锂硫电池因其高的理论比容量与能量密度而被视为最具前景的储能电池之一,但锂硫电池中活性物质硫及其放电产物Li_(2)S的低导电性、充放电过程产生的中间产物的穿梭效应、缓慢的硫氧化还原动力学等问题造成了严重的容量衰减,限制了其实...锂硫电池因其高的理论比容量与能量密度而被视为最具前景的储能电池之一,但锂硫电池中活性物质硫及其放电产物Li_(2)S的低导电性、充放电过程产生的中间产物的穿梭效应、缓慢的硫氧化还原动力学等问题造成了严重的容量衰减,限制了其实际应用。本文通过一步水热法合成3种不同的钒基硫化物@MXene异质结构催化剂,并将其应用于锂硫电池正极宿主。结果表明相比于VS_(4)@MXene和V_(5)S_(8)@MXene,VS_(2)@MXene具有更大的比表面积与电化学活性面积,为锂硫电池提供了更多的活性位点,从而提高电化学反应动力学。本文实验与密度泛函理论(Density Functional Theory,DFT)计算结果表明,VS_(2)@MXene具有更强的多硫化物吸附能力与电子导电性,有效地缓解了多硫化物的穿梭效应并提高了硫的利用率。以S/VS_(2)@MXene为正极的锂硫电池,在1 C的电流密度下实现了815.4 m Ah·g^(-1)的首圈放电比容量,并在400圈循环后,仍然能保持在645.4 m Ah·g^(-1)的可逆比容量。本文为锂硫电池中钒基硫化物正极催化材料的选择提供了一定的思路。展开更多
图像超分辨率重建作为一个典型的非适定问题一直受到重视,尽管近年来出现了许多行之有效的卷积神经网络超分辨率重建模型,但如何全面挖掘图像先验信息,用以提高重建图像的细节清晰度仍有待深入研究.本文提出一种基于非抽取Wavelet变换...图像超分辨率重建作为一个典型的非适定问题一直受到重视,尽管近年来出现了许多行之有效的卷积神经网络超分辨率重建模型,但如何全面挖掘图像先验信息,用以提高重建图像的细节清晰度仍有待深入研究.本文提出一种基于非抽取Wavelet变换的边缘学习深度残差网络单幅图像超分辨重建模型NDW-EDRN(Non-Decimated Wavelet Edge learning using Deep Residual Networks),在图像经非抽取Wavelet变换后获得多冗余信息、平滑及梯度值较小的低频区域和边缘及梯度值较大的高频区域的基础上,将整体网络框架设计为采用不同结构的CNN(Convolutional Neural Networks)模型来对低频子带与高频子带分别进行学习的策略:对低频子带采用稠密跳跃连接的方式整体性学习低频子带间的映射关系;对高频子带采用一种新型的U-net模型,将图像退化过程中所丢失的边缘作为网络的期望输出,通过基于块的跳跃连接来使网络更精细地学习缺失性边缘,从而更加充分、有效地获取图像在退化过程中所丢失的边缘细节信息.大量实验结果表明,该网络模型能够有效提高重建图像的质量,特别在恢复低分辨率图像的边缘信息方面具有一定的优势,在一定程度上弥补了传统CNN网络模型捕捉图像细节信息的不足.展开更多
文摘锂硫电池因其高的理论比容量与能量密度而被视为最具前景的储能电池之一,但锂硫电池中活性物质硫及其放电产物Li_(2)S的低导电性、充放电过程产生的中间产物的穿梭效应、缓慢的硫氧化还原动力学等问题造成了严重的容量衰减,限制了其实际应用。本文通过一步水热法合成3种不同的钒基硫化物@MXene异质结构催化剂,并将其应用于锂硫电池正极宿主。结果表明相比于VS_(4)@MXene和V_(5)S_(8)@MXene,VS_(2)@MXene具有更大的比表面积与电化学活性面积,为锂硫电池提供了更多的活性位点,从而提高电化学反应动力学。本文实验与密度泛函理论(Density Functional Theory,DFT)计算结果表明,VS_(2)@MXene具有更强的多硫化物吸附能力与电子导电性,有效地缓解了多硫化物的穿梭效应并提高了硫的利用率。以S/VS_(2)@MXene为正极的锂硫电池,在1 C的电流密度下实现了815.4 m Ah·g^(-1)的首圈放电比容量,并在400圈循环后,仍然能保持在645.4 m Ah·g^(-1)的可逆比容量。本文为锂硫电池中钒基硫化物正极催化材料的选择提供了一定的思路。
文摘图像超分辨率重建作为一个典型的非适定问题一直受到重视,尽管近年来出现了许多行之有效的卷积神经网络超分辨率重建模型,但如何全面挖掘图像先验信息,用以提高重建图像的细节清晰度仍有待深入研究.本文提出一种基于非抽取Wavelet变换的边缘学习深度残差网络单幅图像超分辨重建模型NDW-EDRN(Non-Decimated Wavelet Edge learning using Deep Residual Networks),在图像经非抽取Wavelet变换后获得多冗余信息、平滑及梯度值较小的低频区域和边缘及梯度值较大的高频区域的基础上,将整体网络框架设计为采用不同结构的CNN(Convolutional Neural Networks)模型来对低频子带与高频子带分别进行学习的策略:对低频子带采用稠密跳跃连接的方式整体性学习低频子带间的映射关系;对高频子带采用一种新型的U-net模型,将图像退化过程中所丢失的边缘作为网络的期望输出,通过基于块的跳跃连接来使网络更精细地学习缺失性边缘,从而更加充分、有效地获取图像在退化过程中所丢失的边缘细节信息.大量实验结果表明,该网络模型能够有效提高重建图像的质量,特别在恢复低分辨率图像的边缘信息方面具有一定的优势,在一定程度上弥补了传统CNN网络模型捕捉图像细节信息的不足.