表面活性剂CAS号对应表

己二酸二辛酯或己二酸二（2-乙基己基）酯，英文名：Dioctyl adipate或Di(2-ethylhexyl) adipate，缩写词DOA或DEHA

相对分子质量： 370.57

CAS No.： 【103-23-1】

结构式：

相对密度(d25/4):0.922

沸点374.4℃ at 760 mmHg

沸点214°C(0.67KPa)

闪点168.9℃

中文别名:对苯二甲酸二(2-乙基己)酯DOTP对苯二甲酸二异辛酯DOTP

英文名称:Bis(2-ethylhexyl) terephthalate

英文别名:1,4-Benzenedicarboxylic acid bis(2-ethylhexyl) esterbis(2-ethylhexyl) benzene-1,4-dicarboxylate(2R)-2-ethylhexyl (2S)-2-ethylhexyl benzene-1,4-dicarboxylatebis[(2S)-2-ethylhexyl] benzene-1,4-dicarboxylatebis[(2R)-2-ethylhexyl] benzene-1,4-dicarboxylate

CAS:6422-86-2

EINECS:229-176-9

分子式:C24H38O4

分子量:390.5561

2产品性能编辑

对苯二甲酸二辛酯（DOTP）是聚氯乙烯（PVC）塑料用的一种性能优良的主增塑剂。它与目前常用的邻苯二甲酸二异辛酯（DOP）相比，具有耐热、耐寒、难挥发、抗抽出、柔软性和电绝缘性能好等优点，在制品中显示出优良的持久性、耐肥皂水性及低温柔软性。因其挥发性低，使用DOTP能完全满足电线电缆耐温等级要求，可广泛应用于耐70°C电缆料（国际电工委员会IEC标准）及其它各种PVC软质制品中。DOTP除了大量用于电缆料、PVC的增塑剂外，也可用于人造革膜的生产。此外，具有优良的相溶性，也可用于丙烯腈衍生物，聚乙烯醇缩丁醛、丁腈橡胶、硝酸纤维素等的增塑剂。还可用于合成橡胶的增塑剂，涂料添加剂，精密仪器润滑剂，润滑剂添加剂，亦可作为纸张的软化剂。

DOTP和DOP的理化性能对比

项目 DOTP DOP

外观 淡黄透明油状液体 无色透明油状液体

密度（20o0C）g*cm3 0.984 0.982

折光指数 /n 1.1687 1.4850

沸点/0.8kPa, ℃ 400 370

凝固点/ ℃ -48 - 50

粘度/25℃，Pa 63×103 56.5×103

/0 ℃, Pa 410×103 207×103

体积电阻系数 /20℃，Ω·cm 4.6×1011 1.9×1011

闪点（开）/ ℃ 210 190

酸值/mgKOH 0.09 0.05

产品特性及用途

1.DOTP 电、热性能好，在PVC塑料电用线护套中可替代DOP，也可用于人造革膜的生产。此外，具有优良的相容性，也可用于丙烯腈衍生物，聚乙烯醇缩丁醛、丁腈橡胶、硝酸纤维素等的增塑。并起着提高制品硬度和变形性的作用，在丁腈橡胶、氯丁橡胶、三元乙丙橡胶等制品中可用作软化剂。特别用在电缆料上具有较好的增塑效果和低挥发性，广泛用于要求耐热、高绝缘的各种制品，是生产耐温70℃电缆料及其它要求耐挥发PVC制品的理想增塑剂。

2.DOTP用于轿车内的PVC制品，能解决玻璃车窗起雾问题。DOTP还用于高级家具和室内装饰的油漆、涂料及精密仪器的优质润滑剂或润滑添加剂，硝基清漆助剂，纸张软化剂，聚酯酰胺双向拉伸薄膜，膜塑工艺品，血浆储存袋等。

