江苏大学 材料科学与工程学院, 镇江 212013
氨具有低成本、易液化和高体积能量密度等特点, 是一种有吸引力的无碳燃料, 用其制成的直接氨燃料电池也备受科研人员青睐, 却受限于阳极氨氧化缓慢的动力学过程。本工作采用无表面活性剂的简单方法通过纳米颗粒(NPs)自组装制备了三维多孔网络结构的PtIr合金气凝胶高效氨氧化催化剂。该结构提供了丰富开放的互联质子传输通道和额外的催化活性位点, 有助于氨电催化氧化中NH3分子的去质子化过程。当Pt和Ir物质的量比为80/20时, PtIr合金气凝胶展现出最优的氨氧化(AOR)催化活性。实验通过研究NH3浓度和工作温度对催化剂氨氧化性能的影响发现, Pt80Ir20合金气凝胶催化剂的AOR性能随着氨水浓度或温度的上升而增强, 如当氨水浓度为0.5 mol/L时, 合金催化剂在0.5 V电位下的质量比活性为44.03 A·g-1, 约是0.05 mol/L 氨水中的4倍。当温度上升至80 ℃ 时, 合金催化剂在0.5 V电位下的质量比活性为148.73 A·g-1, 约为25 ℃下的12倍。在此温度变化区间, 其AOR起始电位下降了40 mV。利用Arrhenius方程计算发现, Pt80Ir20合金气凝胶催化剂的AOR反应活化能比商业Pt/C催化剂降低了~9.43 kJ·mol-1。此外, 催化材料的稳定性测试结果表明, Pt80Ir20合金气凝胶催化剂经2000次循环伏安测试后的峰值质量比活性损失为~50.6%, 优于商业Pt/C催化剂(~74.9%)。
自组装 PtIr合金 气凝胶 电催化氨氧化反应 self-assembly PtIr alloy aerogel electrocatalytic ammonia oxidation reaction
合肥工业大学计算机与信息学院，安徽 合肥 230009
目前行人重识别的研究只关注了可见光下跨摄像头提取图像不变的特征表示，忽视了红外条件下的成像特点，并结合两种模态的研究成果很少。此外，当前行人重识别在判别两个图像时，通常是计算单个卷积层特征图的相似性，这会导致弱特征学习现象。为了解决上述问题，本文提出了基于特征金字塔的随机融合网络，它可以同时计算多个特征层级的相似性，匹配图像时是基于多个语义层的判别因子。该模型关注到红外图像的特性，并且缩小了可见光和红外模态内部负作用的偏差，平衡了模态间的异质差距，综合了局部特征和全局特征学习的优势，有效地解决了跨模态行人重识别问题。实验在SYSU-MM01数据集上对平均精确度和收敛速度进行验证。结果表明，所提的模型优于现有的先进算法，特征金字塔随机融合网络实现了快速收敛且平均精确度达到了32.12%。
行人重识别 可见光 红外 特征金字塔 person re-identification visible infrared feature pyramid
合肥工业大学计算机与信息学院, 安徽合肥 230009
卷积神经网络在单帧图像超分辨率重建任务中取得了巨大成功, 但是其重建模型多是基于单链结构, 层间联系较弱且不能充分利用网络提取的分层特征。针对这些问题, 本文设计了一种多路径递归的网络结构 (MRCN)。通过使用多路径结构来加强层之间的联系, 实现特征的有效利用并且提取丰富的高频成分, 同时使用递归结构降低训练难度。此外, 通过引入特征融合的操作使得在重建的过程中可以充分利用各层提取的特征, 并且自适应的选择有效特征。在常用的基准测试集上进行了大量实验表明, MRCN比现有的方法在重建效果上具有明显提升。
卷积神经网络 超分辨 分层特征 多路径 特征融合 convolutional neural network super-resolution hierarchical features multi-path feature fusion
合肥工业大学计算机与信息学院，安徽 合肥 230009
卷积神经网络在单标签图像分类中表现出了良好的性能，但是，如何将其更好地应用到多标签图像分类仍然是一项重要的挑战。本文提出一种基于卷积神经网络并融合注意力机制和语义关联性的多标签图像分类方法。首先，利用卷积神经网络来提取特征；其次，利用注意力机制将数据集中的每个标签类别和输出特征图中的每个通道进行对应；最后，利用监督学习的方式学习通道之间的关联性，也就是学习标签之间的关联性。实验结果表明，本文方法可以有效地学习标签之间语义关联性，并提升多标签图像分类效果。
多标签图像分类 卷积神经网络 注意力机制 语义关联性 multi-label classification convolution neural network attention mechanism semantic dependencies
合肥工业大学计算机与信息学院，安徽 合肥 230601
现有的细粒度分类模型不仅利用图像的类别标签, 还使用大量人工标注的额外信息。为解决该问题, 本文提出一种深度迁移学习模型, 将大规模有标签细粒度数据集上学习到的图像特征有效地迁移至微型细粒度数据集中。首先, 通过衔接域定量计算域间任务的关联度。然后, 根据关联度选择适合目标域的迁移特征。最后, 使用细粒度数据集视图类标签进行辅助学习, 通过联合学习所有属性来获取更多的特征表示。实验表明, 本文方法不仅可以获得较高精度, 而且能够有效减少模型训练时间, 同时也验证了进行域间特征迁移可以加速网络学习与优化这一结论。
迁移学习 细粒度分类 深度学习 卷积神经网络 transfer learning fine-grained categorization deep learning convolutional neural network
1 金陵科技学院 电子信息工程学院, 南京 211169
2 中原工学院 电子信息学院, 郑州 450007
应用带保护气进行烧结的方法, 制作了一种双半导体底层碳纳米管薄膜阴极.利用烧结的银浆形成条形银电极, 在条形银电极表面制作了具有相同宽度且平行排列的ZnO掺杂底层和TiO2掺杂底层, 在掺杂底层上面制备了碳纳米管膜层.由于保护气的防氧化屏蔽, 碳纳米管膜层中的碳纳米管未受损害, ZnO粒子和TiO2粒子也在烧结过程中得到了很好地保护, 双半导体底层碳纳米管薄膜阴极获得更优的电子发射特性, 且电子发射稳定性也得到有效增强.与普通条形银电极碳纳米管阴极相比, 双半导体底层碳纳米管薄膜阴极能够将开启电场从2.09 V/μm降低到1.91 V/μm, 将最大电子发射电流从1 653.5 μA提高到2 672.9 μA.在2.69 V/μm电场作用下, 普通条形银电极碳纳米管阴极的电子发射电流仅为421.1 μA, 而双半导体底层碳纳米管薄膜阴极的电子发射电流能够达到723.5 μA.从发射电流稳定性实验曲线可以看出, 双半导体底层碳纳米管薄膜阴极实现了稳定的电子发射, 表明ZnO掺杂底层和TiO2掺杂底层能够应用于真空环境.利用数码相机获得了具有良好质量的发射图像, 验证了双半导体底层碳纳米管薄膜阴极制作的可行性和适用性.
薄膜阴极 掺杂底层 烧结 丝网印刷 电子发射 Film cathode Blending underlayer Sintering Screen-printing Electron emission
