L-拓扑空间中的STP-收敛性

引入了L-拓扑空间中的STP-远域、STP(STP*)-极限点等概念,给出了STP-远域所生成的理想基,建立了Moore-Smith STP-收敛理论,利用STP-收敛理论刻画了STP-不定序同态.

另一种提升产品性能的解决方案——GENIOSIL~ STP-E树脂

当今世界的环境问题及相关法规,迫切需要全球制造商通过调整改变配方,来寻找能替代有害物质的原材料。瓦克的新系列硅烷封端聚醚类胶粘剂(GENIOSIL STP-E),包括快速固化的-α硅烷端基胶粘剂,其独特的硅烷化作用和湿气固化机理,不仅能有效地避免有害物质异氰酸酯单体的使用,而且体系无须采用锡催化剂。目前市场上需要提供兼具适宜的固化速率(工业生产需求的)、好的粘接强度及机械性能的产品,却是一个技术难题和新的挑战。而GENIOSIL STP-E产品却能轻易做到,并能够提供适宜的机械强度、快速固化、环保且最优化配比的产品。该产品已广泛用于建筑胶粘剂、木地板胶粘剂、工业弹性胶粘剂和DIY产品等领域。

基于CNN时-空卷积优化的EM-EEG识别方法研究

针对当前情绪脑电信号(emotion electroencephalogram,EM-EEG)识别研究中时间域信息的时间尺度难以把握和空间域信息易被忽视致使辨识率停滞不前,以及采集EM-EEG时通道过多导致信息冗余和信息处理成本增加等问题,提出了基于CNN的时-空卷积优化融合网络进行EM-EEG识别研究。该融合网络由提取EM-EEG时域信息的长卷积(long convolution,L-Conv)CNN和提取EM-EEG空域信息的CNN并联组成,在CNN模型时-空优化中使用粒子群算法(particle swarm optimization,PSO)对时域CNN中的L-Conv尺度进行了优化,并使用短时功率谱(short time power spectrum,STPS)的相关分析方法进行空域CNN模型通道数目优化,深层且有效地提取了EEG中的时间域和空间域特征。结果表明,提出的时-空卷积优化融合CNN在SEED IV数据集上对平和、悲伤、恐惧、高兴4种情绪最终准确率可以达到90.13%,相比传统单一CNN的识别准确率提高了4.76%,并且通道数目由62路降低至33路,缩减了46.77%,证实了本方法的可行性。