3.由于DOTP的线型分子结构和DOS、DOA相似，其耐寒性也较好。

4.DOTP的体积电阻率较DOP高10-20倍，而且乃迁移性优异。

5.由于DOTP不含邻苯二甲酸盐，不在欧盟及其他国家限制使用的16种含邻苯二甲酸增塑剂范围内，因此，是一种优良的环保型增塑剂。

姓名：王铎澎

嵌牛导读：文章对DOA算法进行了简单的介绍。

嵌牛正文：https://blog.csdn.net/zhangziju/article/details/100730081?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522160689878119725222413438%2522%252C%2522scm%2522%253A%252220140713.130102334..%2522%257D&request_id=160689878119725222413438&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~baidu_landing_v2~default-1-100730081.pc_first_rank_v2_rank_v28&utm_term=Musicsuanfa&spm=1018.2118.3001.4449

DOA估计算法

DOA（Direction Of Arrival）波达方向定位技术主要有ARMA谱分析、最大似然法、熵谱分析法和特征分解法，特征分解法主要有MUSIC算法、ESPRIT算法WSF算法等。

MUSIC (Multiple Signal Classification)算法，即多信号分类算法，由Schmidt等人于1979年提出。MUSIC算法是一种基于子空间分解的算法，它利用信号子空间和噪声子空间的正交性，构建空间谱函数，通过谱峰搜索，估计信号的参数。对于声源定位来说，需要估计信号的DOA。MUSIC算法对DOA的估计有很高的分辨率，且对麦克风阵列的形状没有特殊要求，因此应用十分广泛。

运用矩阵的定义，可得到更为简洁的表达式：

X = A S + N X=AS+NX=AS+N

式中

X = [ x 1 ( t ) , x 2 ( t ) , . . . x M ( t ) ] T X=[x_1(t),x_2(t),...x_M(t)]^TX=[x1​(t),x2​(t),...xM​(t)]T，

S = [ S 1 ( t ) , S 2 ( t ) , . . . S D ( t ) ] T S=[S_1(t),S_2(t),...S_D(t)]^TS=[S1​(t),S2​(t),...SD​(t)]T，

A = [ a ( θ 1 ) , a ( θ 2 ) , . . . a ( θ D ) ] T A=[a(\theta_1),a(\theta_2),...a(\theta_D)]^TA=[a(θ1​),a(θ2​),...a(θD​)]T，

N = [ n 1 ( t ) , n 2 ( t ) , . . . n M ( t ) ] T N=[n_1(t),n_2(t),...n_M(t)]^TN=[n1​(t),n2​(t),...nM​(t)]T。

X XX为阵元的输出，A AA为方向响应向量，S SS是入射信号，N NN表示阵列噪声。

其中 φ k = 2 π d λ s i n θ k \varphi_k=\frac{2\pi d}{\lambda}sin\theta_kφk​=λ2πd​sinθk​有

A = [ a ( θ 1 ) , a ( θ 2 ) , . . . a ( θ D ) ] T = [ 1 1 ⋯ 1 e − j φ 1 e − j φ 2 ⋯ e − j φ D ⋮ ⋮ ⋱ ⋮ e − j ( M − 1 ) φ 1 e − j ( M − 1 ) φ 2 ⋯ e − j ( M − 1 ) φ D ] A=[a(\theta_1),a(\theta_2),...a(\theta_D)]^T=\left[

1e−jφ1⋮e−j(M−1)φ11e−jφ2⋮e−j(M−1)φ2⋯⋯⋱⋯1e−jφD⋮e−j(M−1)φD11⋯1e−jφ1e−jφ2⋯e−jφD⋮⋮⋱⋮e−j(M−1)φ1e−j(M−1)φ2⋯e−j(M−1)φD

\right]A=[a(θ1​),a(θ2​),...a(θD​)]T=⎣⎢⎢⎢⎡​1e−jφ1​⋮e−j(M−1)φ1​​1e−jφ2​⋮e−j(M−1)φ2​​⋯⋯⋱⋯​1e−jφD​⋮e−j(M−1)φD​​⎦⎥⎥⎥⎤​

