摘要：量子点(QD)作为一种新型的半导体纳米发光材料,由于其独特的光学性质,如发光颜色可调、尺寸可调、激发光谱宽和发射光谱窄等优点,自被发现以来一直备受关注。相比于单量子点而言,核/壳量子点更为优异的光学性能使其成为光伏器件应用中的理想材料,例如在量子点敏化太阳能电池中,Ⅰ型核/壳量子点太阳能电池器件表现出更高的稳定性和转换效率。然而,界面电荷转移和电荷复合过程如何影响器件性能一直是大家关注的焦点,相关方面认知的匮乏阻碍了量子点光伏器件的进一步发展。为了对电荷转移(CT)和复合过程有更加清晰的认识,通过利用飞秒时间分辨瞬态吸收(TA)光谱和量子化学计算相结合的方法,对Ⅰ型CdSe/ZnS核/壳量子点和三种量子点-电子受体分子(如1-氯蒽醌(1-CAQ)、蒽醌(AQ)和甲基紫(MV^(2+)))复合物的载流子动力学进行了全面而细致的研究。通过光谱分析表明,QD-MV^(2+)复合物发生了最快的电子转移(ET)和俄歇复合(AR)过程,并且ET速率与AR速率呈正相关关系。此外,根据Marcus ET理论和密度泛函理论计算,证明了电子受体的带隙和给受体之间的能级差作为驱动力是共同影响ET速率的关键因素。该研究为电子受体的选择提供了新的见解,对光伏器件的改进设计具有重要的指导意义。

摘要：为进一步提高语音增强模型的自学习及降噪能力,提出基于多域融合及神经架构搜索的语音增强方法。该方法设计了语音信号多空间域映射及融合机制,实现信号实复数关联关系的挖掘;围绕模型卷积池化运算特点,提出了复数神经架构搜索机制,通过设计的搜索空间、搜索策略及评估策略,高效自动地构建出语音增强模型。实验搜索到的最优语音增强模型与基线模型的对比泛化实验中,语音质量客观评价(PESQ)、短时客观可懂度(STOI)两大指标较最优基线模型均最大提升5.6%,且模型参数量最低。

摘要：针对图神经网络模型普遍缺乏可解释性问题,提出一种基于进化集成的图神经网络解释方法,为模型预测提供质量更高的解释。将当前主流图神经网络解释方法GNNExplainer和PGExplainer作为初级解释器,分别为模型预测提供初级解释;基于初级解释结果设计遗传算子,采用改进遗传算法集成两种初级解释结果得到最终解释。在4个真实数据集和4个合成数据集上进行广泛试验,从定性和定量两个角度对试验结果进行评估。试验结果表明,相较于同类算法,提出算法的准确度平均提高17%,忠实度平均提高20%。与传统集成学习融合策略相比,改进遗传算法作为集成器对解释方法的优化效果更为显著,所有指标整体平均提高29%。采用进化集成策略能够显著提高图神经网络解释算法的性能。

摘要：为及时识别、预测车辆的换道行为,综合考虑目标车辆及周边车辆的时空交互关系,结合时间卷积网络(Temporal Convolutional Network,TCN)的时序处理能力和长短期记忆(Long Short Term Memory,LSTM)神经网络的门控记忆机制,构建了基于TCNLSTM网络的车辆换道意图识别模型。首先,将目标车辆的驾驶意图分为直行、向左换道和向右换道3种类型,从CitySim车辆轨迹数据集中提取出目标车辆及对应同车道、左侧车道、右侧车道的相邻前车和相邻后车的轨迹数据,并利用中值滤波算法获得车辆运行状态指标。其次,针对统计学理论和机器学习方法面临的识别精度不高、训练时间长、参数更新慢等问题,提出利用膨胀卷积技术提取时间序列的时序特征,采用门控记忆单元捕捉时序特征的长期依赖关系,并以目标车辆及周边相邻车辆的速度、加速度、航向角、航向角变化率和相对位置信息等54个车辆状态指标为输入变量,以车辆的换道意图为输出变量,构建了一个基于TCN-LSTM网络的车辆换道意图识别模型。最后,对比分析了不同输入时间步长下TCN、支持向量机(Support Vector Machines,SVM)、LSTM和TCN-LSTM模型的识别精度。结果表明:输入时间序列长度为150帧时,TCN-LSTM模型的识别精度达到最高值96.67%;从整体分类精度来看,相比LSTM、TCN和SVM模型,TCN-LSTM模型的换道意图分类准确率分别提升了1.34、0.84和2.46个百分点,展现出了更高的分类性能。

摘要：活性层与电极之间的界面层材料对有机太阳能电池(OSCs)至关重要,它直接影响器件的性能和稳定运行。作为一种广泛应用的电子传输材料,氧化锌(ZnO)纳米颗粒(NPs)较高的表面缺陷态易在表面吸附水氧,严重影响OSCs的效率和稳定性。因此,本文设计了一种既能钝化表面缺陷又能调节能级的聚乙烯亚胺(PEI)包覆ZnO NPs的协同策略,采用水热法成功合成了ZnO@PEI NPs,并将其作为电子传输层(ETL)应用于基于PM6∶BO-4Cl∶PC61BM的OSCs中。结果表明,使用ZnO@PEINPs作为ETL制备的光伏器件的光电转换效率(PCE)略有下降,但由于包覆的PEI钝化了ZnO表面缺陷,ZnO@PEI NPs器件展现出更好的空气和紫外稳定性。本研究提出了一个构建多功能、高稳定性ETL的有效策略,为实现高稳定OSCs提供了一条适用的新途径。

