葡京娱乐场-富盈娱乐场开户

本發(fā)明公開了一種基于矢量變換與信號(hào)濾波的定子磁鏈計(jì)算方法。采用交流電動(dòng)機(jī)定子磁鏈的電壓模型，對(duì)輸入的反電動(dòng)勢(shì)矢量進(jìn)行幅值和相位變換直接得到原始的定子磁鏈?zhǔn)噶浚缓蠼?jīng)過信號(hào)濾波與補(bǔ)償處理得到期望的定子磁鏈。分別設(shè)計(jì)了基于可編程的低通濾波器(LPF)和帶通濾波器(BPF)的矢量變換方案，并且根據(jù)計(jì)算磁鏈幅值盡快收斂于給定磁鏈值的原則得到優(yōu)化函數(shù)，對(duì) LPF 與 BPF 的優(yōu)點(diǎn)進(jìn)行組合，得到性能最優(yōu)的磁鏈計(jì)算方法。進(jìn)一步的

本發(fā)明公開了一種基于體表反向場(chǎng)的內(nèi)外傷漏磁檢測(cè)區(qū)分方法及裝置。該方法的特征為：將被檢測(cè)導(dǎo)磁構(gòu)件磁化，在上述被磁化導(dǎo)磁構(gòu)件體表內(nèi)施加反向磁感應(yīng)場(chǎng) B_反，與體內(nèi)原有磁感應(yīng)場(chǎng)B_原發(fā)生矢量疊加抵消，在體表內(nèi)形成零磁感應(yīng)區(qū)域，使得出現(xiàn)在該體表內(nèi)區(qū)域的缺陷(也即外傷)因無漏磁場(chǎng)產(chǎn)生而無法被探測(cè)到；而出現(xiàn)在非體表零磁感應(yīng)區(qū)的缺陷均有漏磁場(chǎng)產(chǎn)生而可以被探測(cè)到，包括內(nèi)、外傷；然后采用磁敏元件分別布置靠近于零磁感應(yīng)區(qū)和非零磁感應(yīng)

本發(fā)明提供一種基于磁表征的鐵磁性材料表面輪廓檢測(cè)識(shí)別方法，該方法先將磁敏元件以 0-5<i>mm</i>的提離距離靠近待檢鐵磁性材料表面，拾取近表空氣域內(nèi)磁場(chǎng)特征，并轉(zhuǎn)化為電壓信號(hào)；再采用電壓信號(hào)幅值比較識(shí)別判斷法，或者檢測(cè)信號(hào)波形圖方法進(jìn)行表面輪廓識(shí)別判斷。本發(fā)明為非接觸式提離檢測(cè)方式，可以實(shí)現(xiàn)在線輪廓檢測(cè)識(shí)別；檢測(cè)手段能夠直接穿透灰塵及污垢等物質(zhì)而不受干擾，不需要高的待檢測(cè)表面清潔度及檢測(cè)工況環(huán)境光線要求。該方法原理是基于鐵磁性材料在加工完后的剩磁在地磁場(chǎng)作用下的磁表征現(xiàn)

產(chǎn)品詳細(xì)介紹產(chǎn)品簡(jiǎn)介：　　12MHz核磁巖心分析儀，主要用于常規(guī)與非常規(guī)巖心的孔滲飽測(cè)試，可用于低孔低滲巖樣測(cè)試評(píng)價(jià)?！　icroMR12產(chǎn)品身軀小巧，結(jié)構(gòu)緊湊，是具有世界先進(jìn)水平的臺(tái)式核磁共振巖心分析儀；可滿足石油勘探領(lǐng)域的孔隙度、滲透率、飽和度、可動(dòng)流體飽和度、束縛流體飽和度等相關(guān)分析測(cè)試，測(cè)量結(jié)果客觀真實(shí)、精準(zhǔn)度高、重復(fù)性好，儀器性能穩(wěn)定，性價(jià)比高。技術(shù)指標(biāo)：1、磁體類型：永磁體；2、磁場(chǎng)強(qiáng)度：0.28±0.05T，儀器主頻率：12MHz；3、探頭線圈直徑：25.4mm；應(yīng)用解決方案：1) 常規(guī)巖心孔隙結(jié)構(gòu)及流體飽和度；2) 非常規(guī)巖心（致密巖心，泥巖，頁(yè)巖）孔隙結(jié)構(gòu)及流體飽和度；3) 中大尺寸巖樣含油含水分布、油水含量測(cè)試；應(yīng)用案例一：玻璃珠孔隙模型測(cè)試（不同飽和度下T2弛豫圖譜分析）應(yīng)用案例二：核磁共振T2圖譜與巖樣孔喉分布注：儀器外觀如有變動(dòng)，以最新款為準(zhǔn)。

