摘要：以有机储能为代表的“绿色储能”技术有望突破资源与环境对能源发展的制约。共价三嗪骨架(CTFs)材料能够将储锂位点精准地构筑到其结构中,其被认为是最具发展潜力的绿色储能材料。在科学研究的基础上,本实验创新设计了一个材料综合实验。以商品化的三聚氰胺作为原料通过溶剂热方法制备了一种偶氮功能性CTF(Azo-CTF)电极材料。利用红外光谱、X-射线衍射、扫描电镜等表征技术对Azo-CTF的结构进行解析,并进一步将其用于锂离子电池性能研究。本实验不仅能够培养学生制备有机电极材料的技能,还能够进一步促进学生了解储能领域科学前沿,提升学生的科学素养与创新意识。

摘要：电影作为重要的视听文化艺术作品,有着丰富的主题、体裁、形式和元素,对于人们丰富精神生活、提升内涵素养和增添生活色彩都有重要作用,已成为当代人娱乐生活不可或缺的一部分。特别是近年来,随着科技进步和文化事业的蓬勃发展,人们精神文化的消费需求不断增加,国内外电影行业不断朝着高质量多元化发展,这就对电影的艺术表达、特色形式和构成元素也有了更高的要求。

摘要：为进一步提高动圈式电磁直线驱动装置电磁场解析模型求解精度,提出研究此类电磁驱动装置的混合解析建模方法。采用磁势矢模型与等效面电流模型相融合的混合解析模型研究了驱动装置的电磁特性,引入径向磁通密度修正系数对单一磁势矢模型进行修正,结合动圈式电磁直线驱动装置电磁场边界条件建立较为精确的驱动装置电磁特性数学模型,并最终得到气隙处磁场的分布规律以及电磁力-行程函数。有限元仿真及试验的结果表明,相较于单一磁势矢模型,混合模型具有更高的求解精度,修正前后电磁力最大求解误差分别为6.9%及2.8%,相对误差下降了4.1%,证明了该修正方法的有效性;试验结果与解析模型结果的误差小于2.5%,验证了解析模型的正确性与精确性。该方法为实现电磁直线驱动装置的模块化设计和无位移传感器控制奠定了理论基础,对丰富和发展全电集成动力系统控制方法有较好的理论意义和工程应用价值。

摘要：纤维增强聚合物(FRP)复合材料具有轻质高强、耐腐蚀、经济效益高的优势,在基础建设施设中表现出巨大潜力,但在复杂环境下长期服役后,FRP复合材料的力学性能下降超过50%,限制了其在工程中的应用。基于此,针对FRP复合材料各组分优化设计方法进行了总结,并分析了热氧、紫外线、腐蚀介质环境中FRP复合材料的长期性能演化规律;根据化学结构及微观形貌分析,阐述了FRP复合材料在复杂环境中的劣化机制,进一步归纳了其在复杂环境下的长期性能预测模型,可为保证FRP复合材料在复杂环境中的长期使用性能提供理论依据,促进其在实际工程中的应用。

摘要：特征表达是图像显著性检测的关键,现有方法所提取的特征缺乏一定的可辨识性.为此,提出多尺度上下文特征提取机制和注意力循环机制来解决这一问题.多尺度上下文特征提取机制通过空洞卷积增大高层特征的感受野来获取丰富的上下文语义特征,并采用向量聚合策略对特征进行融合.为增强融合特征的可辨识性,利用注意力机制自适应地对卷积特征增加权重以区分每个像素的重要性,使注意力集中于显著性区域,并抑制背景中的干扰信息.在此基础上,采用循环网络能够有效地在空间位置上对卷积特征进行逐步细化,进一步调整了显著性区域及其边缘,从而生成精确的显著图.该方法在5个常用的数据集上与8种相关方法进行了比较.实验结果表明,该方法不仅能够生成更加准确与完整的显著图,而且其MAE和最大F-measure量化性能也有所提升.

