|
搜索
搜 索
高等教育领域数字化综合服务平台
一种变截面喷雾塔强化气液吸收过程
西安交通大学
2021-04-11
一种火车轮立式轧制异步强化变形方法及装置
（专利号：ZL 201410168887.5） 简介：本发明公开了一种火车轮立式轧制异步强化变形方法及装置，属于环件轧制成形技术领域。本发明在现有车轮立式轧制工艺基础上，通过轧制时在线调整主辊高度，主变形区进行轧辊错位轧制，通过错位量的调整实现轮辋金属的流动控制，并强化主变形区的异步轧制变形效果，提高轮辋变形的深透性，细化轮辋心部的晶粒尺寸。主辊的高度在线调整通过液压缸推动主辊轴承座的高向移动实现。本发明不但可以根据需要提高车轮轧制成形效
安徽工业大学
2021-01-12
异质复合结构对n型BiAgSeS材料热电性能的显著强化
在可再生能源日益短缺及温室效应日趋恶劣的严峻形势下，Seebeck效应作为一种新的能源转化方式，可以有效地将日常生活及工业生产废热和不能被太阳能电池有效吸收的红外波段转化为亟需的电能，故而引起了科研工作者们的广泛关注。衡量热电材料能量转化效率的最重要的指标是其品质因子ZT(=S2σT/κ)，如何提高材料的品质因子是热电科研工作者们普遍关注的问题。 由于本征的纳米析出相以及价键非简谐性(bond anharmonicity)的存在, BiAgSeS具有非常低的本征热导率κ；然而，因其过低的载流子迁移率极大地限制了其功率因子S2σ。何佳清教授课题组巧妙地将在二维薄膜中广泛运用的调制掺杂(modulation doping)技术推广到三维块体BiAgSeS材料中，使用具有不同载流子浓度的异质晶粒构建三维复合结构，从而极大地提升了该材料中的载流子迁移率，使得功率因子S2σ相对于均匀掺杂的对照样品提升了约87%，进而显著地提升了BiAgSeS材料的热电转化效率。文章结合了透射电子显微术和理论计算对在n型BiAgSeS三维块体复合材料中运用调制掺杂改进载流子迁移率的物理机制做了深入的探讨；该工作对调制掺杂技术在三维块体热电材料中的广泛运用颇具启发意义。
南方科技大学
2021-04-13
城市污水生物膜强化脱氮多级A/O工艺
北京工业大学
2021-04-14
循环流化床气化联合吸附强化水汽变换制氢
围绕是否能从源头创新重大装备的设计与制造技术，实现不同原料、不同规 模劣质粉煤气化制氢，使之更低成本、更高效率、更加清洁已是国内外能源领域 面临的主要问题。粉煤、生物质气化制氢流程包括:原料气化、脱硫、CO 水汽 变换、变压吸附及余热回收等，由于流化床气化燃料适应性广，能实现炉内高效 脱硫，也尤其适合不同颗粒气化处理，国际温克勒炉和恩德炉是大量使用的流化 床气化技术，国内在流化床气化方面也有较好的探索和应用，但总体上，流化床 气化由于炉内停留时间较短，排渣和飞灰碳含量较高，不同形式的颗粒或聚团流 态
上海理工大学
2021-01-12
基于HDFS的在线学习信息管理系统
成果描述：基于HDFS的在线论文管理平台主要用于管理研究生和本科生毕业论文，学生在线提交论文，老师通过本系统下载论文。系统通过邮件将相关修改意见和答辩信息反馈给学生，所有版本论文和评审意见需存储归档。市场前景分析：毕业论文（设计）是高等院校毕业生提交的有一定的学术价值和实际价值的文章或设计。它是高校培养人才的重要实践教学环节， 是对学生四年学的专业知识、研究能力、自学能力以及各种综合能力的检验。目前很多高校对于本科学生毕业论文（设计）的管理均采用传统的手工方式。随着因特网的普及、现代远程教育的发展以及现代本 科教育模式的发展， 继续采用传统手工管理模式对毕业论文（设计）进行管理就显得费时、费力、工作量大、效率低。另外，传统的手工管理模式对于教学管理者来说难以及时准确地把握毕业论文的设计进展情况，给管理带来一定的难度。与同类成果相比的优势分析：本系统使用分布式文件系统HDFS对学生论文进行管理。HDFS有着高容错性的特点，并且设计用来部署在低廉的硬件上。而且它提供高传输率来访问应用程序的数据，适合那些有着超大数据集的应用程序。
电子科技大学
2021-04-10
基于分类学习的图像检索原型系统
本系统采用Core图像数据库51135幅，每幅图像提取纹理与颜色相综合的128维特征值构建特征数据库，采用自行设计的度量距离分类学习算法，在传统的图像检索基础上引入学习机制，系统共分类369个，每一类选取少量有代表性的图像（最多不超过6幅），试验表明，在提供有限的学习样本条件下，能有效提高图像检索的精度。 系统采用两种检索方法进行比较，一种是传统的欧氏距离，另一种是本系统设计的分类距离学习方法，比较两者在图像检索精度上的差异。 该原型系统核心程序在Linux下用C编译实现，图像检索界面由PHP实现，通过Web服务器实现在线检索功能。
东华大学
2021-02-01
在量子物理与机器学习研究的进展
生成模型的研究重点是如何从给定的数据集合中学习到数据的联合概率分布，以及从学习到的概率分布中高效地生成新的样本。研究团队提出将数据的联合分布概率编码成量子多体态的概率幅的模平方。进一步地，他们提出在经典计算机上使用矩阵乘积态(Matrix Product States)来模拟学习的过程。矩阵乘积态的参数，即张量网络的张量元，可以通过类似密度矩阵重整化群(Density Matrix Renormalization Group)的算法进行学习，最终形成一个具有泛化能力的生成模型。这个学习算法结合了量子物理与机器学习各自的优点：它不仅可以利用GPU高效地学习到模型参数，还可以利用张量网络的灵活性动态地调节模型表达能力。此外，与传统的基于统计物理的生成模型（例如玻尔兹曼机）相比，玻恩学习机还具备直接生成无关联样本的强大能力，从而可以高效地生成新的数据。 基于量子态的概率生成模型融合了量子物理与机器学习的思想，是一个崭新的研究领域。玻恩学习机借助量子态内禀的概率解释及其强大的表达能力，意在为机器学习和人工智能提供更为先进的生成模型和学习算法。此外，这类模型在量子信息处理，量子计算以及多体物理中具有应用潜力。展望将来，最令人兴奋的前景应该会是在一台量子计算机上实现玻恩学习机，从而以全新的方法进行概率型的学习和建模。这项工作用使用张量网络模拟量子计算机的运行，向无监督量子机器学习迈近了一步。作用在一幅MNIST图片上的矩阵乘积态以及它的纠缠谱
北京大学
2021-04-11
基于大数据的用户业务行为学习
南京邮电大学
2021-04-14
基于HDFS的在线学习信息管理系统
基于HDFS的在线论文管理平台主要用于管理研究生和本科生毕业论文，学生在线提交论文，老师通过本系统下载论文。系统通过邮件将相关修改意见和答辩信息反馈给学生，所有版本论文和评审意见需存储归档。
电子科技大学
2015-02-12