本發(fā)明公開了一種基于開槽結(jié)構(gòu)的四分之一模基片集成波導(dǎo)濾波器，包括四分之一?；刹▽?dǎo)弧形腔，四分之一?；刹▽?dǎo)弧形腔通過基片集成波導(dǎo)圓形腔沿任意兩條相互垂直的磁壁分割得到，四分之一?；刹▽?dǎo)弧形腔包括介質(zhì)基片，介質(zhì)基片的上表面設(shè)有上金屬層，介質(zhì)基片的下表面設(shè)有下金屬層，介質(zhì)基片中沿四分之一模基片集成波導(dǎo)弧形腔的周向均勻分布有貫穿上金屬層和下金屬層的金屬通孔。本發(fā)明相對(duì)于傳統(tǒng)的基片集成波導(dǎo)圓形腔有效實(shí)現(xiàn)了小型化。并且，相對(duì)于傳統(tǒng)的多層結(jié)構(gòu)，本發(fā)明結(jié)構(gòu)簡(jiǎn)單，加工方便。此外，相對(duì)于傳統(tǒng)的微帶結(jié)構(gòu)，本發(fā)明的濾波器品質(zhì)因數(shù)高，損耗小。

導(dǎo)讀東北電力大學(xué)和長(zhǎng)春理工大學(xué)研究團(tuán)隊(duì)開發(fā)并實(shí)現(xiàn)一種結(jié)合腦電圖源成像(ESI)技術(shù)和卷積神經(jīng)網(wǎng)絡(luò)(CNN)的新方法，以對(duì)運(yùn)動(dòng)想象(MI)任務(wù)進(jìn)行分類。ESI技術(shù)采用邊界元法(BEM)和加權(quán)最小范數(shù)估計(jì)(WMNE)分別解決EEG的正向和逆向問題。然后在運(yùn)動(dòng)皮層中創(chuàng)建十個(gè)scout來選擇感興趣的區(qū)域(ROI)。研究者使用Morlet小波方法從scout的時(shí)間序列中提取特征。最后，使用CNN對(duì)MI任務(wù)進(jìn)行分類。實(shí)驗(yàn)結(jié)果:在Physionet數(shù)據(jù)庫(kù)上的整體平均準(zhǔn)確率達(dá)到94.5%，分別對(duì)左拳頭、右拳頭、雙拳和雙腳的單個(gè)準(zhǔn)確率達(dá)到95.3%、93.3%、93.6%、96%，采用十倍交叉驗(yàn)證進(jìn)行驗(yàn)證。研究人員表示，他們的研究成果與最先進(jìn)的MI分類方法的結(jié)果相比，總體分類增加了14.4%。研究者為驗(yàn)證方法的有效性，加入了4個(gè)新的受試者進(jìn)行驗(yàn)證，發(fā)現(xiàn)總體平均準(zhǔn)確率為92.5%。此外，全局分類器適應(yīng)單一對(duì)象，整體平均準(zhǔn)確率提高到94.54%。研究者表示，他們提出的結(jié)合scout ESI和CNN的方法，提高了腦電解碼四類MI任務(wù)的BCI性能。系統(tǒng)框架圖1 系統(tǒng)框架圖系統(tǒng)框架如圖1所示。原始數(shù)據(jù)來自國(guó)際10-10系統(tǒng)的64個(gè)電極(不包括Nz、F9、F10、FT9、FT10、A1、A2、TP9、TP10、P9和P10電極)，并以每秒160個(gè)樣本的速度采集。根據(jù)國(guó)際10-10系統(tǒng)從64個(gè)通道采集原始腦電圖，并使用BCI2000系統(tǒng)進(jìn)行記錄。記錄的數(shù)據(jù)被分為四個(gè)獨(dú)立MI任務(wù)包括左拳MI,右拳MI,雙拳MI和雙腳MI。首先，由于ERD在執(zhí)行運(yùn)動(dòng)想象時(shí)在alpha和beta中不同，因此使用FIR濾波器對(duì)EEG進(jìn)行了8 Hz至30 Hz的帶通濾波。然后，通過計(jì)算包含正問題和逆問題的源，將傳感器空間的活動(dòng)轉(zhuǎn)化為源空間的活動(dòng)。接下來，創(chuàng)建scout并提取特征。研究者在運(yùn)動(dòng)皮層中創(chuàng)建了10個(gè)scout，因?yàn)槲覀冎魂P(guān)心與運(yùn)動(dòng)相關(guān)的活動(dòng)。