葡京娱乐场-富盈娱乐场开户

本發(fā)明公開了一種石墨烯基雙模混合集成電控液晶微透鏡陣列，包括陣列化控光架構、第一驅控信號輸入端口和第二驅控信號輸入端口，陣列化控光架構的上下層之間順次設置有第一基片、微圓孔形圖案化石墨烯電極、第一液晶定向層、第一液晶層、第二液晶定向層、石墨烯共地電極、第二基片、第三液晶定向層、第二液晶層、第四液晶定向層、微圓環(huán)孔形圖案化石墨烯電極、第三基片，微圓孔形圖案化石墨烯電極、石墨烯共地電極和微圓環(huán)孔形圖案化石墨烯電極分別

本發(fā)明公開了一種基于混合型 MMC 的 HVDC 直流側短路故障 穿越和恢復方法。能在不閉鎖換流器的前提下，通過換流器自身控制 完成直流側短路故障的穿越和恢復，無需機械設備動作，恢復過程不需要重啟換流器，因而故障響應與恢復速度快，對輸電線路為架空線 時經常出現的非永久性短路故障特別有效，在隔離直流側故障的同時 為交直流系統(tǒng)提供無功和有功支撐，并有利于提高所連接的交直流系 統(tǒng)的暫態(tài)穩(wěn)定性。 

本發(fā)明公開了一種混合導通模式的逆變電源裝置及其直接電荷 量控制方法，適用于高功率密度、高性能的單相及三相逆變電源。逆 變電源由逆變橋、濾波電感、濾波電容以及直接電荷量控制器構成。 該裝置采用小電感量的濾波電感來降低其體積，并在減小磁芯損耗的 同時降低開關損耗，縮小散熱器體積，從而提高功率密度。但小濾波 電感使得其電流在每個工頻周期中的各個開關周期中即可工作在連續(xù)導通模式，也可工作于不連續(xù)導通模式。因此，本發(fā)明在每個開關周 期中，采用直接電荷量控制器通過采樣輸出電壓和負載電流，計算下 一周期中流過濾波

本發(fā)明公開了一種基于 GPU 和 CPU 混合平臺的高速無損數據 壓縮方法，包括：CPU 讀取待壓縮數據文件，將該待壓縮數據文件從 內存拷貝到 GPU 的全局存儲器中，設置 GPU 上的線程塊組 bk[a]，每 個線程塊中的線程個數 b，設置壓縮字典窗口的長度為 c，并設置指向 第一個壓縮字典窗口的頭部指針為 p_dic_h，設置預讀窗口大小為 d， 指 向 第 一 個 預 讀 窗 口 的 指 針 p_pre_r ， 該 指 針

（一）項目背景 當前，智慧教育具有智能導學、精準推薦、定制輔導、精細評價等特點，已成為國際國內教育信息化發(fā)展的趨勢。智慧教育的研究主要聚焦于智慧學習環(huán)境建設的研究、智能技術支持下的智慧教學研究和機器學習技術支持下的個性化學習研究。智慧教育的出現極大地促進了當前教育中學習空間的重構。在“學習空間”之前，人們通常使用“教學空間”來指代這種場所，將有教學活動的場所均稱作教學空間。隨著人們對學習過程的理解變化、智慧教育的快速發(fā)展以及人們對非正式學習的重視，學習空間逐漸由單一的物理教學空間向包含物理空間、網絡空間、移動空間的多元學習空間轉變。多元學習空間的提出雖然更多地體現出了“以學生為中心”的傾向，但如何具體衡量多元學習空間對學生學習效果的影響是評價多元學習空間的重要步驟。同時，在多元學習空間具體構建時，面對空間中來源不同、結構多樣、數量龐大的多模數據如何進行處理存儲、并在保證數據有效性的前提下對教育數據進行隱私保護是多元學習空間需要解決的另一個難點。 （二）項目簡介 本項目主要目標是針對信息技術支撐下學習空間多元化、場景復雜、需求多樣化，學習者及學習行為呈現出新的特點和規(guī)律，研究多元學習空間中學習行為數據化關鍵技術，構建“云-邊緣-物聯網”架構的多模態(tài)數據存儲與處理平臺，實現混合式學習環(huán)境下學習行為智能感知和數據化，優(yōu)化學習行為模型，基于實際應用與不同學習目標函數及內容，建立可重復、可預測、可驗證的對比數據集，為數據驅動的智慧教育生態(tài)構建和教育應用提供核心技術與數據支撐。 （三）關鍵技術 我們面向智慧教育中準確認知學生的學習狀態(tài)和行為的大數據需求提出研究方案。本項目實施方案涉及教育學、物聯網、云計算、人工智能、隱私保護等多個領域，主要技術路線如圖所示： 圖 1 技術路線圖 其中，項目包括的關鍵技術主要有以下三點： 1.基于物聯網的多模態(tài)數據實時智能感知和多時間域數據采集技術 該技術針對學習狀態(tài)的數據化、特征參數量化問題，設計能夠采集多 重學習空間下的智能數據感知物聯網系統(tǒng)。主要技術難點在于抽樣頻率與 識別準確度的平衡、人機交互的變化規(guī)律等全新科學問題。 2.學習狀態(tài)多模態(tài)數據解析和智能處理技術 利用智能感知物聯網采集實時性的原始學習狀態(tài)數據，包括面部表情、 腦電信號、頭部姿態(tài)、交互行為等原始數據，這些數據具有數據量大、模 態(tài)多、冗余度高等特點，需要通過智能化的預處理方法轉換成可以量化的 狀態(tài)數據。 3.多層次數據差分隱私保護技術 學習行為數據是學習者被動采集的多方面行為數據，受到日益增長的 具有爭議性的數據倫理的制約。該項技術通過數據隱私保護機制實現數據 多層次化的差分隱私安全算法；在保證學習者最大數據隱私性的前提下， 研究滿足學習行為分析所需要的數據顆粒度。

