太阳城集团亚洲娱乐城-澳门太阳城集团娱乐城最新地址_百家乐电影网_全讯网xb112 (中国)·官方网站

1 成果簡(jiǎn)介作為一種清潔、高效的能量轉(zhuǎn)換裝置， 質(zhì)子交換膜燃料電池的理論比能量高達(dá)32940Wh/kg（ 在地面上使用時(shí)可不計(jì)空氣的質(zhì)量），是各種電化學(xué)電池體系中的理論比能量“ 絕對(duì)冠軍”， 而且功率密度高、電流密度大， 是最先進(jìn)的能量轉(zhuǎn)換技術(shù)之一。現(xiàn)在世界各國(guó)正在加速其在民用領(lǐng)域的產(chǎn)品開發(fā)。 利用質(zhì)子交換膜燃料電池國(guó)產(chǎn)關(guān)鍵原材料，創(chuàng)新膜電極制備方法（“熱定型” CCM 制備法）和優(yōu)化制備工藝，開發(fā)出了高性能、大面積的國(guó)產(chǎn)材料膜電極批量制備技術(shù)。并在模塊化燃料電池設(shè)計(jì)和計(jì)算機(jī)模擬仿真的基礎(chǔ)上，研制出了空冷、自增濕式質(zhì)子交換膜燃料電池發(fā)電機(jī)。該成果獲得全國(guó)第十九屆發(fā)明展覽會(huì)發(fā)明金獎(jiǎng)。空冷、自增濕式質(zhì)子交換膜燃料電池發(fā)電機(jī)，主要由燃料電池、供氣軸流風(fēng)扇、陽極間歇式排氣電磁閥、 DC/DC 穩(wěn)壓器和控制電路板等組成，燃料電池采用陰極與大氣貫通的開 放設(shè)計(jì)和高效的自增濕專利技術(shù)，能實(shí)現(xiàn)寬功率范圍的自增濕發(fā)電。在電化學(xué)發(fā)電過程中，無需進(jìn)行復(fù)雜的熱管理和對(duì)反應(yīng)氣體進(jìn)行預(yù)加濕，大大地減化了系統(tǒng)結(jié)構(gòu)，提高了系統(tǒng)比功率（ 265W/kg、 211W/L），并降低了成本，是一種實(shí)用性很強(qiáng)的新能源發(fā)電機(jī)。該發(fā)電機(jī)采用普氫燃料，發(fā)電效率可達(dá)到 50%以上，功率密度可達(dá)到 300mW/cm2 以上，無污染。在分布式電站、交通動(dòng)力和便攜式電源方面具有廣泛的應(yīng)用前景。 燃料電池發(fā)電機(jī)技術(shù)指標(biāo)： 上圖： 1.3 千瓦 空冷、自增濕式燃料電池發(fā)電機(jī) (43 cells)2 應(yīng)用說明經(jīng)過近十年來的電動(dòng)汽車、 分布式電站、電源等領(lǐng)域的廣泛示范應(yīng)用（ 燃料電池已經(jīng)在航天、軍事上得到應(yīng)用，燃料電池備用電源和燃料電池家用電站正在開始商業(yè)化）， 質(zhì)子交換膜燃料電池技術(shù)的成熟度已經(jīng)逐漸被用戶所接受。目前，其商業(yè)化主要問題是成本較高（采用進(jìn)口材料成本昂貴）， 而本項(xiàng)目采用“ 863” 計(jì)劃“ 全國(guó)產(chǎn)材料燃料電池發(fā)電機(jī)” 成果，利用國(guó)產(chǎn)原材料制備燃料電池電堆，燃料電池材料供應(yīng)不僅有安全保障，而且還有低成本優(yōu)勢(shì)，可望克服燃料電池高成本的商業(yè)化障礙。3 應(yīng)用說明本項(xiàng)目屬新能源發(fā)電機(jī)領(lǐng)域。在分布式電站、交通動(dòng)力和便攜式電源方面具有廣泛的應(yīng)用前景。4 效益分析目前，質(zhì)子交換膜燃料電池的先進(jìn)制造水平為：電極催化劑載量為 0.5 毫克/平方厘米（電極）左右，電極性能可以在常壓空氣條件下達(dá)到 0.62V、 1A/cm2 (0.62W/ cm2)。如在批量生產(chǎn)的情況下， 1 千瓦的質(zhì)子交換膜燃料電池電堆僅需要使用約 2 克的 Pt 催化劑、 0.2 平方米的質(zhì)子交換膜、 0.4 平方米的碳紙擴(kuò)散層和約 0.24 平方米模壓雙極板。考慮國(guó)產(chǎn)燃料電池材料的批量生產(chǎn)，估計(jì)能實(shí)現(xiàn)的經(jīng)濟(jì)指標(biāo)： 1500 元/平方米（質(zhì)子交換膜）、催化劑 400 元/克（ Pt）、 300 元/平方米（碳紙）、 600 元/平方米（模壓石墨板）。 1 千瓦全國(guó)產(chǎn)材料燃料電池堆的關(guān)鍵材料成本可控制在 1500 元以下，這與目前進(jìn)口材料燃料電池 26000 元/千瓦的成本相比， 國(guó)產(chǎn)材料燃料電池堆具有十分誘人的前景，這一批量生產(chǎn)的經(jīng)濟(jì)指標(biāo)已經(jīng)遠(yuǎn)遠(yuǎn)低于電站成本要求 8000 元/千瓦，距離交通動(dòng)力 500 元/千瓦的產(chǎn)業(yè)化目標(biāo)也為時(shí)不遠(yuǎn)。