对x m ( t ) x_m(t)xm​(t)进行N点采样，要处理的问题就变成了通过输出信号x m ( t ) x_m(t)xm​(t)的采样{ x m ( i ) = 1 , 2 , . . . , M } \{ x_m (i)=1,2,...,M\}{xm​(i)=1,2,...,M}估计信号源的波达方向角θ 1 , θ 2 . . . θ D \theta_1,\theta_2...\theta_Dθ1​,θ2​...θD​,由此可以很自然的将阵列信号看作是噪声干扰的若干空间谐波的叠加，从而将波达方向估计问题与谱估计联系起来。

对阵列输出X做相关处理，得到其协方差矩阵

R x = E [ X X H ] R_x=E[XX^H]Rx​=E[XXH]

其中H HH表示矩阵的共轭转置。

根据已假设信号与噪声互不相关、噪声为零均值白噪声，因此可得到：

R x = E [ ( A S + N ) ( A S + N ) H ] = A E [ S S H ] A H + E [ N N H ] = A R S A H + R N R_x=E[(AS+N)(AS+N)^H] =AE[SS^H]A^H+E[NN^H]=AR_SA^H+R_NRx​=E[(AS+N)(AS+N)H]=AE[SSH]AH+E[NNH]=ARS​AH+RN​

其中R s = E [ S S H ] R_s=E[SS^H]Rs​=E[SSH]称为信号相关矩阵

R N = σ 2 I R_N=\sigma^2IRN​=σ2I是噪声相关阵

σ 2 \sigma^2σ2是噪声功率

I II是M × M M\times MM×M阶的单位矩阵

在实际应用中通常无法直接得到R x R_xRx​，能使用的只有样本的协方差矩阵：

R x ^ = 1 N ∑ i = 1 N X ( i ) X H ( i ) \hat{R_x}=\frac{1}{N} \sum_{i=1}^{N}X(i)X^H (i)Rx​^​=N1​∑i=1N​X(i)XH(i)，R x ^ \hat{R_x}Rx​^​是R x R_xRx​的最大似然估计。

当采样数N → ∞ N\to\inftyN→∞，他们是一致的，但实际情况将由于样本数有限而造成误差。根据矩阵特征分解的理论，可对阵列协方差矩阵进行特征分解，首先考虑理想情况，即无噪声的情况：R x = A R s A H R_x=AR_sA^HRx​=ARs​AH，对均匀线阵，矩阵A由

A = [ a ( θ 1 ) , a ( θ 2 ) , . . . a ( θ D ) ] T = [ 1 1 ⋯ 1 e − j φ 1 e − j φ 2 ⋯ e − j φ D ⋮ ⋮ ⋱ ⋮ e − j ( M − 1 ) φ 1 e − j ( M − 1 ) φ 2 ⋯ e − j ( M − 1 ) φ D ] A=[a(\theta_1),a(\theta_2),...a(\theta_D)]^T=\left[

1e−jφ1⋮e−j(M−1)φ11e−jφ2⋮e−j(M−1)φ2⋯⋯⋱⋯1e−jφD⋮e−j(M−1)φD11⋯1e−jφ1e−jφ2⋯e−jφD⋮⋮⋱⋮e−j(M−1)φ1e−j(M−1)φ2⋯e−j(M−1)φD

\right]A=[a(θ1​),a(θ2​),...a(θD​)]T=⎣⎢⎢⎢⎡​1e−jφ1​⋮e−j(M−1)φ1​​1e−jφ2​⋮e−j(M−1)φ2​​⋯⋯⋱⋯​1e−jφD​⋮e−j(M−1)φD​​⎦⎥⎥⎥⎤​

所定义的范德蒙德矩阵，只要满足θ i ≠ θ j , i ≠ j \theta_i\neq \theta_j,i\neq jθi​​=θj​,i​=j，则他的各列相互独立。

若R s R_sRs​为非奇异矩阵R a n k ( R s ) = D Rank(R_s)=DRank(Rs​)=D，各信号源两两不相干，且M >D M>DM>D，则r a n d ( A R s A H ) = D rand(AR_sA^H)=Drand(ARs​AH)=D，

