纳米纤维素基复合材料在锂硫电池中的应用研究进展

锂硫电池因具有高的理论比容量和能量密度,成为极具应用前景的下一代储能器件。纳米纤维素基材料因其独特的多孔网状结构和理化特性,在锂硫电池的开发研究中受到广泛关注。本文在简要介绍锂硫电池基本工作原理的基础上,分析了阻碍其商业化发展的问题和面临的挑战。针对纳米纤维素的独特结构和优异性能,重点综述了纳米纤维素基复合材料在锂硫电池中的最新研究进展,包括作为隔膜、阴极材料和其他组件等,有效缓解“穿梭效应”“体积膨胀”和“锂枝晶”等关键难题,明显提升了电池的电化学性能与使用寿命。此外,还介绍了纳米纤维素基复合材料在未来发展中亟待解决的问题,并对纤维素基锂硫电池器件的发展方向进行了展望。

CNF-CMC梯度网络结构固定有机颜料对纸纱原纸着色效果的影响

相比传统造纸染料光热条件下易褪色的缺陷,水性有机颜料具有优异的着色力和高耐光耐候性,能够满足高端纸纱对着色剂着色效果和耐晒等级的要求.但有机颜料颗粒和植物纤维之间缺乏化学键和氢键作用,导致颜料在纸页结构中固定困难.本研究以纤维素纳米纤丝(CNF/TOCNF)为一级骨架网络,羧甲基纤维素(CMC)大分子为二级补强网络,共同构建多级梯度网络包络固定有机颜料颗粒,通过双层涂覆形式实现对颜料颗粒的分散和固定.结果表明,以梯度网络固定颜料颗粒可显著提升纸纱原纸的着色效果和色牢度,并对改善纸张强度和粗糙度也有积极作用.本研究对解决高端纸纱原纸生产中的着色技术难题具有重要的推动作用.

基于Kalman滤波的白噪声估计理论(英文)

应用Kalman滤波方法 ,首次提出了一种统一的和通用的白噪声估计理论 .它可统一处理线性离散时变和定常随机系统的输入白噪声和观测白噪声的滤波、平滑和预报问题 .提出了最优和稳态白噪声估值器 ,且提出了白噪声新息滤波器和Wiener滤波器 .它们可应用于石油勘探地震数据处理 ,且为解决状态和信号估计问题提供一种新工具 .两个仿真例子说明了其有效性 .

带相关噪声的观测融合稳态Kalman滤波算法及其全局最优性

对于带相关的输入白噪声和观测白噪声及相关观测白噪声的多传感器线性离散定常随机系统,用加权最小二乘(WLS)法提出了一种加权观测融合稳态Kalman滤波算法,可处理状态、白噪声和信号融合滤波、平滑、预报问题。基于稳态信息滤波器证明了它完全功能等价于集中式观测融合稳态Kalman滤波算法,因而它具有渐近全局最优性,且可减少计算负担。一个跟踪系统仿真例子验证了它的功能等价性。

自校正多传感器观测融合Kalman估值器及其收敛性分析

对于带未知噪声方差的多传感器系统,应用加权最小二乘(WLS)法得到了一个加权融合观测方程,且它与状态方程构成一个等价的观测融合系统.应用现代时间序列分析方法,基于观测融合系统的滑动平均(MA)新息模型参数的在线辨识,可在线估计未知噪声方差,进而提出了一种加权观测融合自校正Kalman估值器,可统一处理自校正融合滤波、预报和平滑问题,并用动态误差系统分析方法证明了它的收敛性,即若MA新息模型参数估计是一致的,则它按实现或按概率1收敛到全局最优加权观测融合Kalman估值器,因而具有渐近全局最优性.一个带3传感器跟踪系统的仿真例子说明了其有效性.

多传感器信息融合稳态最优Wiener反卷积滤波器

应用现代时间序列分析方法,基于ARMA新息模型和Lyapunov方程,提出了单通道ARMA信号的多传 感器信息融合稳态最优Wiener反卷积滤波器。它避免了Riccati方程,可用于设计含未知模型参数和含未知噪声方 差系统的自校正信息融合滤波器。一个仿真例子说明了其有效性。

单输出系统最优自校正滤波新方法及其在跟踪系统中的应用

对于带未知噪声统计且含未知模型参数的单输出系统,本文用现代时间序列分析方法提出了一种新的自校正滤波方法,给出了具有渐近最优性的自校正滤波器,新方法的特点是基于ARMA新息模型通过计算自校正输出预报器和自校正观测噪声滤波器就可得到自校正状态滤波器,文中给出了在跟踪系统中的应用例子,仿真结果说明了新方法的有效性。

自校正Kalman滤波、预报、去卷、平滑新方法

本文用现代时间序列分析方法，提出了基于白噪声估值器和输出预报器解决线性离散定常系统稳态最优和自校正Ｋａｌｍａｎ滤波、预报、平滑问题新方法．此方法可能应用于跟踪系统、信号处理、通讯系统等领域，仿真例子说明了新方法的有效性．

基于Kalman滤波的信息融合白噪声最优反卷积滤波器

应用Kalman滤波方法 ,基于Riccati方程 ,在线性最小方差最优信息融合准则下 ,提出了两传感器最优信息融合白噪声反卷积滤波器。同单传感器情形相比 ,可提高滤波精度。它可应用于石油地震勘探信号处理。一个信息融合Bernoulli

ARMA模型参数估计的两段最小二乘法

提出了自回归滑动平均(ARMA)模型参数估计的两段最小二乘法。首先用递推最小二乘法对真实ARMA模型拟合高阶自回归(AR)模型,然后基于所拟合的AR模型参数,用最小二乘法解一个不相容代数方程组得到ARMA模型参数。一个仿真的例子说明了其有效性。