摘要：以Q235热轧带钢为研究对象,利用ANSYS/AUTODYN模块模拟了抛丸和抛浆对基体表面的冲击过程,并结合抛丸和抛浆冲击试验研究了带钢表面粗糙度和残余应力。结果表明,抛丸冲击后基体表面冲击深度和冲击直径分别比抛浆高20%~49%和9%~22%;抛丸冲击基体表面瞬时温度为247~413℃,抛浆冲击基体表面瞬时温度为60~97℃,说明浆体中的流体可以带走大量冲击热能。抛丸冲击后基体表面粗糙度和表面残余应力比抛浆冲击分别高22%~37%和3.7%~13.8%,抛浆冲击后基体表面完整性优于抛丸冲击。

摘要：为揭示300~150℃循环热处理后花岗岩物理性质及抗拉强度演变规律,对经过不同热处理循环次数的花岗岩自然吸水率、纵波波速变化进行测定,并开展巴西劈裂试验,期间采用声发射技术监测其破坏过程的声发射特征。结果表明:(1)花岗岩经历300~150℃循环热处理后,自然吸水率增大,变化量在0.25%~0.35%,纵波波速降低,衰减量为1132.3~1199.6 m/s;(2)花岗岩抗拉强度随热处理次数增多呈指数型减小,室温-300℃-室温处理方式下花岗岩抗拉强度最低,为13.21 MPa,而300~150℃循环热处理下,抗拉强度较室温-300℃-室温处理方式有所提高;(3)与室温条件相比,循环热处理后花岗岩加载至破坏所用时间呈降低趋势,且峰值荷载前出现声发射累计能量突变及振铃数峰值现象;(4)花岗岩经过300~150℃循环热处理后,破坏时监测的声发射累计能量和波速损伤变量与循环次数的变化趋势相反。研究成果可为一定温度区间循环下花岗岩物理力学演变行为提供参考。

摘要：针对煤矿履带掘进机器人在行驶过程中难以获取履带载荷的问题,基于电阻应变片的应变效应和测量电路,设计了一套适用于采集履带行驶结构动态特性的四通道无线应变采集卡。首先,分析了应变采集卡的电路和工作原理。然后,将2对应变片对称布置在试样板中,以DH5902N坚固型数据采集分析系统所采集的应变数据作为标准,通过仿真与试验相结合的方法对应变采集卡4个通道的灵敏度分别进行了标定。最后,将应变采集卡集成封装后内置于履带行驶结构中,并探讨了应变采集卡在封装环境下连续工作时的温度变化规律。结果表明,所设计的应变采集卡可同时采集4个通道的应变信号,其最高采样频率为1000 Hz,发射功率为4.5 dBm,应变采集误差不超过5×10^(-6)。该应变采集卡在封装环境下连续工作34.7 h后的温度稳定在34.58℃左右,可实现履带行驶结构的多自由度应变信号检测。研究结果为履带行驶结构动态载荷的实时采集以及掘进机器人的可靠性分析和故障预测提供了技术支撑。

摘要：[目的]合理的照明环境对提高地铁车站服务水平、保证乘客疏散安全、促进公共交通可持续发展起着重要作用。为促进地铁车站照明环境设计的科学化和合理化,需研究地铁车站不同照度环境对乘客主观情绪和视觉绩效认知的影响。[方法]采用眼动追踪技术、视觉绩效认知评估技术、三维情绪评估模型相结合的方法,提出了眼动试验评估、视觉绩效认知评估、主观情绪评估3个评估类别共计8个参数的计算方法。设置了试验流程,将照度作为自变量,选取了5个照度水平进行试验研究。构建了不同照度同乘客主观情绪、视觉绩效认知参数之间的关系模型,并对试验结果分别进行了单因素方差分析、相关度分析及综合分析。[结果及结论]照度对乘客主观PAD(愉悦度、唤醒度、控制度)、视觉绩效认知均有显著影响。提高乘客的愉悦度和唤醒度,能够缩短乘客的视觉认知时间。照度在200~230 lx时,乘客的主观情绪、视觉绩效认知水平均达到最优。

摘要：针对当前基于Transformer的图像去噪算法侧重于捕获图像的全局特征,而忽视局部特征对于恢复图像细节关键作用的问题,提出一种基于局部和全局特征解耦的图像去噪网络。该网络包含2个基于混合Transformer模块(HTB)的多尺度分支和1个基于卷积神经网络(CNN)的单尺度分支,旨在将HTB强大的全局建模能力与CNN的局部建模优势有机结合,生成上下文信息丰富且空间细节准确的输出。HTB采用自注意力机制自适应地对空间和通道维度的依赖关系建模,以激活范围更广的输入像素进行重建。鉴于不同分支间可能存在的信息冲突,设计特征传递模块,通过跨分支传递全局特征并抑制低频信息,从而确保各分支间的协同作用。实验结果表明,在真实世界图像数据集SIDD上,与基于Transformer的去噪网络Uformer相比,所提网络的峰值信噪比(PSNR)提高了0.09 dB,结构相似度(SSIM)提高了0.001;在合成图像数据集Urban100上,与多阶段去噪网络MSPNet(Multi-Stage Progressive denoising Network)相比,所提网络的平均PSNR提高了0.41 dB。可见,所提网络能有效去除图像噪声,并重建出更精细的纹理细节。