由于R x = E [ X X H ] R_x=E[XX^H]Rx​=E[XXH]，有：

R s H = R x R_s^H=R_xRsH​=Rx​

即R s R_sRs​为Hermite矩阵，它的特性是都是实数，又由于R s R_sRs​为正定的，因此A R s A … … H AR_sA……HARs​A……H为半正定的，它有D个正特征值和M − D M-DM−D个零特征值。

再考虑有噪声存在的情况

R x = A R s A H + σ 2 I R_x=AR_sA^H+\sigma^2IRx​=ARs​AH+σ2I

由于σ 2 >0 \sigma^2>0σ2>0，R x R_xRx​为满秩阵，所以R x R_xRx​有M个正实特征值λ 1 , λ 2 . . . λ M \lambda_1,\lambda_2...\lambda_Mλ1​,λ2​...λM​

分别对应于M个特征向量v 1 , v 2 . . . v M v_1,v_2...v_Mv1​,v2​...vM​。又由于R x R_xRx​为Hermite矩阵，所以各特征向量是正交的，即：v i H v j = 0 , i ≠ j v_i^Hv_j=0,i\neq jviH​vj​=0,i​=j与信号有关的特征值只有D个,分别等于矩阵A R s A H AR_sA^HARs​AH的各特征值与σ 2 \sigma^2σ2之和，其余M − D M-DM−D个特征值为σ 2 \sigma^2σ2，即σ 2 \sigma^2σ2为R RR的最小特征值，它是M − D M-DM−D维的，对应的特征向量v i , i = 1 , 2 , . . . , M v_i,i=1,2,...,Mvi​,i=1,2,...,M中，也有D个是与信号有关的，另外M − D M-DM−D个是与噪声有关的，可利用特征分解的性质求出信号源的波达方向θ k \theta_kθk​。

MUSIC算法的原理及实现

通过对协方差矩阵的特征值分解，可得到如下结论：

将矩阵R x R_xRx​的特征值进行从小到大的排序，即λ 1 ≥ λ 2 ≥ . . . ≥ λ M >0 \lambda_1 \geq \lambda_2\geq...\geq\lambda_M>0λ1​≥λ2​≥...≥λM​>0，其中D个较大的特征值对应于信号，M − D M-DM−D个较小的特征值对应于噪声。

矩阵R x R_xRx​的属于这些特征值的特征向量也分别对应于各个信号和噪声，因此可把R x R_xRx​的特征值（特征向量）划分为信号特征（特征向量）与噪声特征（特征向量）。

设λ i \lambda_iλi​为R x R_xRx​的第i ii个特征值，v i v_ivi​是与λ i \lambda_iλi​个相对应的特征向量，有：

R x v i = λ i v i R_xv_i=\lambda_iv_iRx​vi​=λi​vi​

再设λ i = σ 2 \lambda_i=\sigma^2λi​=σ2是R x R_xRx​的最小特征值R x v i = σ 2 v i i = D + 1 , D + 2... M R_xv_i=\sigma^2v_i i=D+1,D+2...MRx​vi​=σ2vi​i=D+1,D+2...M，

将R x = A R s A H + σ 2 I R_x=AR_sA^H+\sigma^2IRx​=ARs​AH+σ2I代入可得σ 2 v i = ( A R s A H + σ 2 I ) v i \sigma^2v_i=(AR_sA^H+\sigma^2I)v_iσ2vi​=(ARs​AH+σ2I)vi​，

将其右边展开与左边比较得：

A R s A H v i = 0 AR_sA^Hv_i=0ARs​AHvi​=0

因A H A A^HAAHA是D ∗ D D*DD∗D维的满秩矩阵，( A H A ) − 1 (A^HA)^{-1}(AHA)−1存在；

而R s − 1 R_s^{-1}Rs−1​同样存在，则上式两边同乘以R s − 1 ( A H A ) − 1 A H R_s^{-1}(A^HA)^{-1}A^HRs−1​(AHA)−1AH，

有：

R s − 1 ( A H A ) − 1 A H A R s A H v i = 0 R_s^{-1}(A^HA)^{-1}A^HAR_sA^Hv_i=0Rs−1​(AHA)−1AHARs​AHvi​=0