一种统一的Wiener状态估值器

用现代时间序列分析方法提出了一种统一的Ｗｉｅｎｅｒ状态估值器．它既可统一处理广义系统和非广义系统的状态估计问题，又可统一处理稳态最优滤波、平滑和预报问题，而且可避免解Ｄｉｏｐｈａｎｔｉｎｅ方程和Ｒｉｃｃａｔｉ方程．

一种统一的稳态Kalman估值器

应用白噪声估计理论和现代时间序列分析方法，对于带相关噪声和观测时滞系统，基于ＡＲＭＡ新息模型提出了一种稳态Ｋａｌｍａｎ估值器，可统一处理滤波、平滑和预报问题，且具有渐近稳定性避免了解Ｒｉｃｃａｔｉ方程。

两种加权观测融合算法的全局最优性和完全功能等价性

对于基于Kalman滤波的多传感器观测数据融合,有两种加权观测融合算法。应用Kalman滤波器,证明了同集中式观测融合算法相比,它们具有全局最优性和完全功能等价性。它们不仅可给出全局最优Kalman估值器(滤波器、预报器和平滑器)、白噪声估值器和信号估值器,而且可明显减少计算负担,便于实时应用。

快速信息融合Kalman滤波器

应用现代时间序列分析方法,在标量加权线性最小方差融合准则下,提出一种多传感器快速信息融合稳态Kalman滤波器.基于ARMA新息模型计算稳态Kalman滤波器增益,提出了计算传感器之间的滤波误差方差阵和协方差阵的Lyapunov方程,它可用迭代法求解,并证明了迭代解的指数收敛性.与基于Riccati方程按矩阵加权的信息融合Kalman滤波器相比,可明显减小计算负担,便于实时应用,可用于设计含未知噪声统计系统的信息融合自校正Kalman滤波器.最后以目标跟踪系统的一个仿真例子说明了其有效性.

快速次优固定区间Wiener平滑器算法

为了克服带相关噪声控制系统的最优固定区间Kalman平滑算法要求较大计算负担的缺点,应用Kalman滤波方法,基于CARMA新息模型,由稳态最优Kalman平滑器导出了带相关噪声控制系统的最优固定区间Wiener递推状态平滑器,它带有系数阵指数衰减到零的高阶多项式矩阵.用截断系数矩阵近似为零的项的方法提出了相应的快速次优固定区间Wiener平滑算法.它显著地减少了计算负担,便于实时应用,还给出了截断误差公式和选择截断指标的公式.仿真例子说明了快速平滑算法的有效性.

按对角阵加权信息融合Kalman滤波器

为了克服按矩阵加权信息融合非稳态Kalman滤波器的在线计算负担大的缺点,和按标量加权融合Kalman滤波器精度较低的缺点,应用现代时间序列分析方法,提出了按对角阵加权的线性最小方差多传感器信息融合稳态Kalman滤波器.它等价于状态分量按标量加权信息融合Kalman滤波器,实现了解耦信息融合Kalman滤波器.它的精度和计算负担介于按矩阵和按标量加权融合器两者之间,且便于实时应用.为了计算最优加权,提出了计算稳态滤波误差方差阵和协方差阵的Lyapunov方程.一个三传感器的雷达跟踪系统的仿真例子说明了其有效性.

两传感器自校正信息融合Kalman滤波器

用现代时间序列分析方法,基于自回归滑动平均(ARMA)新息模型的在线辨识,对含有未知模型参数和噪声方差的两传感器线性离散随机系统,提出了自校正信息融合Kalman滤波器。它具有渐近最优性。一个仿真例子说明了其有效性。

基于Kalman滤波的通用和统一的白噪声估计方法

用射影理论,基于Kalman滤波提出了通用和统一的白噪声估计方法,可统一解决带非零均值相关噪声的线性离散时变随机控制系统的白噪声滤波、平滑和预报问题.提出了输入白噪声估值器和观测白噪声估值器,最优和稳态白噪声估值器,固定点、固定滞后和固定区间白噪声平滑器,白噪声新息滤波器和Wiener滤波器.它可应用于石油地震勘探信号处理和状态估计,为解决信号和状态估计问题,提供了新的途径和工具.关于Bernoulli-Gaussian白噪声估值器的仿真例子说明了其有效性.

广义系统ARMA最优递推状态估值器

应用现代时间序列分析方法 ,基于 ARMA新息模型和白噪声估值器 ,由非递推状态估值器的递推变形 ,提出了广义系统的 ARMA稳态最优递推状态估值器 .它们具有Wiener滤波器形式 ,可处理带奇异状态转移阵和 /或带相关噪声的广义系统 ,可统一处理滤波、平滑和预报问题 ,且可统一处理广义和非广义系统状态估计问题 .仿真例子说明了其有效性 .

自校正信息融合Wiener预报器及其收敛性

对带相关观测噪声和未知噪声统计的多传感器系统,用相关方法得到噪声统计在线估值器.在按分量标量加权线性最小方差最优信息融合准则下,用现代时间序列分析方法,基于滑动平均(moving average)新息模型的辨识,提出了自校正解耦融合Wiener预报器.用动态误差系统分析(dynamic error system analysis)方法证明了自校正融合Wiener预报器收敛于最优融合Wiener预报器,因而它具有渐近最优性.它的精度比每个局部自校正Wiener预报器精度都高.它的算法简单,便于实时应用.一个目标跟踪系统的仿真例子说明了其有效性.