葡京娱乐场-富盈娱乐场开户_百家乐试玩_sz全讯网网址xb112 (中国)·官方网站

本發(fā)明公開了一種超疏水涂料的制備方法及其所得涂料和制備高透明超疏水涂層的應(yīng)用，所述超疏水涂料的制備方法包括如下步驟：向容器中一次性加入一定體積的溶劑，共溶劑，催化劑，然后以一定轉(zhuǎn)速攪拌一段時(shí)間，再向其中先后加入一定體積的硅酸酯和含氟硅氧烷，在室溫的條件下，繼續(xù)反應(yīng)一定時(shí)間，即得所述涂料。本發(fā)明所制備的超疏水涂料可以通過噴涂、蘸涂、浸涂等方法，用于玻璃，紙片，鋼鐵等不同的基底上，所制備的涂層在可見光的范圍內(nèi)，透過率達(dá)到92％以上。與現(xiàn)有技術(shù)相比，不僅所制備的涂層制備方法簡單，成本低廉，有利于大規(guī)模工業(yè)化生產(chǎn)，所制備的涂層具有多種用途，如車窗玻璃，摩天大樓光幕，手機(jī)和電腦屏幕等，有很大的商業(yè)價(jià)值。

導(dǎo)讀東北電力大學(xué)和長春理工大學(xué)研究團(tuán)隊(duì)開發(fā)并實(shí)現(xiàn)一種結(jié)合腦電圖源成像(ESI)技術(shù)和卷積神經(jīng)網(wǎng)絡(luò)(CNN)的新方法，以對運(yùn)動(dòng)想象(MI)任務(wù)進(jìn)行分類。ESI技術(shù)采用邊界元法(BEM)和加權(quán)最小范數(shù)估計(jì)(WMNE)分別解決EEG的正向和逆向問題。然后在運(yùn)動(dòng)皮層中創(chuàng)建十個(gè)scout來選擇感興趣的區(qū)域(ROI)。研究者使用Morlet小波方法從scout的時(shí)間序列中提取特征。最后，使用CNN對MI任務(wù)進(jìn)行分類。實(shí)驗(yàn)結(jié)果:在Physionet數(shù)據(jù)庫上的整體平均準(zhǔn)確率達(dá)到94.5%，分別對左拳頭、右拳頭、雙拳和雙腳的單個(gè)準(zhǔn)確率達(dá)到95.3%、93.3%、93.6%、96%，采用十倍交叉驗(yàn)證進(jìn)行驗(yàn)證。研究人員表示，他們的研究成果與最先進(jìn)的MI分類方法的結(jié)果相比，總體分類增加了14.4%。研究者為驗(yàn)證方法的有效性，加入了4個(gè)新的受試者進(jìn)行驗(yàn)證，發(fā)現(xiàn)總體平均準(zhǔn)確率為92.5%。此外，全局分類器適應(yīng)單一對象，整體平均準(zhǔn)確率提高到94.54%。研究者表示，他們提出的結(jié)合scout ESI和CNN的方法，提高了腦電解碼四類MI任務(wù)的BCI性能。系統(tǒng)框架圖1 系統(tǒng)框架圖系統(tǒng)框架如圖1所示。原始數(shù)據(jù)來自國際10-10系統(tǒng)的64個(gè)電極(不包括Nz、F9、F10、FT9、FT10、A1、A2、TP9、TP10、P9和P10電極)，并以每秒160個(gè)樣本的速度采集。根據(jù)國際10-10系統(tǒng)從64個(gè)通道采集原始腦電圖，并使用BCI2000系統(tǒng)進(jìn)行記錄。記錄的數(shù)據(jù)被分為四個(gè)獨(dú)立MI任務(wù)包括左拳MI,右拳MI,雙拳MI和雙腳MI。首先，由于ERD在執(zhí)行運(yùn)動(dòng)想象時(shí)在alpha和beta中不同，因此使用FIR濾波器對EEG進(jìn)行了8 Hz至30 Hz的帶通濾波。然后，通過計(jì)算包含正問題和逆問題的源，將傳感器空間的活動(dòng)轉(zhuǎn)化為源空間的活動(dòng)。接下來，創(chuàng)建scout并提取特征。