|
搜索
搜 索
高等教育領(lǐng)域數(shù)字化綜合服務(wù)平臺(tái)
.jpg){kind=logo}
一種融雪瀝青混合料融雪效果耐久性的評(píng)價(jià)方法
本發(fā)明公開了一種融雪瀝青混合料融雪效果耐久性的評(píng)價(jià)方法，首先成型車轍板試件，并測(cè)量試件的長(zhǎng)度和寬度，通過(guò)調(diào)查得到當(dāng)?shù)氐哪昶骄涤炅浚⒂?jì)算一年內(nèi)降于車轍板面積內(nèi)的雨水的體積；再用量筒測(cè)量一定時(shí)間內(nèi)蓬頭流出水的體積，并通過(guò)計(jì)算得到蓬頭的流速；之后進(jìn)行模擬降雨試驗(yàn)，將蓬頭內(nèi)的水灑向車轍板，使車轍板表面收到均勻的沖刷，并用玻璃杯每隔５分鐘收集沖淋后的雨水并測(cè)電導(dǎo)率，根據(jù)需要的最小電導(dǎo)率對(duì)應(yīng)的沖淋時(shí)間計(jì)算融雪瀝青混合料融雪效果耐久性的有效年限。本發(fā)明能夠準(zhǔn)確且便捷的評(píng)價(jià)融雪瀝青混合料的融雪耐久性，對(duì)融雪瀝青
東南大學(xué)
2021-04-14
.jpg){kind=logo}
一種超分子油井選擇性堵水劑及其制備方法
本發(fā)明涉及一種超分子油井選擇性堵水劑及其制備方法。該堵水劑在油井親水地層中利用自身側(cè)鏈基團(tuán)的自組裝生成超分子結(jié)構(gòu)，從而達(dá)到油井選擇性堵水的目的。該堵水劑克服了目前堵水劑選擇性差的問(wèn)題，可大大降低油井所產(chǎn)原油含水量，提高原油開采效率，降低原油開采成本。
青島大學(xué)
2021-04-13
業(yè)大學(xué).jpg){kind=logo}
雙親性辛烯基琥珀酸短直鏈淀粉納米顆粒及其制備方法
本發(fā)明涉及一種雙親性辛烯基琥珀酸短直鏈淀粉納米顆粒的制備工藝，步驟如下：(1)用普魯蘭酶酶解糊化淀粉乳，得到短直鏈淀粉；(2)配制短直鏈淀粉水溶液，糊化后加入相當(dāng)于短直鏈淀粉干粉重25?100％的辛烯基琥珀酸酐溶液，持續(xù)攪拌6?10h，得到改性辛烯基琥珀酸短直鏈淀粉溶液；將辛烯基琥珀酸短直鏈淀粉制成1?10mg/mL的溶液，37?40℃下攪拌6?10h，冷卻至室溫得到辛烯基琥珀酸短直鏈淀粉納米顆粒溶液。本發(fā)明納米顆粒粒徑在5?100nm之間，對(duì)組織的附著力強(qiáng)。可以包埋疏水的活性物質(zhì)，裝載率高，成本低，提高胃腸道對(duì)疏水活性成分的輸送效率，提高其生物利用率。保護(hù)疏水活性成分，提高其穩(wěn)定性，掩蔽不良風(fēng)味的釋放；并有效減少生物活性成分的添加量和毒副作用。
青島農(nóng)業(yè)大學(xué)
2021-04-13
藥大學(xué).jpg){kind=logo}
一種中藥注射液致敏性的檢測(cè)評(píng)價(jià)方法
【發(fā) 明 人】馬宏躍；段金廒；詹瑧；蕭偉；王團(tuán)結(jié) 【摘要】 本發(fā)明提供了一種中藥注射液致敏性的檢測(cè)評(píng)價(jià)方法，該方法是將中藥注射液制劑經(jīng)1至3KD超濾富集制備致敏性的大分子部位，然后將大分子部位加入到單個(gè)核細(xì)胞(PBMC)溶液中，共培養(yǎng)1至3天，然后采用優(yōu)選的臺(tái)盼藍(lán)或熒光染料染色活細(xì)胞數(shù)目，以計(jì)算、評(píng)價(jià)中藥注射液的致敏性強(qiáng)度。該方法具有方便、快捷和靈敏的優(yōu)勢(shì)，可廣泛適用于各種中藥注射液致敏性、刺激性的評(píng)價(jià)和檢驗(yàn)，可為中藥注射液的安全性評(píng)價(jià)，中藥注射液的質(zhì)量控制，為保證臨床用藥的安全性，提供科學(xué)的依據(jù)。
南京中醫(yī)藥大學(xué)
2021-04-13
.jpg){kind=logo}
一種基于支持向量回歸的 SAR 圖像適配性預(yù)測(cè)方法
本發(fā)明公開了一種基于支持向量回歸的雷達(dá)圖像適配性預(yù)測(cè)方法。所述方法包括：學(xué)習(xí)階段，提取 SAR 圖像多維特征構(gòu)成學(xué)習(xí)集；對(duì)學(xué)習(xí)集樣本特征預(yù)處理后，將其分為學(xué)習(xí)集 L1、L2，然后用學(xué)習(xí)集L1 訓(xùn)練支持向量機(jī)，并用得到的 SVM 模型對(duì)學(xué)習(xí)集 L2 進(jìn)行分類，根據(jù)分類正確率、樣本特征和類心之間的距離計(jì)算各樣本的適配率；之后利用學(xué)習(xí)集特征及其相應(yīng)的適配率，擬合回歸得到適配性預(yù)測(cè)函數(shù)模型；預(yù)測(cè)階段，對(duì)待評(píng)估的 SAR 圖像
華中科技大學(xué)
2021-04-14
一種基于亮度特征和輪廓完整性的輪廓提取方法