本成果提出的基于超像素樣本擴(kuò)充的空譜全卷積高光譜圖像分類方法有效的利用高光譜圖像的超像素分割結(jié)果指導(dǎo)偽樣本擴(kuò)充增加了訓(xùn)練集樣本數(shù)量，解決了高光譜圖像有標(biāo)記樣本的稀缺問題，同時(shí)空譜的全卷積分類網(wǎng)絡(luò)也充分利用了多尺度的空間特征和光譜特征實(shí)現(xiàn)了較高的分類精度。 成果非涉密，專利申請(qǐng)已經(jīng)提交。 實(shí)驗(yàn)采用反射光學(xué)系統(tǒng)成像光譜儀（ROSIS）傳感器獲取意大利北部帕維亞大學(xué)（Pavia  University）的高光譜圖像數(shù)據(jù)。該數(shù)據(jù)集由 103 個(gè)光譜帶組成，共 610×340 像素，光譜覆蓋范圍從 430nm 到 860nm，空間分辨率為 1.3m。該數(shù)據(jù)集一共含有 9 個(gè)類別的 42776個(gè)有標(biāo)記樣本，選取每類 30 個(gè)有標(biāo)記樣本作為訓(xùn)練集，其余作為測(cè)試集。 由下表可以看出，在每類選取 30 個(gè)樣本的情況下，本 模 型 的 OA，AA，Kappa系 數(shù) 比 DFFN 模 型 高 出20.8%，17.4% 和 26.5%；比CNN 高 出 23.1%，18.8% 和29.2%。并且下表證明了使用了偽標(biāo)簽樣本擴(kuò)充的空譜全卷積網(wǎng)絡(luò)的本方法在小樣本情況下每個(gè)類的分類準(zhǔn)確性均優(yōu)于 DFFN 和 CNN，達(dá)到了較好的分類效果。 表 1 PaviaU 數(shù)據(jù)集上對(duì)比實(shí)驗(yàn)結(jié)果