研究者在運(yùn)動(dòng)皮層中創(chuàng)建了10個(gè)scout，因?yàn)槲覀冎魂P(guān)心與運(yùn)動(dòng)相關(guān)的活動(dòng)。十個(gè)scout中的每一個(gè)都代表了可用源空間中的一個(gè)感興趣的區(qū)域(ROI)，并且是定義在皮層表面或頭部體積上的偶極子的子集。左腦的scout稱為L1、L2、L3、L4、L5，右腦的scout稱為R1、R2、R3、R4、R5。利用JTFA從10個(gè)scout的源時(shí)間序列中提取特征。最后，利用CNN對時(shí)頻圖進(jìn)行分離并進(jìn)行分類。實(shí)驗(yàn)在實(shí)驗(yàn)中，研究人員僅使用了隨機(jī)選擇的十個(gè)受試者的MI trail (S5，S6，S7，S8，S9，S10，S11，S12，S13，S14)。這里用于分析的數(shù)據(jù)集包含每個(gè)受試者84次試驗(yàn)，每一類包含21次試驗(yàn)。在記錄64通道腦電圖時(shí)，受試者執(zhí)行了不同的運(yùn)動(dòng)想象任務(wù)。每個(gè)受試者針對以下四個(gè)任務(wù)中的每一個(gè)執(zhí)行了3輪21試驗(yàn)：當(dāng)目標(biāo)出現(xiàn)在屏幕左側(cè)時(shí)，受試者想象打開和合上相應(yīng)的拳頭，直到目標(biāo)消失。然后受試者放松。當(dāng)目標(biāo)出現(xiàn)在屏幕的右側(cè)時(shí)，受試者想象打開和合上相應(yīng)的拳頭，直到目標(biāo)消失。然后受試者放松。當(dāng)目標(biāo)出現(xiàn)在屏幕頂部時(shí)，受試者想象打開和合上雙手的拳頭，直到目標(biāo)消失。然后受試者放松。當(dāng)目標(biāo)出現(xiàn)在屏幕底部時(shí)，目標(biāo)會(huì)想象雙腳張開和合攏，直到目標(biāo)消失。然后受試者放松。為了統(tǒng)一數(shù)據(jù)維數(shù)，研究者選擇了4s的數(shù)據(jù)，因?yàn)槊看蜗胂笕蝿?wù)的執(zhí)行時(shí)間都在4s左右。此外，腦電圖任務(wù)是分開的，研究人員在實(shí)驗(yàn)中將左拳，右拳，雙拳和雙腳MI任務(wù)分別稱為T1，T2，T3和T4。圖2 scout命名左右運(yùn)動(dòng)想象的scout分別命名為L1、L2、L3、L4、L5、R1、R2、R3、R4、R5，如圖2所示。10個(gè)scout每一個(gè)都被擴(kuò)展到40個(gè)頂點(diǎn)，每個(gè)頂點(diǎn)只有一個(gè)源。L1區(qū)域?qū)?yīng)40個(gè)信號(hào)，其他scout也一樣。在計(jì)算了來源后，研究者在運(yùn)動(dòng)皮層中創(chuàng)建了十個(gè)scout，如圖3所示。圖3 創(chuàng)建10個(gè)scout使用ESI計(jì)算十個(gè)受試者(S5、S6、S7、S8、S9、S10、S11、S12、S13、S14)每次試驗(yàn)的四個(gè)任務(wù)(T1、T2、T3、T4)的源。對于這四項(xiàng)任務(wù)中的每一項(xiàng)，每個(gè)受試者每次都要進(jìn)行7次測試(#1，#2，#3，#4，#5，#6，#7)。展示了第一個(gè)步的10個(gè)被試的10個(gè)scout的4項(xiàng)任務(wù)的來源。然后提取10個(gè)scout的時(shí)間序列進(jìn)行進(jìn)一步分析。特征提取在計(jì)算源之后，研究人員在運(yùn)動(dòng)皮層中創(chuàng)建了包含40個(gè)源的10個(gè)scout，并提取了scout的時(shí)間序列。如圖4所示為提取R5 scout時(shí)間序列作為示例。圖的右邊顯示了R5 scout的時(shí)間序列。