摘要：目的优化石榴皮半仿生提取工艺。方法在均匀设计基础上,以一煎pH、二煎pH、三煎pH、提取总时间为影响因素,鞣花酸、没食子酸、总酚含量及干浸膏得率的综合评分为评价指标,AHP-CRITIC混合加权法优化提取工艺。结果最佳条件为一煎pH 6.0,二煎pH 7.4,三煎pH 9.0,提取总时间4.0 h,综合评分为1.251 8。结论该方法合理稳定,重复性好,可用于半仿生法提取石榴皮。

摘要：业务流程预测可以有效帮助企业进行流程控制和传递高质量服务,因此作为此类场景中的核心任务之一,业务流程剩余时间预测得到国内外学者的广泛关注.当前,在利用深度学习技术对业务流程剩余时间进行预测时,大都采用传统长短期记忆循环神经网络,然而,由于长短期记忆循环神经网络在处理序列数据的过程中缺乏并行性且建模能力有限,使得预测准确度还有进一步提升空间.因此,本文提出一种基于双向准循环神经网络和注意力机制的业务流程剩余时间预测方法.首先,该方法以双向准循环神经网络构建剩余时间预测模型,并在预测模型中融入注意力机制增强双向准循环神经网络输出的特征信息.其次,设计了一种基于不同长度轨迹前缀训练迭代策略,解决流程实例中不同长度轨迹前缀数量存在差异性的问题.最后,提出一种基于Word2vec的事件表示学习方法,实现对同一轨迹且经常出现事件的相似性向量表示,从而达到提高剩余时间预测准确度的目的.经在5个公开事件日志数据集上实验,本文方法与已有方法相比在预测准确度上平均提高近15%,模型训练时间平均缩短约26%.

摘要：利用全驱系统方法,研究一类具有未知外部扰动的非完整系统的全局镇定控制问题。针对系统的两个控制输入,分别设计指数镇定控制器和基于扩张状态观测器的输出反馈镇定控制器。基于全驱系统模型,通过引入扩张状态观测器来估计系统状态和未知外部扰动。稳定性分析表明,所提出的镇定控制策略能够保证闭环系统的信号是一致有界的。仿真结果验证了所提出的控制方案的有效性和合理性。

摘要：泊松去噪是一个典型的病态逆问题,其变分模型需要反复迭代和调节参数且计算效率低下,而纯深度学习模型往往依据经验设计网络且可解释性差。针对以上问题,在泊松噪声去噪变分模型的交替方向乘子法展开的基础上,设计端到端深度卷积神经网络,结合泊松噪声分布统计量与Bayesian最大后验概率估计推导出改进的泊松去噪变分模型。为了求解泊松去噪能量函数极值问题,采用交替方向乘子法,引入辅助变量、拉格朗日乘子和惩罚参数,将该问题分解为高斯去噪和图像重建两类交替优化子问题,先采用先验驱动的深度卷积神经网络实现高斯去噪,再通过解析迭代求解完成图像重建。实验结果表明,与基于非线性主成分分析、VST+BM3D、I+VST+BM3D和TRDPD的泊松去噪模型相比,改进模型在Set12数据集上的峰值信噪比均值分别提高2.73、0.87、0.57和0.50 dB,结构相似性均值分别提高0.148、0.046、0.020和0.047,在彩色图像及正电子发射断层扫描与计算机断层扫描图像上也明显提升了泊松去噪效果。上述实验结果证明了改进模型不仅有效去除了泊松噪声,而且避免了泊松去噪过程中产生的伪影和散斑等问题。

摘要：下一事件预测任务是预测性流程监控的研究重点之一,针对现有基于深度学习的预测方法存在训练时间过长、参数量过大、对硬件要求过高等无法满足业务流程动态性的问题,提出一种基于日志采样的下一事件预测方法(SNEP)。通过计算事件重要性和直接跟随活动关系重要性来衡量轨迹重要性,抽取部分重要轨迹表示原事件日志;采用One-hot编码方式对轨迹前缀重新编码,并设计了适用下一事件预测任务的三层长短期记忆网络(LSTM)预测模型。在6个真实事件日志中进行实验,探究所提方法的有效性和不同采样率对模型预测结果的影响,结果表明预先采样的下一事件预测方法在各事件日志中的预测准确率和效率均有提升,验证了该方法的优越性。