国内丘陵地区和山地地区的定义以及界分大多表述于文字,缺乏可操作性强、准确度高的量化方法,从而导致对丘陵与山地及其资源要素、生态环境和发展问题认识的不全面.同时,采用量化的方法准确界分丘陵地区和山地地区,是实施数字山地战略...国内丘陵地区和山地地区的定义以及界分大多表述于文字,缺乏可操作性强、准确度高的量化方法,从而导致对丘陵与山地及其资源要素、生态环境和发展问题认识的不全面.同时,采用量化的方法准确界分丘陵地区和山地地区,是实施数字山地战略以及国土空间规划全覆盖的一项基础性工作.在前人研究的基础上,本文采用地理信息系统(geographic information system,GIS)技术并结合数字高程模型(digital elevation model,DEM)数据,分别从研究区选取的丘陵地区和山地地区研究样本中提取六类地形因子,包括地形起伏度、地表切割深度、地面粗糙度、地形高程变异系数、沟谷线与山脊线密度,进行逐个量化分析和数据对比.研究表明:在丘陵地区和山地地区分别提取的地形起伏度、地表切割深度、地面粗糙度、地形高程变异系数、山脊线密度5种因子皆有着较明显的特征差异,存在界分临界值,可以作为界分丘陵与山地的界分因子;而提取的沟谷线密度则无明显的特征差异,无法确定界分临界值,因此不能作为界分丘陵与山地的因子.临界特征因子的确定,不仅可以为下一步临界值的确定提供科学依据,也可以为丘陵与山地的数字化表达提供参考.展开更多
本文讨论Y^(3+)掺杂对锂离子电池正极材料LiNi_(0.85)Co_(0.075)Mn_(0.075)O_(2)的影响.首先采用共沉淀法合成LiNi_(0.85)Co_(0.075)Mn_(0.075)(OH)_(2)前驱体,然后在一定的氧气气氛下,采用固态氧化法制备目标产物LiNi_(0.85)Co_(0.075)...本文讨论Y^(3+)掺杂对锂离子电池正极材料LiNi_(0.85)Co_(0.075)Mn_(0.075)O_(2)的影响.首先采用共沉淀法合成LiNi_(0.85)Co_(0.075)Mn_(0.075)(OH)_(2)前驱体,然后在一定的氧气气氛下,采用固态氧化法制备目标产物LiNi_(0.85)Co_(0.075)Mn_(0.075)O_(2)、Li(Ni_(0.85)Co_(0.075)Mn_(0.075))_(0.98)Y_(0.02)O_(2)正极材料.采用X射线衍射(X-ray diffraction,XRD)、扫描电子显微镜(scanning electron microscope,SEM)、恒流充放电、循环伏安法对材料的微观结构、颗粒形貌和电化学性能进行分析.结果表明,Y^(3+)的掺杂扩大了锂离子的扩散通道,抑制了样品与电解质之间的副反应,提高了样品的循环性能.在0.2C时,经过100次循环,掺杂样品的放电比容量为173 mAh·g^(-1),容量保持率为96.64%,电化学性能良好.展开更多
本文利用低温扫描隧道显微镜(low temperature scanning tunneling microscopy,LT-STM)研究了四联苯分子在半金属Bi(111)表面上的超分子手性及其自组装结构。在极低的覆盖度下,四联苯分子形成纳米尺度的分子团簇,团簇中的分子有平躺和...本文利用低温扫描隧道显微镜(low temperature scanning tunneling microscopy,LT-STM)研究了四联苯分子在半金属Bi(111)表面上的超分子手性及其自组装结构。在极低的覆盖度下,四联苯分子形成纳米尺度的分子团簇,团簇中的分子有平躺和侧躺的取向。随着覆盖度的增加,四联苯分子形成多畴的自组装单层结构。自组装单层的基本结构单元是由两个平躺分子和一个侧躺分子构成的三聚体。高分辩的STM图表明,平躺的四联苯分子表现出结构对称性,而侧躺的四联苯分子表现为四个之字形的突起,表明四个苯环之间发生了扭曲,使得三聚体团簇具有超分子手性。有趣的是,在畴区内部相邻两个三聚体的手性相反;在畴界两侧两个三聚体的手性相同,表明同手性的三聚体之间存在空间位阻作用。当覆盖度增加到一个满层,畴界不复存在,整个分子单层形成长程有序的消旋结构。此外,由于分子与半金属衬底之间较弱的相互作用,无论是侧躺的分子还是平躺的分子,都会受到针尖电场的影响发生移动或转动。上述研究结果为理解四联苯分子和半金属之间的相互作用,超分子手性和分子自组装结构之间的关联,以及制备长程有序的界面结构提供了重要信息。展开更多
