厨房烟雾报警器的设计与制作

本设计以STC89C52单片机为控制核心,通过采用MQ-2半导体烟雾传感器及DS18B20温度传感器来对厨房环境进行监控。当厨房烟雾浓度或者温度超过限定值后,系统自动实现声光报警。该报警器具有灵敏度高、性能稳定、实用性强、性价比高、结构简单等特征,能广泛应用在厨房、实验室和较小的封闭空间中。

基于机器学习方法的伽马暴红移估计

伽马射线暴(简称伽马暴)是发生在宇宙学距离上的高能爆发现象,红移的探测对于探究伽马暴的物理起源、爆发机制以及辐射过程都至关重要。截至目前,伽马暴的观测数量已经很多,但有确定红移的暴却很少。早期研究者通常采用一些物理参量之间的紧密经验关系反推伽马暴的赝红移,从而用于宇宙学研究,但利用这种方法获得的赝红移结果很不准确。在本文中,我们利用有监督机器学习算法对Swift卫星未测得红移的伽马暴进行红移预测。以Swift卫星在2005年3月至2022年5月期间观测到的所有伽马暴为研究样本,选择了瞬时辐射阶段的持续时间、时间积分流量、光子指数和X射线余辉平台辐射结束时的流量、结束时间、时间幂律衰减指数、平台结束后阶段的衰减指数、能谱指数、氢柱密度等物理量作为特征参量,运用随机森林、线性回归、最小绝对收缩与选择算子、核岭回归以及支持向量回归等算法作为机器学习基本算法,建立了SuperLearner集成模型,最后通过模型训练、交叉验证、模型预测,最终获得了128个伽马暴赝红移。机器学习预测的红移结果要比传统上用参量之间的关系进行预测的结果要更加准确。