研究了Bi2O3-BaO-SiO2-RxOy玻璃体系的结构及封接性能.应用密度泛函理论计算获得了Bi2O3在SiO2玻璃网络中的能量最优结构,从理论上确定了铋作为网络中间体最可能以[BiO3]形式存在,并讨论了Ba2+、Al3+等在玻璃中的作用及其存在的可能结构.结果表明,该玻璃的热膨胀系数在50~530℃温度为11×10-6 K-1,与氧化钇稳定氧化锆(热膨胀系数10.2×10-6 K-1)电解质和不锈钢SUS430(热膨胀系数11.3×10-6 K-1)合金连接体相匹配.对玻璃粉体进行物相分析表明,该硅酸盐玻璃为非晶体,与理论分析相一致.将氧化钇稳定氧化锆电解质和SUS430合金连接体用Bi-Ba-Si-O玻璃在高温下进行封接实验,结果说明三相界面结合紧密,气密性良好.实验选定的Bi-Ba-Si-O玻璃材料基本满足固体氧化物燃料电池对封接材料的要求

大部分入侵检测系统的实现都会产生大量的报警信息,在一定程度上影响了系统管理,误报率也较高,影响了入侵检测的效果.针对这个问题,提出了一种基于节点关联的报警置信度计算方法,位于对等网络之上,节点在收到一系列入侵报警之后,需要进行节点关联,从而对报警信息进行融合,提取有效报警信息.其中根据关联对象的不同,节点关联又包括报警关联和信任关联两个层次,报警关联可用来判断入侵报警的有效性,信任关联可用来判断发起报警节点的可信性,给出了相关算法.仿真实验表明,使用该报警置信度计算方法可以提高入侵报警的检测准确率

近年来，无人机入侵的事件经常发生，无人机跌落碰撞的事件也屡见不鲜，在人群密集的地方容易引发安全事故，所以无人机监测是目前安防领域的研究热点。虽然目前有很多种无人机监测方案，但大多成本高昂，实施困难。在5G背景下，针对此问题提出了一种利用城市已有的监控网络去获取数据的方法，基于深度学习的算法进行无人机目标检测，进而识别无人机，并追踪定位无人机。该方法采用改进的YOLOv3模型检测视频帧中是否存在无人机，YOLOv3算法是YOLO（You only look once，一次到位）系列的第三代版本，属于one-stage目标检测算法这一类，在速度上相对于two-stage类型的算法有着明显的优势。YOLOv3输出视频帧中存在的无人机的位置信息。根据位置信息用PID（Proportion integration differentiation，比例积分微分）算法调节摄像头的中心朝向追踪无人机，再由多个摄像头的参数解算出无人机的实际坐标，从而实现定位。本文通过拍摄无人机飞行的照片、从互联网上搜索下载等方式构建了数据集，并且使用labelImg工具对图片中的无人机进行了标注，数据集按照无人机的旋翼数量进行了分类。实验中采用按旋翼数量分类后的数据集对检测模型进行训练，训练后的模型在测试集上能达到83.24%的准确率和88.15%的召回率，在配备NVIDIA GTX 1060的计算机上能达到每秒20帧的速度，可实现实时追踪