本文利用小波變換從scout時(shí)間序列中提取特征。圖4 提取R5 scout時(shí)間序列作為示例在這項(xiàng)研究中，研究者提出利用CNN來解決運(yùn)動(dòng)想象任務(wù)分類的問題。該模型基于Schirrmeister等提出的Deep ConvNet架構(gòu)，該網(wǎng)絡(luò)模型由一個(gè)六層卷積網(wǎng)絡(luò)組成，其中兩個(gè)最大池層和三個(gè)全連接層，如圖5所示。圖5對于Physionet數(shù)據(jù)庫，研究者首先采用Deep ConvNet架構(gòu)，包括四個(gè)卷積層、四個(gè)最大池層和一個(gè)全連接層。在實(shí)驗(yàn)中，研究者依據(jù)經(jīng)驗(yàn)使用兩個(gè)最大池化層。并嘗試了不同數(shù)量的卷積層和完全連接層。時(shí)頻圖利用Morlet小波方法得到了scout的特征。對于每個(gè)任務(wù)，R5 scout的時(shí)頻圖如圖6所示。包含時(shí)間和頻率互補(bǔ)的時(shí)頻分析方法提供了時(shí)域和頻域的聯(lián)合分布信息，清晰地描述了信號(hào)頻率與時(shí)間的關(guān)系。圖6 R5 scout的時(shí)頻圖顯然，只有部分時(shí)頻映射是紅色的，表明每個(gè)任務(wù)只對特定的頻率和時(shí)間敏感。由于圖的數(shù)量比較大，研究者使用CNN來選擇和學(xué)習(xí)這些圖中最基本的特征。研究人員隨機(jī)選擇了幾個(gè)樣本，并將一些特征圖可視化，作為MI任務(wù)的學(xué)習(xí)表示，如圖7所示。圖7為了獲得有效的結(jié)果，將數(shù)據(jù)集分為90％作為訓(xùn)練集，其余10％作為測試集。首先，將十個(gè)受試者的數(shù)據(jù)集（總共19320個(gè)樣本）分為17388個(gè)樣本以訓(xùn)練所提出的CNN模型，以及1932個(gè)樣本以驗(yàn)證模型的有效性。在實(shí)驗(yàn)中，研究者還選擇了另外四個(gè)受試者的數(shù)據(jù)集以增加數(shù)據(jù)集的規(guī)模(27048個(gè)樣本)，其中24343個(gè)樣本是訓(xùn)練集，其他樣本是測試集。在選定的scout上對所提出的CNN架構(gòu)進(jìn)行了十次訓(xùn)練和測試，以驗(yàn)證所提出模型的魯棒性。圖8(a)顯示了10個(gè)scout中每個(gè)的全局平均精度。圖8 統(tǒng)計(jì)結(jié)果R5的全局平均精度最高，達(dá)到94.5%，而L2的全局平均精度最低，為91.3%。對應(yīng)L1、L3、L4、L5、R1、R2、R3、R4的整體準(zhǔn)確率分別為92.4%、92.5%、93.6%、91.9%、93.0%、91.8%、92.1%、92.6%。所有scout的總體精度均在91%以上，標(biāo)準(zhǔn)差均在0.20%以下。圖8(b)顯示了十個(gè)scout中每個(gè)scout四個(gè)MI任務(wù)的組級(jí)統(tǒng)計(jì)結(jié)果及其標(biāo)準(zhǔn)差。一般來說，R5表現(xiàn)的要比其他的好，而L2在迭代2000中表現(xiàn)最差。標(biāo)準(zhǔn)差較小，說明這些精度更接近平均值且穩(wěn)定。圖9 統(tǒng)計(jì)結(jié)果圖9(a)顯示了帶有標(biāo)準(zhǔn)差的混淆矩陣，說明了group level分類結(jié)果。T1、T2、T3和T4的全局平均精度峰值分別為95.3%、93.3%、93.6%和96.0%。R5 scout的四個(gè)MI任務(wù)中的每一個(gè)都如圖9(b)所示。