采用电化学阻抗测试技术(EIS)、Mott-Schottky方法对β相模型合金在Cl-溶液环境中形成的表面膜的稳定性和半导体特性进行研究.结果表明,Cl-浓度的增加,使β相表面膜形成和活化溶解的趋势均加剧,即表面膜的稳定性变差.原因在于Cl-浓度较低时,β相表面膜的半导体类型为P型,P型半导体膜是一种阳离子导体膜,Cl-很难通过迁移扩散的方式穿过表面膜.随着Cl-浓度的增大,β相表面膜的半导体类型转变为N型,N型半导体膜便于Cl-穿越膜层到达膜层底部,继续腐蚀金属并使表面膜发生破裂

由10个平面点群与5个平面点阵组合,推导出与二维编织复合材料几何结构有密切关系的17个平面群.叙述了二维编织复合材料纱线段的点符号简化方法及其组合、交叉原则,以及由点符号组成的无对称单元、基本对称单元构建的方法.阐述了从无对称单元到基本对称单元最终形成编织织物的过程.将二维编织织物分为4种编织系,每种编织系包括若干个平面群,每个平面群对应一类编织结构,每类结构包括一种或几种编织形式,交织方法类似.举例说明了多数平面群可能对应的编织几何结构

所谓编码就是赋予选定的一系列二进制代码以 固定的含义。（从码的角度看） 给输入信号一个特定代码。（从信号角度看） n个二进制代码（n位二进制数）有2n种不 同的组合，可以表示2n个信号

CE―CB组合放大器及其交流通 路分别如图2―44(a),(b)所示。由于共基 放大器的输入电阻很小，将它作为负载 接在共射电路之后，致使共射放大器只 有电流增益而没有电压增益。而共基电 路只是将共射电路的输出电流接续到输 出负载上。因此，这种组合放大器的增 益相当于负载为R′

研究了在晶态Ni-P合金刷镀液中添加稀土后,镀层组织结构上的变化,X射线衍射及透射电子衍射分析表明:在镀液中添加一定量的稀土可显著提高镀层中的非晶态组织比例,其变化规律与相应的镀层耐蚀性能变化规律是一致的,并讨论了可能的机理

基于输电线路抗覆冰的应用背景,通过对Fe100-x-yCrxBy(x=11~20,y=9~20)的成分调节和快淬工艺参数控制,制备了同时具有低居里温度和高饱和磁极化强度的非晶带材.测试研究表明Fe65Cr15B20和Fe64Cr16B20的居里温度分别为28.6和11.6℃,Fe65Cr15B20和Fe64Cr16B20在0℃的饱和磁极化强度分别为0.69和0.62 T.设计组装了一种近似绝热磁致热功率的测量装置,用该装置对Fe65Cr15B20和Fe64Cr16B20两种非晶合金带的磁热功率进行了近似测量和分析

采用有限元软件ANSYS/LS-DYNA建立了15个颗粒与基板的冷喷涂沉积模型,通过多颗粒沉积模型预测工艺条件、不同颗粒/基板组合的沉积行为和微观形貌;制备了Al和Cu冷喷涂涂层,观察了涂层截面形貌和颗粒变形特征,并与模拟结果进行对比.结果表明,多颗粒沉积模型可预测喷涂条件对颗粒沉积过程及涂层微观特征的影响,以及不同颗粒/基板组合的界面微观形貌.当碰撞速度低时,颗粒变形不充分,颗粒交界处易形成孔洞;随着速度增加,颗粒流变填充孔洞,涂层致密.与颗粒相比,硬基板涂层/基板界面平滑,机械互锁作用小;软基板形成射流状金属挤入颗粒之间,增加结合作用

采用相分析和X射线衍射技术,研究了含Ti、Nb等微合金元素的高强钢中碳氮化物的溶解行为.结果表明,加热到1250℃,未均热时,主要是面心立方结构的Ti(CN)、(TiNb)(CN)、TiC析出相;均热时间为45min,部分Ti和Nb继续溶解,析出相转为Ti(CN)、TiC为主,平均颗粒尺寸由300nm增大为323nm,此时Ti、Nb固溶已经达到平衡,固溶率分别为64.2%和85.8%.当保温80min时,析出相含量基本没有变化,但颗粒尺寸有所增加

采用高速电镀实验装置强制电解液湍流运动,在高电流密度下,对简单硫酸盐体系中Zn-Ni合金电沉积规律进行了研究,证明Zn-Ni共沉积为异常共沉积,镀液中[NI]/[Ni+Zn]比及电流密度增加,镀层镍含量上升;镀液流速增加,镍含量下降。确定了高速电镀该合金工艺

针对单核学习支持向量机无法兼顾学习能力与泛化能力以及多核函数参数寻优问题，提出了一种基于群体智能优化的多核学习支持向量机算法。首先，研究了五种单核函数对支持向量机分类性能的影响，进一步提出具有全局性质的多项式核和局部性质的拉普拉斯核凸组合形式的多核学习支持向量机算法；其次，为增加粒子多样性及快速寻优，将粒子群优化算法引入了遗传算法中的杂交操作，并用此改进的群体智能优化算法对多核学习支持向量机进行参数寻优。最后，分别采用深度特征与手工特征作为识别算法的输入，研究表明采用深度特征优于手工特征。故本文采用深度特征作为多核学习支持向量机的输入，以交叉遗传与粒子群混合智能优化算法作为其寻优方式。实验选取合作医院数据集对所提算法进行训练并初步测试，进一步为了验证所提算法的泛化能力，选取公开数据集LUNA16进行测试。实验结果表明，本文算法易于跳出局部最优解，提升了算法的学习能力与泛化能力，具有较优的分类性能