采用P507一Cyanex272混合萃取体系分离微生物浸出液中的镍钴,实验结果表明该体系具有较好的协萃效应.结合低含量镍钴的微生物浸出液体系高酸度、低钴镍比的特点,对比了P507、Cyanex272和P507-Cyanex272三种萃取体系对镍钴的萃取分离效果,确定了在初始pH值1.5~2.2、对应的平衡pH值4.00~5.25条件下P507-Cyanex272协萃体系有较好的镍钴分离效果.系统考察了室温28℃下协萃体系各影响因素对镍钴分离的影响,确定协同萃取的最佳工艺为:P507与Cyanex272摩尔比3:2,皂化率60%,萃取剂体积分数10%,有机相(由萃取剂与煤油组成)和水相体积比1:4.在此条件下钻的一级萃取率为99.16%,镍钻分离系数为932.59

第一部分 电阻电路的分析 第二部分 动态电路的分析 第三部分 正弦稳态分析

这章我们主要讨论矩阵的五种分解：矩阵的满秩分解，正交三角分解，奇异值分解，极分解，谱分解

分分支稳定和极限分析支稳定和极限分析 1、两类稳定问题的基本概念 2、简单结构稳定分析 3、基本假设与基本概念 4、极限平衡法比例加载时的若千定理 5、结论与讨论

对金相图像进行快速精确分割是金相晶粒评级的关键步骤，利用传统Chan-Vese（CV）模型很难将晶粒精确地提取出来.为了更加精确地对金相图像进行分割，提出一种基于改进CV模型的金相图像分割方法.初始化水平集函数，对曲线内外两部分分别计算其倒数坎贝拉距离，并将该距离的大小作为拟合中心的权重系数，有效抑制了噪声点对区域拟合中心准确性的影响；引入指数熵自适应调节曲线内外能量权重，减少固定能量权重对曲线演化的影响；同时加入距离规范项以避免水平集函数的重新初始化，加速该模型的收敛.实验结果表明，与传统CV模型、测地线活动轮廓模型、距离规范项的水平集模型以及偏置场修正水平集模型相比，所提方法分割出的金相图像更加精确，分割效率较高且模型收敛性较好

8.7 分子荧光与分子磷光分析法

铁矿石烧结烟气中含有较高浓度的CO（体积分数0.5%～2%），因此对其进行CO脱除意义重大。为了探究不同类型催化剂的催化效果，采用浸渍法制备了Pt涂层蜂窝金属催化剂和铁铈氧化物催化剂，并通过X射线荧光光谱分析（XRF）对其组分含量进行了分析。二者在模拟烧结烟气中进行CO脱除性能的对比实验，活性测试表明，不同CO初始体积分数、烟气温度以及水汽含量对CO催化氧化的脱除效率影响较大。当模拟烟气中不含水汽的时候，二者在180 ℃及更高温度下对CO的脱除效率均能达到60%以上。反应温度为180 ℃，水汽体积分数为11.7%时，Pt负载型催化剂中的CO转化率为63.9%，而该条件下Ce改性Fe2O3催化剂的CO转化率仅为34.9%。当温度在180～300 ℃范围内，Pt负载型催化剂具有较好的抗水性，且继续升高温度，水汽体积分数增加对催化剂效率的负面影响更显著。如水汽体积分数从0增加到27.1%时，与180 ℃时的催化效率相比，Pt负载型催化剂在240 ℃时的催化效率由73.9%降至62.3%，降幅远远增大。另外，对这两种催化剂进行了抗硫性测试。当水汽体积分数为0时，Ce改性Fe2O3催化剂抗硫性更佳，但当SO2和水汽同时存在的情况下，Pt负载型催化剂具有更好的抗硫性。因此，在实际烧结中建议采取高效的脱硫措施并布置脱水层以减少其对于催化剂的负面影响

利用自制外控电位浮选槽研究了矿物粒度、矿浆pH值、外控电位大小等因素对黄铜矿和辉钼矿浮选行为的影响, 从而找到二者分离的条件并进行了铜钼混合精矿的外控电位浮选分离, 采用循环伏安测试和腐蚀电偶测试验证了上述试验结论. 研究结果表明, -150+31 μm的黄铜矿受外控电位影响大, 容易被抑制, 而辉钼矿则不容易被抑制. -31 μm的黄铜矿和辉钼矿可浮性均较差, 受外控电位影响较小. 外控电位浮选在碱性条件下进行有利于实现抑铜浮钼. 在pH值11的条件下, 抑铜浮钼的最佳分离外控电位为-1100~-700 mV(vs Ag/AgCl). 在pH值为11、外控电位-800 mV(vs Ag/AgCl)的条件下对多宝山铜钼混合精矿进行浮选分离, 经过一次浮选分离可得到钼回收率80.57%、铜回收率10.19%的钼粗精矿, 辉钼矿和黄铜矿的浮游差达到70.38%, 这使外控还原电位下浮选分离黄铜矿和辉钼矿成为可能. 另外, 腐蚀电偶测试结果表明: 黄铜矿和辉钼矿间的电偶腐蚀对于抑铜浮钼浮选有促进作用

一、填空题(共17题45分) 1.5分(1523) 1523 一个分子有单态和三重态两种电子能态。单态能量比三重态高4.11×102J,其简并度 分别为g,0=3,g,1=1。则在298.15K时,此分子的电子配分函数q三重态与单态上 分子数之比为 2.5分(1836)

融合手工特征和深度特征，提出了一种集成超限学习机心跳分类方法。手工提取的特征明确地表征了心电信号的特定特性，如相邻心跳时间间隔反映了心跳信号的时域特性，小波系数反映了心跳信号的时频特性。同时设计了一维卷积神经网络对心跳信号特征进行自动提取。基于超限学习机（Extreme leaning machine，ELM），将上述特征融合进行心跳分类。由于ELM初始参数的随机给定可能导致其性能不稳定，进一步提出了一种基于袋装（Bagging）策略的多个ELM集成方法，使分类结果更加稳定且模型泛化能力更强。利用麻省理工心律失常公开数据集对所提方法进行了验证，分类准确率达到了99.02%，实验结果也表明基于融合特征的分类准确率高于基于单独特征的分类准确率