十個(gè)scout中的每一個(gè)都代表了可用源空間中的一個(gè)感興趣的區(qū)域(ROI)，并且是定義在皮層表面或頭部體積上的偶極子的子集。左腦的scout稱為L(zhǎng)1、L2、L3、L4、L5，右腦的scout稱為R1、R2、R3、R4、R5。利用JTFA從10個(gè)scout的源時(shí)間序列中提取特征。最后，利用CNN對(duì)時(shí)頻圖進(jìn)行分離并進(jìn)行分類。實(shí)驗(yàn)在實(shí)驗(yàn)中，研究人員僅使用了隨機(jī)選擇的十個(gè)受試者的MI trail (S5，S6，S7，S8，S9，S10，S11，S12，S13，S14)。這里用于分析的數(shù)據(jù)集包含每個(gè)受試者84次試驗(yàn)，每一類包含21次試驗(yàn)。在記錄64通道腦電圖時(shí)，受試者執(zhí)行了不同的運(yùn)動(dòng)想象任務(wù)。每個(gè)受試者針對(duì)以下四個(gè)任務(wù)中的每一個(gè)執(zhí)行了3輪21試驗(yàn)：當(dāng)目標(biāo)出現(xiàn)在屏幕左側(cè)時(shí)，受試者想象打開和合上相應(yīng)的拳頭，直到目標(biāo)消失。然后受試者放松。當(dāng)目標(biāo)出現(xiàn)在屏幕的右側(cè)時(shí)，受試者想象打開和合上相應(yīng)的拳頭，直到目標(biāo)消失。然后受試者放松。當(dāng)目標(biāo)出現(xiàn)在屏幕頂部時(shí)，受試者想象打開和合上雙手的拳頭，直到目標(biāo)消失。然后受試者放松。當(dāng)目標(biāo)出現(xiàn)在屏幕底部時(shí)，目標(biāo)會(huì)想象雙腳張開和合攏，直到目標(biāo)消失。然后受試者放松。為了統(tǒng)一數(shù)據(jù)維數(shù)，研究者選擇了4s的數(shù)據(jù)，因?yàn)槊看蜗胂笕蝿?wù)的執(zhí)行時(shí)間都在4s左右。此外，腦電圖任務(wù)是分開的，研究人員在實(shí)驗(yàn)中將左拳，右拳，雙拳和雙腳MI任務(wù)分別稱為T1，T2，T3和T4。圖2 scout命名左右運(yùn)動(dòng)想象的scout分別命名為L(zhǎng)1、L2、L3、L4、L5、R1、R2、R3、R4、R5，如圖2所示。10個(gè)scout每一個(gè)都被擴(kuò)展到40個(gè)頂點(diǎn)，每個(gè)頂點(diǎn)只有一個(gè)源。L1區(qū)域?qū)?yīng)40個(gè)信號(hào)，其他scout也一樣。在計(jì)算了來源后，研究者在運(yùn)動(dòng)皮層中創(chuàng)建了十個(gè)scout，如圖3所示。圖3 創(chuàng)建10個(gè)scout使用ESI計(jì)算十個(gè)受試者(S5、S6、S7、S8、S9、S10、S11、S12、S13、S14)每次試驗(yàn)的四個(gè)任務(wù)(T1、T2、T3、T4)的源。對(duì)于這四項(xiàng)任務(wù)中的每一項(xiàng)，每個(gè)受試者每次都要進(jìn)行7次測(cè)試(#1，#2，#3，#4，#5，#6，#7)。展示了第一個(gè)步的10個(gè)被試的10個(gè)scout的4項(xiàng)任務(wù)的來源。然后提取10個(gè)scout的時(shí)間序列進(jìn)行進(jìn)一步分析。特征提取在計(jì)算源之后，研究人員在運(yùn)動(dòng)皮層中創(chuàng)建了包含40個(gè)源的10個(gè)scout，并提取了scout的時(shí)間序列。如圖4所示為提取R5 scout時(shí)間序列作為示例。圖的右邊顯示了R5 scout的時(shí)間序列。本文利用小波變換從scout時(shí)間序列中提取特征。