通過改變訓(xùn)練集和測試集順序的10次試驗(yàn)，確定了scoutR5的性能，結(jié)果如圖10(a)和(b)所示。在10次試驗(yàn)中，scout R5的T1、T2、T3、T4的平均準(zhǔn)確率分別為93.3%、93.8%、94.2%、94.1%。換句話說，四個(gè)任務(wù)中每一個(gè)的平均準(zhǔn)確率都超過了93%。全局平均準(zhǔn)確率為93.7%。10次試驗(yàn)結(jié)果表明，該方法對scout R5的分類效果較好。從以上結(jié)果可以清楚地看出，R5 scout在四種MI任務(wù)的分類中扮演著最重要的角色。因此，選擇R5對四個(gè)MI任務(wù)進(jìn)行分類。圖 10圖11. (a)是不同模型的全局平均準(zhǔn)確性的比較。可以發(fā)現(xiàn)，該研究提出的模型可以達(dá)到最大的精度。從圖11. (b)不同模型的ROC曲線可以看出提出的模型比其他模型表現(xiàn)更好。?不同模型T1上的精度比較。(d)不同模型T2的精度比較。(e)不同模型T3的精度比較。(f)不同型號(hào)T4的精度比較。圖11 不同模型的精度比較結(jié)論東北電力大學(xué)和長春理工大學(xué)研究團(tuán)隊(duì)開發(fā)并實(shí)現(xiàn)一種結(jié)合腦電圖源成像(ESI)技術(shù)和卷積神經(jīng)網(wǎng)絡(luò)(CNN)的新方法。該方法可以對運(yùn)動(dòng)想象(MI)任務(wù)進(jìn)行分類。實(shí)驗(yàn)結(jié)果表明，他們的研究成果與最先進(jìn)的MI分類方法的結(jié)果相比，總體分類增加了14.4%。研究者加入了4個(gè)新的受試者進(jìn)行驗(yàn)證來驗(yàn)證方法的有效性。研究者表示，他們提出的結(jié)合scout ESI和CNN的方法，提高了腦電解碼四類MI任務(wù)的BCI性能。論文信息：A novel approach of decoding EEG four-class motor imagery tasks via scout ESI and CNN

本發(fā)明公開一種帶水合反應(yīng)器的復(fù)合吸收劑循環(huán)捕捉CO2的裝置及方法，該裝置包括煅燒?還原反應(yīng)器(1)、冷凝器(2)、水合反應(yīng)器(3)、空氣反應(yīng)器(4)、碳酸化反應(yīng)器(5)、換熱器(6)以及各部分之間的連接管道；該循環(huán)捕捉CO2的方法為：鈣銅基復(fù)合吸收劑中的Ca(OH)2和CaO與進(jìn)入碳酸化反應(yīng)器的煙氣反應(yīng)，捕捉CO2；固體產(chǎn)物在煅燒?還原反應(yīng)器中與通入其中的CH4反應(yīng)，產(chǎn)生高濃度CO2；部分反應(yīng)后的固體進(jìn)入水合反應(yīng)器改善孔隙結(jié)構(gòu)，增強(qiáng)反應(yīng)活性；活化后的復(fù)合吸收劑進(jìn)入空氣反應(yīng)器完成銅基載氧體的再生。本發(fā)明使用鈣循環(huán)耦合化學(xué)鏈工藝實(shí)現(xiàn)了低能耗捕捉煙氣中的CO2，同時(shí)借助水合反應(yīng)抑制吸收劑碳酸化性能衰退。

本發(fā)明公開了一種超臨界二氧化碳燃煤循環(huán)流化床鍋爐及發(fā)電系統(tǒng)與發(fā)電方法，鍋爐包括爐膛、分離器、尾部煙道和位于分離器回料段中的外置式換熱器，爐膛內(nèi)設(shè)有冷卻壁和中溫過熱器，外置式換熱器內(nèi)設(shè)有高溫再熱器和分別與冷卻壁和中溫過熱器連通的低溫過熱器，尾部煙道內(nèi)設(shè)有低溫再熱器、高溫過熱器、上級(jí)省煤器、下級(jí)省煤器和空氣預(yù)熱器，其中，高溫過熱器與中溫過熱器連通，低溫再熱器與高溫再熱器連通；鍋爐的工質(zhì)為超臨界二氧化碳。本發(fā)明鍋爐能有效控制冷卻壁壁溫，保證鍋爐安全可靠運(yùn)行且熱效率高；發(fā)電機(jī)組趨于小型化，具有更快的負(fù)荷響應(yīng)速度，深度調(diào)峰適應(yīng)性強(qiáng)，充分發(fā)揮煤炭資源優(yōu)勢，提高能源利用率，保障能源安全。

