膜蒸馏技术——原理与应用
膜蒸馏顾名思义就是将蒸发和膜结合起来的蒸馏过程。在膜蒸馏中，所用的膜一定是疏水的，这意味着水不会浸润薄膜，更不会以液体的形式穿透膜，能穿透膜的只有蒸汽，液体在膜的一侧蒸发为蒸汽，然后蒸汽透过膜孔到达膜的另一侧之后冷凝，这就是膜蒸馏的基本过程。膜蒸馏和渗透蒸发有哪些区别呢？
HER 和 OER 反应机理与其 Tafel 斜率推导
电解水过程中，在阴极发生的析氢反应（Hydrogen Evolution Reaction，HER）和在阳极发生的析氧反应（Oxygen Evolution Reaction，OER）的Tafel斜率受到反应机理和决速步骤的影响，本文对 HER 和 OER 反应机理进行系统性总结。
1 HER 反应机理
HER过程一般经过两步反应步骤：
第一步：质子被还原并吸附到催化剂表面（S）的过程，称为 Volmer 反应：
HA + S + e−=S–H∗ + A−\mathrm{HA\ + \ S\ +\ e^- = S\text{\textendash}H^*\ +\ A^-}
HA + S + e−=S–H∗ + A−
第二步：第二个质子的电化学还原和H2分子生成过程（Heyrovsky反应），此步为电化学伴随化学过程，也称电化学脱附步骤：
S–H∗ + HA + e−=S + H2 + A−\mathrm{S\text{\textendash}H^*\ +\ HA\ + \ e^- = S\ +\ H_2\ +\ A^-}
S–H∗ + HA + e−=S + H2 + A ...
神经电极的发展历程
1 引言
1.1 神经电极概论
脑是所有脊椎动物都具有的神经系统中心，是机体中最复杂的器官。由于脑的机能主要依靠神经元之间电信号的传导，因此神经信号的检测对于脑运作机制的研究以及神经系统疾病的诊断和治疗十分重要。
神经电极是用来检测神经电信号的电极。自 20 世纪初期以来，神经电极一直朝着柔性增强、通道数增多以及综合性能优化三个方向发展。首先，采用柔性材料制备的神经电极与脑组织力学性能匹配更好，对组织产生的干扰和破坏更轻微，可实现长期稳定的记录；另外，神经电极的通道数也在增多，可以检测到更广范围、更多神经元的信号，这对于了解神经元集群的活动至关重要。最后，神经电极在尺寸、信号传输带宽等方面的综合性能的优化使其成为愈发强大的神经科学研究工具。目前，已能够通过神经电极初步解读和影响大脑功能，在神经系统疾病治疗[1,2]和神经义肢[3]等领域取得了可喜的成果，但同时神经电极仍然面临着许多亟待解决的问题。本文将系统性介绍神经电极的发展历程和最新研究成果。
图 1.1 神经电极的应用领域和发展方向
1.2 神经电极的分类
神经电极按照是否植入到大脑内部，分为侵入式和非侵入式两种[4]。非侵 ...
基于 nginx 的高性能 jsdelivr 反向代理
由于 2022 年 5 月以来 jsdelivr 访问进一步受限，对于仍需要使用 jsdelivr 的站长而言，自建反向代理服务是最优选择。为了在服务端和客户端都实现加速，我们采用 nginx 的缓存机制，初次请求之后不需回源；同时，使静态资源在浏览器中缓存时间更长。此外，由于涉及到跨域资源共享（CORS）问题，还需要在响应头中配置Access-Control-Allow-Origin关键字，以实现域名白名单机制，并保证资源在浏览器中正常加载。
1. 完整配置文件
配置文件： jsdelivr.conf
123456789101112131415161718192021222324252627282930313233343536373839404142proxy_cache_path /var/www/jsdelivr.cache levels=2:2 use_temp_path=off keys_zone=jsdelivr:50m inactive=180d max_size=500m;server{ listen 443 ssl; server_name ...
深入理解主成分分析 PCA
主成分分析（Principal Component Analysis，PCA）是一种统计分析方法，用于降低数据维数、简化数据集、提取数据特征。 PCA 的核心思想在于将数据变换到正交坐标系中，拆分为各坐标轴上的投影（即“成分”）的组合，并保留方差最大的几个成分（即“主成分”），以在数据维数降低的同时保留有效信息。
为了使读者全面、深入了解 PCA ，本文将从公式推导开始，阐明 PCA 的底层原理，并结合实例给出 PCA 的程序实现。
读者只需要最基本的线性代数知识即可阅读本文。
1 公式推导
1.1 问题引入
对于N维数据集D：
D=[d1d2⋯dn]N×nD=\begin{bmatrix}
\mathbf{d}_1 &
\mathbf{d}_2 &
\cdots &
\mathbf{d}_n
\end{bmatrix}_{N\times n}
D=[d1d2⋯dn]N×n
用列向量 di=(xiyizi...)TN×1\mathbf{d_i}={\begin{pmatrix}x_i & y_i & z_i &...\e ...
