锂硫电池被认为是新一代低成本、高能量密度的储能系统。但由于硫正极导电性差、穿梭效应严重以及氧化还原反应速率慢, 导致电池容量衰减严重, 倍率性能较差。本研究以柠檬酸钠为碳源制备了具有三维中空结构的多孔碳材料, 并在其骨架上负载钴纳米颗粒后作为硫正极的载体。引入的钴纳米颗粒可有效吸附多硫化物, 提升其转化反应的动力学, 进而明显改善电池的循环和倍率性能。所得的钴掺杂复合硫正极在0.5C (1C=1672 mAh·g^-1)的倍率下首圈放电比容量高达1280 mAh·g^-1, 在1C的倍率下稳定循环200圈后可保持770 mAh·g^-1, 并且具有优异的倍率性能, 即使在10C的大电流密度下仍可稳定循环。

提出组合多决策准则的稀疏表示分类（Sparse Representation-based Classification，SRC）并在合成孔径雷达（Synthetic Aperture Radar，SAR）目标识别中进行应用。传统SRC通常在全局字典上对测试样本进行重构，分别计算不同训练类别对于测试样本的重构误差，最终根据最小重构误差的原则进行分类决策。然而，由于SAR目标识别问题的复杂性，单一决策准则往往对扩展操作条件的适应性不强，导致整体性能下降。为此，文中基于稀疏表示求解的系数矢量，分别采用最小重构误差原则、最大系数能量原则以及局部最小重构误差原则分别进行分类。最小重构误差准则直接采用传统算法。最大系数能量准则分别计算不同训练类别系数能量，按照能量最大的原则进行判决。局部最小重构误差原则在局部字典上对测试样本进行表征和分析，充分体现SAR图像的视角敏感性。对于三个准则获取的决策变量，通过适当转换统一采用概率分布形式进行表达。最终，基于线性加权融合对三个准则的结果进行分析，判决测试样本所属目标类别。基于MSTAR数据集对方法进行测试，分别验证了提出方法在标准操作条件、俯仰角差异、噪声干扰及目标遮挡等情形的性能。实验结果表明：所提方法通过结合多决策准则能够有效提升SAR目标识别性能。