于是有

A H v i = 0 ， i = D + 1 , D + 2 , . . . , M A^Hv_i=0，i=D+1,D+2,...,MAHvi​=0，i=D+1,D+2,...,M

上式表明：噪声特征值所对应的特征向量（称为噪声特征向量）v i v_ivi​，与矩阵A AA的列向量正交，而A AA的各列是与信号源的方向相对应的，这就是利用噪声特征向量求解信号源方向的出发点。

用各噪声特征向量为例，构造一个噪声矩阵E n E_nEn​:

E n = [ v D + 1 , v D + 2 , . . . v M ] E_n=[v_{D+1},v_{D+2},...v_{M}]En​=[vD+1​,vD+2​,...vM​]

定义空间谱P m u ( θ ) P_{mu}(\theta)Pmu​(θ):

P m u ( θ ) = 1 a H ( θ ) E n E n H a ( θ ) = 1 ∥ E n H a ( θ ) ∥ 2 P_{mu}(\theta)=\frac{1}{{a^H}(\theta)}E_nE_n^Ha(\theta)=\frac{1}{\Vert E_n^Ha(\theta)\Vert^2}Pmu​(θ)=aH(θ)1​En​EnH​a(θ)=∥EnH​a(θ)∥21​

该式中分母是信号向量和噪声矩阵的内积，当a ( θ ) a(\theta)a(θ)和E n E_nEn​的各列正交时，该分母为零，但由于噪声的存在，它实际上为一最小值，因此P m u ( θ ) P_{mu}(\theta)Pmu​(θ)有一尖峰值，由该式，使θ \thetaθ变化，通过寻找波峰来估计到达角。

MUSIC算法实现的步骤

1.根据N个接收信号矢量得到下面协方差矩阵的估计值：

R x = 1 N ∑ i = 1 N X ( i ) X H ( i ) R_x=\frac{1}{N} \sum_{i=1}^NX(i)X^H(i)Rx​=N1​∑i=1N​X(i)XH(i)

对上面得到的协方差矩阵进行特征分解

R x = A R s A H + σ 2 I R_x=AR_sA^H+\sigma^2IRx​=ARs​AH+σ2I

2.按特征值的大小排序 将与信号个数D DD相等的特征值和对应的特征向量看做信号部分空间，将剩下的M − D M-DM−D个特征值和特征向量看做噪声部分空间，得到噪声矩阵E n E_nEn​:

A H v i = 0 ， i = D + 1 , D + 2 , . . . , M A^Hv_i=0，i=D+1,D+2,...,MAHvi​=0，i=D+1,D+2,...,M

E n = [ v D + 1 , v D + 2 , . . . v M ] E_n=[v_{D+1},v_{D+2},...v_{M}]En​=[vD+1​,vD+2​,...vM​]

3.使θ \thetaθ变化 ，按照式

P m u ( θ ) = 1 a H ( θ ) E n E n H a ( θ ) P_{mu}(\theta)=\frac{1}{{a^H}(\theta)E_nE_n^Ha(\theta)}Pmu​(θ)=aH(θ)En​EnH​a(θ)1​

来计算谱函数，通过寻求峰值来得到波达方向的估计值。

clearclose all

%%%%%%%% MUSIC for Uniform Linear Array%%%%%%%%

derad = pi/180      %角度->弧度

N = 8              % 阵元个数       

M = 3              % 信源数目

theta = [-30 0 60]  % 待估计角度

snr = 10            % 信噪比

K = 512            % 快拍数

dd = 0.5            % 阵元间距

d=0:dd:(N-1)*dd

A=exp(-1i*2*pi*d.'*sin(theta*derad))  %方向矢量

%%%%构建信号模型%%%%%

S=randn(M,K)            %信源信号，入射信号

X=A*S                    %构造接收信号

X1=awgn(X,snr,'measured')%将白色高斯噪声添加到信号中

% 计算协方差矩阵

Rxx=X1*X1'/K

% 特征值分解

[EV,D]=eig(Rxx)                  %特征值分解

EVA=diag(D)'                      %将特征值矩阵对角线提取并转为一行

[EVA,I]=sort(EVA)                %将特征值排序 从小到大

EV=fliplr(EV(:,I))                % 对应特征矢量排序

% 遍历每个角度，计算空间谱

for iang = 1:361

    angle(iang)=(iang-181)/2

    phim=derad*angle(iang)

    a=exp(-1i*2*pi*d*sin(phim)).'