本發(fā)明公開了一種基于亮度特征和輪廓完整性的輪廓提取方法，屬于計(jì)算機(jī)視覺和模式識(shí)別的交叉鄰域，意在從復(fù)雜的環(huán)境背景中將物體的輪廓完整的提取出來(lái)。本發(fā)明包括最大能量響應(yīng)圖的求取步驟、亮度特征調(diào)制的非經(jīng)典感受野抑制步驟、物體輪廓的提取和基于概率模型的高低自適應(yīng)閾值等后處理步驟、基于輪廓完整性的最近鄰朝向一致性連接斷裂輪廓的處理步驟。本發(fā)明利用 Gabor 濾波器模擬人類簡(jiǎn)單細(xì)胞經(jīng)典感受野的響應(yīng)，得到最大的 Gabor 能量
華中科技大學(xué)
2021-04-14
一種基于多目標(biāo)決策提高硬盤可靠性的方法
本發(fā)明公開了一種基于多目標(biāo)決策提高硬盤可靠性的方法，包 括：獲取不同采樣時(shí)刻硬盤陣列的參數(shù)，計(jì)算不同采樣時(shí)刻硬盤陣列 的參數(shù)所對(duì)應(yīng)的隸屬值，包括溫度、性能、運(yùn)行時(shí)間以及功耗，根據(jù) 用戶的需求得到各自對(duì)應(yīng)的目標(biāo)系數(shù)，包括溫度系數(shù) A、性能系數(shù) B、 運(yùn) 行 時(shí) 間 系 數(shù) C 和 功 耗 系 數(shù) D 。 獲 取 該 硬 盤 陣 列 的 聚 合 值 F=A+B+C+D，改變磁盤陣列的大小，并重復(fù)上述步驟，以獲取不同大 小
華中科技大學(xué)
2021-04-14
一種基于場(chǎng)量分析的視頻圖像顯著性檢測(cè)方法
本發(fā)明公開了一種基于場(chǎng)量分析的視頻圖像顯著性檢測(cè)方法，包括以下步驟：S1 獲得視頻圖像的靜態(tài)顯著性圖；S2 根據(jù)連續(xù)的視頻幀提取場(chǎng)景的光流向量場(chǎng)；S3 通過(guò)聚類方法對(duì)光流向量場(chǎng)進(jìn)行初步分類并找出最大分類區(qū)塊；S4 通過(guò)每個(gè)分類區(qū)塊與最大分類區(qū)塊之間的對(duì)比生成差異性能量；S5 規(guī)范化差異性能量，獲得運(yùn)動(dòng)顯著性值并生成運(yùn)動(dòng)顯著性圖；S6 將該運(yùn)動(dòng)顯著性圖與所述靜態(tài)顯著性圖線性加權(quán)相加得到最終顯著性圖，即可實(shí)現(xiàn)對(duì)視頻圖像的顯著性檢測(cè)。本發(fā)明的方法綜合利用視頻場(chǎng)景的靜態(tài)特征和動(dòng)態(tài)特征來(lái)得到顯著性映射結(jié)果，特
華中科技大學(xué)
2021-04-14
一種基于運(yùn)動(dòng)顏色關(guān)聯(lián)的視頻圖像顯著性檢測(cè)方法
本發(fā)明公開了一種基于運(yùn)動(dòng)顏色關(guān)聯(lián)的視頻圖像顯著性檢測(cè)方法，包括：獲得視頻圖像的靜態(tài)顯著性圖；提取場(chǎng)景的光流向量場(chǎng)；對(duì)光流向量場(chǎng)進(jìn)行初步分類并拋棄最大分類區(qū)塊；將視頻圖像從 RGB顏色空間轉(zhuǎn)換到 HSV 顏色空間；根據(jù) HSV 顏色空間 H 分量中對(duì)應(yīng)顏色在輸入圖像中出現(xiàn)的頻率，生成顏色直方圖；針對(duì)光流向量場(chǎng)有效分類區(qū)塊中的每個(gè)向量，將其范數(shù)投射到顏色直方圖的相應(yīng)區(qū)間中去，得到每個(gè)顏色區(qū)間的運(yùn)動(dòng)尺度變量；得到每種顏色的運(yùn)動(dòng)顯著性值并投影到原圖像生成運(yùn)動(dòng)顯著性圖；將運(yùn)動(dòng)顯著性圖與靜態(tài)顯著性圖相加得到最終
華中科技大學(xué)
2021-04-14
.jpg){kind=logo}
基于差分熵和結(jié)構(gòu)相似性的圖像編碼質(zhì)量預(yù)測(cè)方法
本發(fā)明公開了一種基于差分熵和結(jié)構(gòu)相似性的圖像編碼質(zhì)量預(yù)測(cè)方法，包括步驟：步驟 1，獲取樣本圖 像序列中各樣本圖像的圖像差分熵及不同壓縮倍數(shù)下的圖像結(jié)構(gòu)相似性；步驟 2，基于步驟 1 獲取的數(shù)據(jù)， 采用線性擬合方式構(gòu)建不同壓縮倍數(shù)下圖像差分熵與圖像結(jié)構(gòu)相似性間的線性關(guān)系，即圖像編碼質(zhì)量預(yù)測(cè)模 型；步驟 3，根據(jù)待預(yù)測(cè)圖像的圖像差分熵，采用圖像編碼質(zhì)量預(yù)測(cè)模型即可獲得待預(yù)測(cè)圖像在不同壓縮倍 數(shù)下的圖像結(jié)構(gòu)相似性。本發(fā)明簡(jiǎn)單，高效，無(wú)需消耗較大的硬件
武漢大學(xué)
2021-04-14