模糊测试是漏洞挖掘中最为常用的方法之一,然而在测试具有高度结构化输入的软件时,传统模糊测试技术存在生成样本合法性弱和依赖人工参与的问题.针对该问题,本文在Learn&Fuzz方法的基础上,提出了一种基于深度学习的高效模糊测试技术...模糊测试是漏洞挖掘中最为常用的方法之一,然而在测试具有高度结构化输入的软件时,传统模糊测试技术存在生成样本合法性弱和依赖人工参与的问题.针对该问题,本文在Learn&Fuzz方法的基础上,提出了一种基于深度学习的高效模糊测试技术.该技术使用双向长短时记忆(bi-directional long short-term memory,BLSTM)神经网络和注意力(Attention)机制构建样本自动生成模型,通过训练使模型学习样本的内在格式特征,从而能够自动化生成符合一定语法规范的样本.另外,该技术通过改进Learn&Fuzz的采样算法,增加了测试样本的多样性和变异性,从而进一步提高了模糊测试的效率.与Learn&Fuzz方法相比,该技术能够达到更高的代码覆盖率,生成的触发崩溃样本也更多.展开更多
文摘国内丘陵地区和山地地区的定义以及界分大多表述于文字,缺乏可操作性强、准确度高的量化方法,从而导致对丘陵与山地及其资源要素、生态环境和发展问题认识的不全面.同时,采用量化的方法准确界分丘陵地区和山地地区,是实施数字山地战略以及国土空间规划全覆盖的一项基础性工作.在前人研究的基础上,本文采用地理信息系统(geographic information system,GIS)技术并结合数字高程模型(digital elevation model,DEM)数据,分别从研究区选取的丘陵地区和山地地区研究样本中提取六类地形因子,包括地形起伏度、地表切割深度、地面粗糙度、地形高程变异系数、沟谷线与山脊线密度,进行逐个量化分析和数据对比.研究表明:在丘陵地区和山地地区分别提取的地形起伏度、地表切割深度、地面粗糙度、地形高程变异系数、山脊线密度5种因子皆有着较明显的特征差异,存在界分临界值,可以作为界分丘陵与山地的界分因子;而提取的沟谷线密度则无明显的特征差异,无法确定界分临界值,因此不能作为界分丘陵与山地的因子.临界特征因子的确定,不仅可以为下一步临界值的确定提供科学依据,也可以为丘陵与山地的数字化表达提供参考.
文摘本文讨论Y^(3+)掺杂对锂离子电池正极材料LiNi_(0.85)Co_(0.075)Mn_(0.075)O_(2)的影响.首先采用共沉淀法合成LiNi_(0.85)Co_(0.075)Mn_(0.075)(OH)_(2)前驱体,然后在一定的氧气气氛下,采用固态氧化法制备目标产物LiNi_(0.85)Co_(0.075)Mn_(0.075)O_(2)、Li(Ni_(0.85)Co_(0.075)Mn_(0.075))_(0.98)Y_(0.02)O_(2)正极材料.采用X射线衍射(X-ray diffraction,XRD)、扫描电子显微镜(scanning electron microscope,SEM)、恒流充放电、循环伏安法对材料的微观结构、颗粒形貌和电化学性能进行分析.结果表明,Y^(3+)的掺杂扩大了锂离子的扩散通道,抑制了样品与电解质之间的副反应,提高了样品的循环性能.在0.2C时,经过100次循环,掺杂样品的放电比容量为173 mAh·g^(-1),容量保持率为96.64%,电化学性能良好.
文摘本文利用低温扫描隧道显微镜(low temperature scanning tunneling microscopy,LT-STM)研究了四联苯分子在半金属Bi(111)表面上的超分子手性及其自组装结构。在极低的覆盖度下,四联苯分子形成纳米尺度的分子团簇,团簇中的分子有平躺和侧躺的取向。随着覆盖度的增加,四联苯分子形成多畴的自组装单层结构。自组装单层的基本结构单元是由两个平躺分子和一个侧躺分子构成的三聚体。高分辩的STM图表明,平躺的四联苯分子表现出结构对称性,而侧躺的四联苯分子表现为四个之字形的突起,表明四个苯环之间发生了扭曲,使得三聚体团簇具有超分子手性。有趣的是,在畴区内部相邻两个三聚体的手性相反;在畴界两侧两个三聚体的手性相同,表明同手性的三聚体之间存在空间位阻作用。当覆盖度增加到一个满层,畴界不复存在,整个分子单层形成长程有序的消旋结构。此外,由于分子与半金属衬底之间较弱的相互作用,无论是侧躺的分子还是平躺的分子,都会受到针尖电场的影响发生移动或转动。上述研究结果为理解四联苯分子和半金属之间的相互作用,超分子手性和分子自组装结构之间的关联,以及制备长程有序的界面结构提供了重要信息。
文摘模糊测试是漏洞挖掘中最为常用的方法之一,然而在测试具有高度结构化输入的软件时,传统模糊测试技术存在生成样本合法性弱和依赖人工参与的问题.针对该问题,本文在Learn&Fuzz方法的基础上,提出了一种基于深度学习的高效模糊测试技术.该技术使用双向长短时记忆(bi-directional long short-term memory,BLSTM)神经网络和注意力(Attention)机制构建样本自动生成模型,通过训练使模型学习样本的内在格式特征,从而能够自动化生成符合一定语法规范的样本.另外,该技术通过改进Learn&Fuzz的采样算法,增加了测试样本的多样性和变异性,从而进一步提高了模糊测试的效率.与Learn&Fuzz方法相比,该技术能够达到更高的代码覆盖率,生成的触发崩溃样本也更多.