該成果提出了一種基于空譜差分輔助核聯(lián)合稀疏表示分類的高光譜圖像分類方法。本章方法的主要?jiǎng)?chuàng)新性在于：1）能夠?qū)⒐庾V的差分輔助信息和原光譜特征信息有效結(jié)合。2）能夠考慮不同光譜屬性間的高階空間相關(guān)信息。3）原空譜和差分空譜核特征字典的信息通過具有混合正則的核聯(lián)合稀疏表示分類方法得到充分利用。通過在真實(shí)高光譜圖像數(shù)據(jù)上的實(shí)驗(yàn)表明，該成果提出的方法能夠有效地提高高光譜遙感圖像的分類效果。 主要技術(shù)指標(biāo) 不同數(shù)據(jù)集下的訓(xùn)練樣本與測(cè)試樣本數(shù)參閱表 1. 在該訓(xùn)練樣本集數(shù)量下的分類結(jié)果表現(xiàn)參見表 2. 相比于傳統(tǒng)分類器 SVM，OA 提高了約 20%；相比于 SOMP，OA 提高了約20%。 該成果無需使用 GPU 資源在保證精度的同時(shí)有效提升了分類的精度和效果，同時(shí)在較少訓(xùn)練樣本條件下仍能得到較好的分類精度和分類效果。 表 1. 不同數(shù)據(jù)集下的訓(xùn)練樣本選取數(shù)量 表 2. PaviaU 大學(xué)數(shù)據(jù)下不同方法的正確率比較

本發(fā)明公開了一種基于信道角度域信息的分布式空時(shí)預(yù)編碼傳輸方法，其關(guān)鍵是接收端把通過信道估計(jì)得到的信道角度域信息，包括平均入射角、角度擴(kuò)展和歸一化接收天線距離，反饋給發(fā)射端，收到反饋信息后，發(fā)射端首先構(gòu)建出信道的統(tǒng)計(jì)信息，包括均值和相關(guān)矩陣，然后利用這些信息設(shè)計(jì)最佳的預(yù)編碼矩陣，對(duì)預(yù)先設(shè)計(jì)好的空時(shí)碼字進(jìn)行預(yù)處理。這種基于信道角度域信息的分布式空時(shí)預(yù)編碼傳輸方法一方面可以得到更加精確的信道統(tǒng)計(jì)信息，另一方面可以進(jìn)一步減少所需的反饋量。

本發(fā)明涉及一種基于遙感影像值多元參量定標(biāo)模型的自適應(yīng)成像方法,其步驟包括建立成像系統(tǒng)電子學(xué)參數(shù)與遙感圖像的定量數(shù)學(xué)關(guān)系；獲取遙感成像系統(tǒng)的位置和姿態(tài)參數(shù),并計(jì)算成像區(qū)域獲取成像區(qū)域地物覆蓋類型、地物反射光譜以及成像區(qū)域上空大氣和氣溶膠參數(shù),根據(jù)輻射傳輸方程計(jì)算該成像區(qū)域?qū)?yīng)的入瞳輻亮度；對(duì)每一景遙感影像入瞳輻亮度進(jìn)行排序得到最大入瞳輻亮度值,并通過成像系統(tǒng)調(diào)節(jié)成像參數(shù)使其不超過成像系統(tǒng)最大輸出圖像值,然后驅(qū)動(dòng)成像設(shè)備獲取遙感影像。

一種基于 LiDAR 點(diǎn)云輔助的立體影像密集匹配方法及系統(tǒng)，將投影獲取立體像對(duì)重疊范圍內(nèi)的 LiDAR 點(diǎn)云并濾波處理；將濾波后的點(diǎn)云投影到核線立體像對(duì)上，確定后續(xù)密集匹配的視差范圍；建立 金字塔，從金字塔頂層開始，采用三角網(wǎng)約束改造代價(jià)矩陣，進(jìn)行 SGM 密集匹配，并進(jìn)行左右一致性 檢測(cè)，得到頂層最終的視差圖；將金字塔當(dāng)前層的視差圖傳遞到下一層作為初始視差圖，根據(jù)當(dāng)前層的 視差圖相應(yīng)確定下一層的視差范圍，將下一層作為新的當(dāng)前層；基于新的當(dāng)前層，同樣處理得到當(dāng)前層 最終的視差圖，直到金字塔的底層，輸出原始影像的視差圖，根據(jù)視差圖，得到立體像對(duì)的同名點(diǎn)，生 成密集匹配的點(diǎn)云。

