柴油车后尾气处理装置“铜基分子筛催化剂”的研发专家

一种通过用胶带预处理基底来气相沉积生长单层MoS 2 枝晶的方法，有意在初始成核阶段和/或生长过程中引入孪晶缺陷，实现单层MoS 2 树枝晶的形貌调控。所得的MoS 2 晶体具有六次对称的骨架，分枝数可调。其形状的演化过程是由胶黏剂种子诱导的双晶缺陷形核和局部硫/钼源蒸气比的协同效应所引起的。此外，由于硫空位的富集，极大地增强了循环孪晶区的光致发光效率。该工作为合成可控形状的单层MoS 2 提供了一种简便有效的策略，同时也为理解孪晶缺陷的生长机制以及在其电催化和光电催化等领域的应用做出了贡献。

MCPS V4.0软件专门用于多分量地震数据的处理与解释，是一个完全具备自主知识产权的软件系统。本软件基于三分量地震数据的特点，充分利用多波地震数据的矢量信息，对随机干扰与面波干扰进行识别与压制，最大限度的保持了有效地震信息的真振幅、极化特征、频带范围；在此基础之上对矢量波场进行分离与合成，将偏移成像中的输入道与输出道技术相结合，对转换波数据进行CCP道集分选与叠前偏移成像。本软件系统还提供了一些必要的振幅调制模块，如三分量地震数据归一化、三分量道均衡模块，可用于对不同系统输出的中间数据进

本发明涉及铈氮氟共掺杂二氧化钛光催化剂及其在可见光降解有机污染物中的应用。采用的技术方案是：铈氮氟共掺杂二氧化钛光催化剂，其制备方法如下：将钛酸丁酯在搅拌下缓慢滴入乙醇和冰乙酸混合溶液中，搅拌均匀后，逐滴加入氢氟酸溶液，搅拌形成透明混合溶液A；将氨水与乙醇混合，加入硝酸铈，调节pH至2，配成溶液B；将溶液B缓慢滴入溶液A中，得到均匀透明溶胶；在空气中放置陈化，得到固体凝胶；干燥后研磨成粉末，置于马弗炉中400～500℃，焙烧40 min～1.5 h，得到铈氮氟共掺杂二氧化钛光催化剂。合成方法简单的，稳定的，形成催化效率高的非金属和金属三掺杂二氧化钛光催化剂。多元素共掺杂催化剂得到的产物在粒径、形貌上与对比单掺杂或双掺杂有较大的不同，多元素共掺杂能大幅度提高催化剂的催化活性，给催化剂的物理性质带来很多优点，如粒径变小，表面积增大，表面具有特殊结构。本发明的目的是为了扩大TiO2的可见光响应范围，减小电子和空穴的复合，从而提高TiO2对太阳能的利用率，提高其可见光催化活性，因此本发明对TiO2表面进行修饰，提供一种在可见光作用下，光催化效果好的铈氮氟共掺杂二氧化钛光催化剂及其制备方法。采用铈氮氟共掺杂二氧化钛光催化照射的方法处理双酚A废水，使其降解率达到99%以上，不完全降解率低于0.5%。

近日，机电学院王绍金教授团队在学校G2期刊《InternationalJournalofFoodMicrobiology》上发表题为“Combinedeffectsofintermittentradiofrequencyheatingwithcinnamonoilvaporonmicrobialcontrolandqualitychangesofalfalfaseeds”的论文。博士研究生徐渊美为论文第一作者，王绍金教授为论文通讯作者。

近日，西南大学化学化工学院官智教授、何延红教授与南宁师范大学黄初升教授开展合作，在国际顶尖化学期刊《德国应用化学》(AngewandteChemieInternationalEdition，)上在线发表了题为“MergingtheNon-NaturalCatalyticActivityofLipaseandElectrosynthesis:AsymmetricOxidativeCross-CouplingofSecondaryAmineswithKetones”（脂肪酶的非天然催化活性与电合成相结合：二级胺与酮的不对称氧化交叉偶联）的研究成果。

我校理学院大数据研究团队在人工智能与大数据处理技术研究方面取得系列进展，研究成果分别发表在IEEE Transactions on Neural Networks and Learning Systems、IEEE Transactions on Cybernetics和Information Sciences三大人工智能顶级期刊。神经网络是人工智能领域中目前最为火热的研究方向——深度学习的架构基础。虽然深度学习在近几年发展迅速，但是关于如何设计最优神经网络架构的问题仍处于探索阶段。该团队分别针对人工智能中神经网络结构复杂、高维大规模数据存在无效和冗余特征、难以获取长时序信息等问题与缺陷，设计出了一系列网络结构优化、大数据特征选择和时序循环神经网络模型，有效改善了上述不足，提高了人工智能模型的学习性能。 题目为《带Group Lasso惩罚与控制冗余的神经网络特征选择》（Feature Selection using a Neural Network With Group Lasso Regularization and Controlled Redundancy）的研究论文发表在人工智能领域权威国际期刊IEEE Transactions on Neural Networks and Learning Systems。王健副教授和博士生张华清为该论文共同第一作者， 我校荣誉教授Nikhil R. Pal院士（印度统计研究所）参与指导，中国石油大学（华东）为第一署名单位。该项工作得到国家自然科学基金、国家科技重大专项、山东自然科学基金、中央高校基本科研业务费、中国石油天然气集团公司重大科技项目以及山东省高校青年创新科技支撑计划的资助。 特征选择技术也称属性选择，是指从原始特征或属性中选择出最有效的特征或属性以降低数据维度的过程，它是人工智能数据预处理环节的重要步骤，也是大数据处理技术的重要环节。该项工作在神经网络中嵌入Group Lasso惩罚项并实现特征冗余控制，在选出对解决问题最有帮助、蕴含信息量最大的特征或属性的同时，控制所选特征子集的冗余程度，以达到降维的最优效果，从而使模型的泛化能力更强，降低神经网络模型产生过拟合的风险。 题目为《基于L1正则化的神经网络结构优化模型设计与分析》（Learning Optimized Structure of Neural Networks by Hidden Node Pruning With L1Regularization）的研究论文发表在国际人工智能领域权威期刊IEEE Transactions on Cybernetics。硕士生谢雪涛和博士生张华清为论文共同第一作者，王健副教授为通讯作者，我校荣誉教授Nikhil R. Pal院士（印度统计研究所）参与指导，中国石油大学（华东）为第一署名单位。该项研究成果得到了国家自然科学基金、山东省自然科学基金和中央高校基本科研业务费的资助。 该项工作借助L1正则子具有的稀疏表达能力，提出两种神经网络结构优化学习模型；本项工作另外一个突出贡献就是提出了一种简单且具有通用性的收敛性证明方法，同时保证了模型设计的合理性。实验结果表明所提出模型具有强大的鲁棒性、广泛的适用性、理想的剪枝能力和良好的泛化能力，适用处理高维大数据。该研究成果在人工智能与深度学习构造最简网络结构方面具有很强的指导作用和应用推广价值。

大气压低温等离子体材料表面改性是一种新型的表面改性方法，这种方法可以有效地改善材料表面性能，且凭借其独特的优点使其具有其它传统方法不可比拟的优势，是一项值得深入研究的有广阔应用前景的技术。本项目采用大气压低温等离子体改性PTFE材料，替代传统的湿法化学处理方法，从而提高其表面的粘接性、吸湿性、可染色性、及生物相容性等性能，开发出适合对PTFE表面处理的高放电均匀性、高放电电离效率和大面积的均匀等离子体在线清洁处理技术，从而达到对PTFE表面改性的有效调控，取代传统的化学表面处理方法，推动相关产业的技