本發(fā)明公開了一種高靈敏的ZnO/AlN核鞘納米棒陣列紫外光探測器的制備方法，包括如下步驟：在藍(lán)寶石襯底上生長ZnO納米棒陣列；采用磁控濺射法在ZnO納米棒上濺射不同厚度的AlN鞘層薄膜；采用濺射法或者電子束蒸鍍分別在ZnO/AlN核鞘納米棒陣列兩端制備具有歐姆接觸的金屬電極，構(gòu)成完整的器件。本發(fā)明通過簡單的磁控濺射方法，控制濺射時(shí)間，在ZnO納米棒上生長不同厚度、表面光滑均一的AlN鞘層薄膜，制備的ZnO/AlN核鞘光探測器件不僅具有更好的紫外光響應(yīng)，在360nm紫外光照射下，電壓為5V時(shí)，明暗電流比為5.5×103，提高了一個(gè)數(shù)量級(jí)，同時(shí)具有更快速的響應(yīng)和恢復(fù)時(shí)間，分別是0.883和0.956s。

本發(fā)明公開了一種兼顧近場和遠(yuǎn)場性能的三維攝像聲納系統(tǒng)換能器陣列的稀疏優(yōu)化方法，包括以下步驟：根據(jù)三維攝像聲納系統(tǒng)中近場數(shù)字波束形成算法的類型，確定三維攝像聲納系統(tǒng)的聚焦距離誤差參數(shù)；利用聚焦距離誤差參數(shù)確定近場稀疏優(yōu)化能量函數(shù)；采用全局尋優(yōu)算法，求解使近場稀疏優(yōu)化能量函數(shù)達(dá)到最小的稀疏換能器陣列Q1；對Q1中開啟的換能器進(jìn)行二次稀疏優(yōu)化，求解使遠(yuǎn)場稀疏優(yōu)化能量函數(shù)達(dá)到最小的稀疏換能器陣列Q2；當(dāng)聲納系統(tǒng)工作在近場狀態(tài)時(shí)，使用Q1進(jìn)行聚焦波束形成；當(dāng)聲納系統(tǒng)工作在遠(yuǎn)場狀態(tài)時(shí)，使用Q2進(jìn)行遠(yuǎn)場波束形成。本發(fā)明能夠在有效降低系統(tǒng)硬件復(fù)雜度的同時(shí)，保證系統(tǒng)在不同探測距離下都具備穩(wěn)定的探測性能。

快速診斷COVID-19是控制大流行的關(guān)鍵。本項(xiàng)目通過對新冠患者、健康人、醫(yī)護(hù)人員、上呼吸道感染（非新冠）的呼出氣中揮發(fā)性有機(jī)物進(jìn)行了篩查。通過數(shù)據(jù)分析，發(fā)現(xiàn)新冠患者呼出氣中存在有別于健康人和其他患者的特征性有機(jī)化合物（VOC）生物標(biāo)志物。呼出氣的采集只需1-2分鐘內(nèi)完成，一次性耗材，無交叉污染。通過GC-IMS、PTR-MS或其它定制的VOC傳感器可以快速實(shí)現(xiàn)對患者的新冠篩查，全程無需任何生物檢測試劑，專業(yè)技術(shù)要求低，簡單無創(chuàng)、費(fèi)用低廉，初步數(shù)據(jù)顯示相對于核酸檢測該方法的靈敏度和特異性均能達(dá)到90%。

本發(fā)明公開了一種硅烷偶聯(lián)劑修飾二氧化鈦納米管陣列材料及其制備方法和應(yīng)用。該硅烷偶聯(lián)劑修飾二氧化鈦納米管陣列材料主要由二氧化鈦納米管陣列、硅烷偶聯(lián)劑、有機(jī)溶劑和冰醋酸混合后反應(yīng)得到，可應(yīng)用于處理含有機(jī)污染物和/或重金屬污染物的廢水中。本發(fā)明的硅烷偶聯(lián)劑修飾二氧化鈦納米管陣列材料氧化還原能力強(qiáng)，可同時(shí)去除有機(jī)污染物和重金屬污染物，且去除效果好，可反復(fù)使用。