多模態(tài)醫(yī)學(xué)影像信息處理與分析，具有重大的應(yīng)用背景，是國(guó)家和社會(huì)當(dāng) 前高度重視的研究領(lǐng)域之一。 本項(xiàng)目擬基于機(jī)器學(xué)習(xí)方法，主要研究醫(yī)學(xué)影像的特征描述、設(shè)備無關(guān)性 的特征評(píng)價(jià)與特征選擇、基于內(nèi)容的多模態(tài)醫(yī)學(xué)影像檢索、醫(yī)學(xué)影像信息挖掘、 參考庫(kù)建設(shè)與算法輔助研究平臺(tái)的設(shè)計(jì)與開發(fā)等內(nèi)容。研究目標(biāo)為： （1）建立統(tǒng)一的特征描述模型，實(shí)現(xiàn)跨模態(tài)醫(yī)學(xué)影像的統(tǒng)一特征描述； （2）提出有效解決特征提取層面上醫(yī)學(xué)影像信息處理與分析算法的設(shè)備無 關(guān)性問題的通用框架； （3）在醫(yī)學(xué)影像標(biāo)注數(shù)據(jù)有限、數(shù)據(jù)庫(kù)為海量等條件下，實(shí)現(xiàn)高效率單模 50 態(tài)影像檢索，有效提高多模態(tài)、跨模態(tài)醫(yī)學(xué)影像檢索的精度，實(shí)現(xiàn)用戶友好的 檢索結(jié)果展示； （4）從結(jié)構(gòu)復(fù)雜的多模態(tài)醫(yī)學(xué)影像數(shù)據(jù)中，挖掘有用的知識(shí)，構(gòu)建有效的 輔助診斷模型、實(shí)現(xiàn)個(gè)人疾病風(fēng)險(xiǎn)預(yù)警； （5）完成首期參考庫(kù)建設(shè)與算法輔助研發(fā)平臺(tái)的開發(fā)，為項(xiàng)目研究?jī)?nèi)容的 開展提供有效數(shù)據(jù)和環(huán)境支撐。本項(xiàng)目獲得國(guó)家自然科學(xué)基金重點(diǎn)項(xiàng)目資助，項(xiàng)目執(zhí)行期 2013.1-2017.12。

常見腫瘤的前期診斷是目前的一個(gè)技術(shù)難點(diǎn)，也是目前急需解決的一個(gè)難題，目前最好的解決方法是分子熒光探測(cè)技術(shù)，這些技術(shù)的核心是小分子熒光探針的合成以及這種分子探針的腫瘤靶向特性，我們已經(jīng)合成了可以進(jìn)行部分腫瘤標(biāo)記的近紅外分子探針，并在幾種腫瘤的前期診斷中獲得了成功。同時(shí)我們也已經(jīng)成功開發(fā)了活體熒光成像系統(tǒng)，可以進(jìn)行分子熒光探針應(yīng)用的相關(guān)研究。應(yīng)用于醫(yī)療器械：腫瘤的前期診斷，獲發(fā)明專利2項(xiàng)，市場(chǎng)前景不可估量。 我們已經(jīng)合成了可以進(jìn)行部分腫瘤標(biāo)記的近紅外分子探針，并在幾種腫瘤的前期診斷中獲得了

本發(fā)明公開了一種基于投影數(shù)字高程模型的正射影像鑲嵌線自動(dòng)提取方法，包括步驟：步驟 1，獲 取單片正射影像的投影數(shù)字高程模型；步驟 2，確定待鑲嵌正射影像對(duì)；步驟 3，將待鑲嵌正射影像對(duì) 的投影數(shù)字高程模型按地理坐標(biāo)疊加獲得疊加圖像，將疊加圖像二值化得到二值疊加圖像；步驟 4，采 用圖像形態(tài)學(xué)方法提取二值疊加圖像的骨架線獲得骨架線網(wǎng)絡(luò)，采用 Dijkstra 算法在骨架線網(wǎng)絡(luò)中搜尋 最短路徑，即待鑲嵌影像對(duì)的鑲嵌線。本發(fā)明方法能自動(dòng)獲取高質(zhì)量的正