圖4 提取R5 scout時(shí)間序列作為示例在這項(xiàng)研究中，研究者提出利用CNN來解決運(yùn)動(dòng)想象任務(wù)分類的問題。該模型基于Schirrmeister等提出的Deep ConvNet架構(gòu)，該網(wǎng)絡(luò)模型由一個(gè)六層卷積網(wǎng)絡(luò)組成，其中兩個(gè)最大池層和三個(gè)全連接層，如圖5所示。圖5對(duì)于Physionet數(shù)據(jù)庫(kù)，研究者首先采用Deep ConvNet架構(gòu)，包括四個(gè)卷積層、四個(gè)最大池層和一個(gè)全連接層。在實(shí)驗(yàn)中，研究者依據(jù)經(jīng)驗(yàn)使用兩個(gè)最大池化層。并嘗試了不同數(shù)量的卷積層和完全連接層。時(shí)頻圖利用Morlet小波方法得到了scout的特征。對(duì)于每個(gè)任務(wù)，R5 scout的時(shí)頻圖如圖6所示。包含時(shí)間和頻率互補(bǔ)的時(shí)頻分析方法提供了時(shí)域和頻域的聯(lián)合分布信息，清晰地描述了信號(hào)頻率與時(shí)間的關(guān)系。圖6 R5 scout的時(shí)頻圖顯然，只有部分時(shí)頻映射是紅色的，表明每個(gè)任務(wù)只對(duì)特定的頻率和時(shí)間敏感。由于圖的數(shù)量比較大，研究者使用CNN來選擇和學(xué)習(xí)這些圖中最基本的特征。研究人員隨機(jī)選擇了幾個(gè)樣本，并將一些特征圖可視化，作為MI任務(wù)的學(xué)習(xí)表示，如圖7所示。圖7為了獲得有效的結(jié)果，將數(shù)據(jù)集分為90％作為訓(xùn)練集，其余10％作為測(cè)試集。首先，將十個(gè)受試者的數(shù)據(jù)集（總共19320個(gè)樣本）分為17388個(gè)樣本以訓(xùn)練所提出的CNN模型，以及1932個(gè)樣本以驗(yàn)證模型的有效性。在實(shí)驗(yàn)中，研究者還選擇了另外四個(gè)受試者的數(shù)據(jù)集以增加數(shù)據(jù)集的規(guī)模(27048個(gè)樣本)，其中24343個(gè)樣本是訓(xùn)練集，其他樣本是測(cè)試集。在選定的scout上對(duì)所提出的CNN架構(gòu)進(jìn)行了十次訓(xùn)練和測(cè)試，以驗(yàn)證所提出模型的魯棒性。圖8(a)顯示了10個(gè)scout中每個(gè)的全局平均精度。圖8 統(tǒng)計(jì)結(jié)果R5的全局平均精度最高，達(dá)到94.5%，而L2的全局平均精度最低，為91.3%。對(duì)應(yīng)L1、L3、L4、L5、R1、R2、R3、R4的整體準(zhǔn)確率分別為92.4%、92.5%、93.6%、91.9%、93.0%、91.8%、92.1%、92.6%。所有scout的總體精度均在91%以上，標(biāo)準(zhǔn)差均在0.20%以下。圖8(b)顯示了十個(gè)scout中每個(gè)scout四個(gè)MI任務(wù)的組級(jí)統(tǒng)計(jì)結(jié)果及其標(biāo)準(zhǔn)差。一般來說，R5表現(xiàn)的要比其他的好，而L2在迭代2000中表現(xiàn)最差。標(biāo)準(zhǔn)差較小，說明這些精度更接近平均值且穩(wěn)定。圖9 統(tǒng)計(jì)結(jié)果圖9(a)顯示了帶有標(biāo)準(zhǔn)差的混淆矩陣，說明了group level分類結(jié)果。T1、T2、T3和T4的全局平均精度峰值分別為95.3%、93.3%、93.6%和96.0%。R5 scout的四個(gè)MI任務(wù)中的每一個(gè)都如圖9(b)所示。通過改變訓(xùn)練集和測(cè)試集順序的10次試驗(yàn)，確定了scoutR5的性能，結(jié)果如圖10(a)和(b)所示。