|
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}
一種用于獲取圍巖-支護(hù)全過程特征曲線的模型試驗(yàn)方法
本發(fā)明公開了一種用于獲取圍巖-支護(hù)全過程特征曲線的模型試驗(yàn)方法，通過類似于“發(fā)條”的支護(hù)結(jié)構(gòu)：即由鋁合金薄板卷合于中心圓筒體，逐漸調(diào)整松緊狀態(tài)即連續(xù)多次改變支護(hù)變形，分別測(cè)讀相應(yīng)的變形值、圍巖壓力值，從而在一次模型試驗(yàn)即一次性獲取圍巖-支護(hù)全過程特征曲線，尤其是峰后效應(yīng)段。相比以往通過制作多組不同尺寸的石膏支護(hù)結(jié)構(gòu)，進(jìn)行多工況的模型試驗(yàn)，本發(fā)明省工、省時(shí)、省錢，大大降低了此類試驗(yàn)成本，提高了此類試驗(yàn)效率；而且克服了以往試驗(yàn)方法不能模擬峰后效應(yīng)段的弊端。
西南交通大學(xué)
2018-09-18
院.jpg){kind=logo}
青白散對(duì)慢性軟組織損傷模型大鼠的抗炎和抗氧化作用
青白散對(duì)慢性軟組織損傷模型大鼠的抗炎和抗氧化作用
成都體育學(xué)院
2015-02-26
.jpg){kind=logo}
一種帶漂移干擾的模型預(yù)測(cè)控制器的建模質(zhì)量監(jiān)控方法
本發(fā)明公開了一種帶漂移干擾的模型預(yù)測(cè)控制器的建模質(zhì)量監(jiān)控方法,包括如下步驟：建立閉環(huán)控制系統(tǒng)的干擾模型；根據(jù)閉環(huán)控制系統(tǒng)的實(shí)際情況以及給定的控制目標(biāo)，設(shè)計(jì)過程的動(dòng)態(tài)模型 MPC 控制器；采用干擾模型及 MPC 控制器控制閉環(huán)控制系統(tǒng)，并采集閉環(huán)控制系統(tǒng)運(yùn)行所得的過程數(shù)據(jù)；根據(jù)閉環(huán)控制系統(tǒng)結(jié)構(gòu)，對(duì)過程輸出及過程輸入數(shù)據(jù)進(jìn)行正交投影，獲得過程估計(jì)干擾更新；根據(jù)閉環(huán)控制系統(tǒng)既定參考信號(hào)和過程實(shí)際輸出，獲取閉環(huán)控制系統(tǒng)的實(shí)際
華中科技大學(xué)
2021-04-14
一種基于多層形變模型的高保真人臉三維重建方法
本發(fā)明公開了一種基于多層形變模型的高保真人臉三維重建方法。所述方法以視頻圖像序列作為輸入數(shù)據(jù)，經(jīng)過光流特征點(diǎn)檢測(cè)與·718·跟蹤，人臉特征點(diǎn)提取與匹配、相機(jī)標(biāo)定，從而利用運(yùn)動(dòng)恢復(fù)結(jié)構(gòu)技術(shù)恢復(fù)相機(jī)參數(shù)與相機(jī)軌跡，提出了人臉多層次形變模型，進(jìn)而進(jìn)行紋理映射得到目標(biāo)人臉的高保真人臉三維模型。本發(fā)明將形變模型技術(shù)與運(yùn)動(dòng)恢復(fù)結(jié)構(gòu)技術(shù)結(jié)合起來，提出了人臉多層次形變模型，能夠獲得與目標(biāo)人臉高度相似的重建結(jié)果，同時(shí)，本
華中科技大學(xué)
2021-04-14
.jpg){kind=logo}
一種基于神經(jīng)網(wǎng)絡(luò)的反演大氣可降水量的MODIS模型改進(jìn)方法
本發(fā)明公開了一種基于神經(jīng)網(wǎng)絡(luò)的反演大氣可降水量的MODIS模型改進(jìn)方法，包括以下步驟：S1：利用MODIS三通道比值法反演大氣可降水量PWV，記為PWVMODIS；S2：利用BP神經(jīng)網(wǎng)絡(luò)建立測(cè)站處的緯度φ、測(cè)站處的高程h、年積日doy、PWVMODIS與測(cè)站GPS/MODIS反演的PWV殘差RES之間的非線性關(guān)系；S3：對(duì)BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練；S4：將φ、h、doy以及PWVMODIS作為輸入?yún)?shù)代入BP神經(jīng)網(wǎng)絡(luò)模型，并計(jì)算出GPS測(cè)站處PWV殘差RESBP；S5：利用RESBP補(bǔ)償PWVMODIS，獲得大氣可降水量PWV＝PWVMODIS+RESBP。本發(fā)明有效提高了建模精度。
東南大學(xué)
2021-04-11
.jpg){kind=logo}
基于小波分析和有限高斯混合模型EM方法的模擬電路故障診斷方法
近年來已經(jīng)建立了基于故障字典，模糊理論，專家系統(tǒng)，神經(jīng)網(wǎng)絡(luò)，支持向量機(jī)，信息融合，小波分析，粒子群等各種技術(shù)的不同故障診斷方法，并在模擬電路的實(shí)際檢驗(yàn)中取得了良好的效果。然而，電路從正常到故障之間存在中間過渡狀態(tài)，怎樣定義這個(gè)中間狀態(tài)以及其對(duì)電路有怎樣的影響，如何準(zhǔn)確描述這種影響，通過查閱文獻(xiàn)，到目前為止還沒有一種合理的方法能夠解決這個(gè)問題。
遼寧大學(xué)
2021-04-11
.jpg){kind=logo}
一種基于四點(diǎn)二元模型的圖像紋理特征值的提取方法
本發(fā)明提出一種基于四點(diǎn)二元模型的圖像紋理特征值的提取方法,首先計(jì)算2x2像素塊內(nèi)四個(gè)像素點(diǎn)像素值的均值;其次計(jì)算每個(gè)像素點(diǎn)與均值的差值,若差值大于等于一給定閾值,就置該像素塊的位置編碼值為1,否則為0;最后將四個(gè)像素塊的位置編碼值乘以相對(duì)應(yīng)的權(quán)重后,再將4個(gè)乘積求和,就得到該2x2像素塊的紋理特征值,本發(fā)明只需要計(jì)算四個(gè)像素點(diǎn)與其均值的差值,得到4bit的二進(jìn)制碼,計(jì)算量減少一半且復(fù)雜度低,且能有效地表示人臉的局部紋理信息,可應(yīng)用于人臉檢測(cè),識(shí)別和目標(biāo)跟蹤系統(tǒng).