    En=EV(:,M+1:N)                  % 取矩阵的第M+1到N列组成噪声子空间

    Pmusic(iang)=1/(a'*En*En'*a)

end

Pmusic=abs(Pmusic)

Pmmax=max(Pmusic)

Pmusic=10*log10(Pmusic/Pmmax)            % 归一化处理

h=plot(angle,Pmusic)

set(h,'Linewidth',2)

xlabel('入射角/(degree)')

ylabel('空间谱/(dB)')

set(gca, 'XTick',[-90:30:90])

grid on

实现结果

中文名称： 正辛醇

英文名称： octanol

中文名称2： 1-辛醇

英文名称2： capryl alcohol

分子式： C8H18O

分子量： 130.23

CAS No.： 111-87-5

【理化特性】

外观与性状： 无色油状液体, 有刺激性气味。

熔点(℃)： -16.7

沸点(℃)： 196

相对密度(水=1)： 0.83(20℃)

相对蒸气密度(空气=1)： 4.48

饱和蒸气压(kPa)： 0.13(54℃)

燃烧热(kJ/mol)： 5275.2

闪点(℃)： 81 （闭式）

【溶解特性】： 不溶于水，溶于乙醇、乙醚、氯仿。

【用 途】：主要用于生产增塑剂、萃取剂、稳定剂，用作溶剂和香料的中间体。在增塑剂领域，辛醇一般是指2-乙基乙醇，这是百万吨级的大宗原料，在工业上远比正辛醇更有价值。辛醇本身也用作香料，调合玫瑰，百合等花香香精，作为皂用香料。该品是我国GB2760-86规定为允许使用的食用香料。主要用以配制椰子、菠萝、桃子、巧克力和柑桔类香精。

【制备方法】：辛醇在苦橙、柚、甜橙、绿茶、紫罗兰叶等精油中或以游离态存在，或以乙酸酯、丁酸酯、异戊酸酯类存在。工业生产时，可将辛醛还原或利用椰子油中存在的辛酸来制备。也可采用庚烯-1为原料的羰基合成法制得。庚烯与一氧化碳和氢在钴盐存在下，于150-170℃及20-30MPa的高压下生成醛，经脱钴后，再用镍催化剂加压氢化成伯醇。在国外该法已有成熟的生产工艺。

【健康危害】： 本品对眼睛、皮肤、粘膜和上呼吸道有刺激作用。如不小心接触皮肤，应立刻用抹布等擦去，并用乙醇做清洗剂，大量水冲洗。

【燃爆危险】： 本品可燃，具刺激性。

【危险特性】： 遇明火、高热可燃。

辛醇，异辛醇无色透明油状液体。相对密度0.8344。熔点-76℃。沸点184～185℃。凝固点-76℃。折光率1.4300。闪点（开杯）81℃。自然点270℃。低毒，半数致死量（大鼠，经口）12.46ml/kg。有刺激性。溶于多数有机溶剂，微溶于水（1g产品溶于约720份水），与水可形成共沸物，能与醇、氯仿、醚等多种有机溶剂互溶。低毒，半数致死量（大鼠，经口）12.46ml/kg。主要用于生产邻苯二甲酸二辛酯(DOP)、己二酸二辛酯(DOA)等增塑剂及丙烯酸辛酯(2-乙基已基丙烯酸酯)、表面活性剂等。辛醇的其他用途包括硝酸酯，石油添加剂，表面活性剂，染料及树脂以及油的溶剂，增塑剂，去泡剂，织物丝光处理。