率最高,并在最优条件下验证了其转化率。采用扫描电子显微镜(SEM)及X-射线衍射仪(XRD)分析了反应产物的形貌及物相表征,表明在不同条件下得到了不同的反应产物,其形貌随着条件的不同逐渐发生改变。     

自相似业务流模型的分析与比较

在研究通信网络的流量控制及网络性能时，业务流模型是一个重要的组成部分。本文分析了几种自相似模型的特点，并指出了这几种自相似模型的区别以及这些模型所适用的网络业务流。它对自相似业务的分析和处理具有一定的指导意义。     

魏书生的热效应

魏书生不愧为我国著名的教育改革家，不愧为全国优秀班主任。他不仅干得出色，而且讲得精彩，写得漂亮。听他的报告如坐春风，读他的著作如饮甘露。最近，魏书生同志应邀来我们长庆石油勘探局作了为时两天的专题报告，并上了两堂生动的语文教学观摩课，令我局广大教育工作者耳目一新，赞叹不已。会场内座无虚席，台上台下，连过道也被人挤满，一千多名听众精神饱满，自始至终秩序井然。没有人走动，没有人说话，只有规书生同志生动而亲切的话语，只有听众会心的笑声和热烈的掌声。这种盛况在我局是前所未有的。魏书生同志声名远扬，事迹感人…     

基于图像内容及底层特征的敏感图像检测方法

内容安全是信息安全领域中的一个新兴且重要的研究方向.敏感图像分析与监控是该方向的一个重要研究分支,近年来愈来愈受到关注.然而,由于其研究起步较晚且图像本身所具有的复杂多样性,相对来说,目前已有的研究成果还比较少且性能上也有待于进一步提升,为此,本文提出了一种新的敏感图像分析检测方法.该方法从基于图像内容分析和基于图像底层特征分析两个方面进行综合分析检测,在基于内容分析方面,通过分析图像是否含有大量的皮肤区域来初步检测敏感图像;在基于图像底层特征分析方面,通过颜色直方图矢量和颜色聚合矢量提取图像的颜色及空间信息,并在此基础上利用SVM进行分类,从而实现敏感图像的初步检测;最后,对上述两方面的初步检测结果进行综合判决,实现敏感图像的最终检测.仿真实验结果出示了该新方法的有效性.     

CDs/ZnO/g-C3N4三元组分协同作用促进光催化降解染料

以尿素、醋酸锌、柠檬酸为主要原料,采用浸渍-热聚合法分别制备了ZnO/g-C_3N_4和CDs/ZnO/g-C_3N_4复合材料,考察了2种催化剂在可见光下对罗丹明B的光降解效率。利用XRD、TEM、XPS、UV-Vis DRS、FTIR对催化剂进行了表征和评价。结果表明:石墨相氮化碳(g-C_3N_4)呈片状,ZnO呈棒状,碳点(CDs)平均直径约为10 nm,呈单分散排布,分散性较好;且CDs/ZnO/g-C_3N_4仍保持石墨相g-C_3N_4的晶型结构,三元组分相互协同作用使CDs/ZnO/g-C_3N_4在可见光下,光照时间为210 min,对质量浓度为8 mg/L的RhB溶液表现出优异的光催化性能,其降解罗丹明B的效果优于单体g-C_3N_4、ZnO及ZnO/g-C_3N_4,降解率可达到70%左右。     

基于改进CGANs的入侵检测方法研究

近年来,机器学习算法在入侵检测系统(IDS)中的应用获得越来越多的关注。然而,传统的机器学习算法更多的依赖于已知样本,因此需要尽可能多的数据样本来对模型进行训练。遗憾地是,随着越来越多未知攻击的出现,且用于训练的攻击样本具有不平衡性,传统的机器学习模型会遇到瓶颈。文章提出一种将改进后的条件生成对抗网络(CGANs)与深度神经网络(DNN)相结合的入侵检测模型(CGANs-DNN),通过解决样本不平衡性问题来提高检测模型对未知攻击类型或只有少数攻击样本类型的检测率。深度神经网络(DNN)具有表征数据潜在特征的能力,而经过改进后的条件CGANs,能够通过学习已知攻击样本潜在数据特征分布,来根据指定类型生成新的攻击样本。此外,与生成对抗网络(GANs)和变分自编码器(VAE)等无监督生成模型相比,CGANsDNN经过改进后加入梯度惩罚项,在训练的稳定性上有了很大地提升。通过NSL-KDD数据集对模型进行评估,与传统算法相比CGANs-DNN不仅在整体准确率、召回率和误报率等方面有更好的性能,而且对未知攻击和只有少数样本的攻击类型具有较高的检测率。