華僑大學(xué)
2021-04-29
.jpg){kind=logo}
基于人工蜂群和量子粒子群算法的一維水質(zhì)模型參數(shù)率定方法
本發(fā)明公開了一種基于人工蜂群算法和量子粒子群算法的優(yōu)化計(jì)算方法，其包括以下主要步驟：(1)根據(jù)實(shí)際問題編制待優(yōu)化目標(biāo)函數(shù)；(2)輸入算法的通用運(yùn)行參數(shù)：種群數(shù)目、迭代次數(shù)、變量維數(shù)、變量取值范圍、待優(yōu)化目標(biāo)函數(shù)；(3)選取ABC、QPSO、QPSO+ABC和ABC+QPSO的一種或多種計(jì)算方法進(jìn)行計(jì)算；(4)若只使用一種，直接判斷結(jié)果是否滿足優(yōu)化要求；若多于一種計(jì)算方法，綜合比較計(jì)算結(jié)果及評(píng)價(jià)最優(yōu)的結(jié)果是否滿足此次優(yōu)化的要求；(5)若滿足要求，運(yùn)算結(jié)束，輸出計(jì)算結(jié)果和迭代曲線；(6)否則，修改算法的
安徽建筑大學(xué)
2021-01-12
.jpg){kind=logo}
重編程的神經(jīng)干細(xì)胞可以用來作為細(xì)胞模型研究疾病的發(fā)病機(jī)理
利用單個(gè)視網(wǎng)膜轉(zhuǎn)錄因子Ptf1a，可以將小鼠和人的成纖維細(xì)胞在體外高效重編程為神經(jīng)干細(xì)胞，并揭示了Ptf1a誘導(dǎo)體細(xì)胞重編程過程的內(nèi)在分子機(jī)制。由于Ptf1a是一個(gè)非神經(jīng)前體細(xì)胞轉(zhuǎn)錄因子，該發(fā)現(xiàn)顛覆了體細(xì)胞重編程為神經(jīng)干細(xì)胞需要依賴神經(jīng)前體細(xì)胞轉(zhuǎn)錄因子參與的認(rèn)知。經(jīng)過Ptf1a重編程的神經(jīng)干細(xì)胞在體外可以大量傳代擴(kuò)增，并能在體外及體內(nèi)分化成為具有功能的、各種類型的抑制性及興奮性神經(jīng)元、星型膠質(zhì)細(xì)胞和少突膠質(zhì)細(xì)胞。進(jìn)一步的研究發(fā)現(xiàn)，當(dāng)把這些誘導(dǎo)神經(jīng)干細(xì)胞移植到患有老年癡呆的小鼠模型大腦中，其可以分化并整合到大腦中，和原有的腦細(xì)胞形成功能性連接。行為學(xué)測(cè)試表明，細(xì)胞移植可以明顯改善患病小鼠的空間學(xué)習(xí)及記憶功能。? 和早期的其它研究相比，Ptf1a的單因子方案更安全、更高效、得到的神經(jīng)干細(xì)胞和體內(nèi)的神經(jīng)干細(xì)胞更接近，具有諸多優(yōu)點(diǎn)，從而解決了自體神經(jīng)干細(xì)胞的來源問題。重編程的神經(jīng)干細(xì)胞可以用來作為細(xì)胞模型研究疾病的發(fā)病機(jī)理，篩選有效的藥物，以及移植治療各種神經(jīng)疾病的細(xì)胞來源。
中山大學(xué)
2021-04-13
.jpg){kind=logo}
信息物理融合的CVT群體計(jì)量誤差評(píng)估模型 實(shí)現(xiàn)CVT個(gè)體計(jì)量誤差狀態(tài)的在線評(píng)估
電容式電壓互感器（CVT）給電能表提供電壓信號(hào)，其測(cè)量誤差直接影響電能計(jì)量的準(zhǔn)確性。CVT在110kV及以上變電站中得到了廣泛應(yīng)用，然而CVT長(zhǎng)期運(yùn)行后易出現(xiàn)誤差異常。為了跟蹤C(jī)VT的計(jì)量誤差狀態(tài)變化，一般采用基于標(biāo)準(zhǔn)器比對(duì)的定期停電檢定法，但由于變電站停電困難等原因， CVT往往無法按期檢定，導(dǎo)致長(zhǎng)期運(yùn)行準(zhǔn)確性難以得到保證。
南方科技大學(xué)
2021-04-14