本發(fā)明公開了一種多用戶大規(guī)模 MIMO 混合預編碼能效優(yōu)化方法，首先松弛約束條件，迭代求得基站能效的理論上限。然后以逼近理論上限為目標設計基帶預編碼矩陣和射頻預編碼矩陣。具體做法是，在基帶，將基帶預編碼的求解轉化為可以用內點法求解的標準的半正定松弛問題，在射頻，將射頻預編碼的求解轉化為可以用相位旋轉求解的向量逼近問題。使用交替最小化的方法，迭代逼近理論上限。

研發(fā)階段/n本發(fā)明屬于生物技術領域，涉及一種酰胺類化合物或其藥學上可接受的鹽、溶劑合物的應用，所述酰胺類化合物為(S)?4,5?二氯?氮?{2?氧代?3?[4?(3?氧?4?嗎啉基)苯基]惡唑烷?5?基}甲基?2?噻吩?甲酰胺。本發(fā)明旨在提供一種成本低、藥效好的預防和/或治療高尿酸血癥藥物、以及由高尿酸血癥導致的痛風藥物。

本發(fā)明公開了低精度模數轉換（ADC）與混合預編碼結合的毫米波傳輸方法及通信系統(tǒng)，其中基站和用戶在波束掃描階段采用電子開關在低精度模數轉換器和混合預編碼模塊間切換，在精確信道估計和數據傳輸階段均采用混合預編碼模塊。具體步驟：1、波束掃描階段基站選通混合預編碼模塊，將波束訓練數據模擬預編碼后進行波束掃描；2、用戶選通低精度模數轉換器模塊，從接收數據中估計角度信息；3、用戶選通混合預編碼模塊，將波束訓練數據模擬預編碼后進行波束掃描或向基站反饋角度信息；4、基站選通低精度模數轉換器模塊，從接收數據中獲取角度信息；5、精確信道估計和數據傳輸階段基站和用戶選通混合預編碼模塊，進行精確信道估計和數據傳輸。

本發(fā)明公開了一種控制應變加載模式下的瀝青混合料仿真疲勞試驗方法，該試驗方法通過對瀝青砂漿進行疲勞試驗獲取瀝青砂漿疲勞失效條件，再通過生成瀝青混合料仿真試件進行疲勞試驗輸出疲勞表征變量，將輸出表征變量與疲勞失效條件相對比，從而得出瀝青混合料疲勞失效相關參數。本發(fā)明能夠很好地模擬瀝青混合料在進行四點彎曲疲勞試驗時的受力狀態(tài)，在獲得瀝青砂漿疲勞性能衰減規(guī)律的基礎上，可任意改變粗集料含量實現瀝青混合料疲勞過程的仿真模擬而不需要進行實際瀝青混合料疲勞試驗，解決了瀝青混合料疲勞試驗周期長，實驗結果離散性大，試驗成本高等問題，對于道路工程專業(yè)研究具有重要意義。

主要技術包括種子處理、建坪前地膜打孔處、建坪前場地的準備、建坪、撤膜前的管、撤膜、苗期管理等建坪工序。