在10次試驗(yàn)中，scout R5的T1、T2、T3、T4的平均準(zhǔn)確率分別為93.3%、93.8%、94.2%、94.1%。換句話說，四個(gè)任務(wù)中每一個(gè)的平均準(zhǔn)確率都超過了93%。全局平均準(zhǔn)確率為93.7%。10次試驗(yàn)結(jié)果表明，該方法對(duì)scout R5的分類效果較好。從以上結(jié)果可以清楚地看出，R5 scout在四種MI任務(wù)的分類中扮演著最重要的角色。因此，選擇R5對(duì)四個(gè)MI任務(wù)進(jìn)行分類。圖 10圖11. (a)是不同模型的全局平均準(zhǔn)確性的比較?？梢园l(fā)現(xiàn)，該研究提出的模型可以達(dá)到最大的精度。從圖11. (b)不同模型的ROC曲線可以看出提出的模型比其他模型表現(xiàn)更好。?不同模型T1上的精度比較。(d)不同模型T2的精度比較。(e)不同模型T3的精度比較。(f)不同型號(hào)T4的精度比較。圖11 不同模型的精度比較結(jié)論東北電力大學(xué)和長(zhǎng)春理工大學(xué)研究團(tuán)隊(duì)開發(fā)并實(shí)現(xiàn)一種結(jié)合腦電圖源成像(ESI)技術(shù)和卷積神經(jīng)網(wǎng)絡(luò)(CNN)的新方法。該方法可以對(duì)運(yùn)動(dòng)想象(MI)任務(wù)進(jìn)行分類。實(shí)驗(yàn)結(jié)果表明，他們的研究成果與最先進(jìn)的MI分類方法的結(jié)果相比，總體分類增加了14.4%。研究者加入了4個(gè)新的受試者進(jìn)行驗(yàn)證來驗(yàn)證方法的有效性。研究者表示，他們提出的結(jié)合scout ESI和CNN的方法，提高了腦電解碼四類MI任務(wù)的BCI性能。論文信息：A novel approach of decoding EEG four-class motor imagery tasks via scout ESI and CNN

面向工程機(jī)械機(jī)電液一體化系統(tǒng)的動(dòng)態(tài)性能匹配方法與分析軟件（以下簡(jiǎn)稱為軟件）， 能夠根據(jù)用戶對(duì)工程機(jī)械整機(jī)動(dòng)力配件的選型，自動(dòng)組成整機(jī)系統(tǒng)模型，并預(yù)測(cè)工程機(jī) 械整機(jī)運(yùn)行時(shí)的性能以及各配件的功率輸出和發(fā)熱情況。該軟件可應(yīng)用于工程機(jī)械產(chǎn)品 開發(fā)的各個(gè)階段如參數(shù)選型，性能匹配、故障診斷、實(shí)驗(yàn)輔助等，并已成功應(yīng)用于山推 工程機(jī)械股份有限公司的新產(chǎn)品開發(fā)中。 技術(shù)特點(diǎn)： (1) 機(jī)電液熱融合建模，理論定位高級(jí)。軟件以預(yù)制的機(jī)電液零部件模塊模型為基 礎(chǔ)，可快速地、精細(xì)化地實(shí)現(xiàn)極端工況條件下機(jī)電液融合模型。 (2) 一體化的系統(tǒng)分析，問題覆蓋面廣。軟件綜合多種軟件資源，對(duì)特定工程機(jī)械 機(jī)型的核心動(dòng)力系統(tǒng)，可實(shí)現(xiàn)任意節(jié)點(diǎn)輸出的、圖解化的、基于機(jī)械系統(tǒng)實(shí)驗(yàn)結(jié) 果的系統(tǒng)分析。 (3) 機(jī)型軟件快速開發(fā)，面向用戶需求。軟件可針對(duì)牽引底盤和非牽引底盤，快速 開發(fā)出面向特定工程機(jī)械機(jī)型的機(jī)電液一體化性能分析軟件。 (4) 功能契合實(shí)際需要，適用范圍廣泛。適用于工程機(jī)械各個(gè)技術(shù)階段的參數(shù)選型、 性能匹配、故障診斷、以及實(shí)驗(yàn)輔助。

一種用于Pb2+分離的磁納米固相萃取劑的制備方法,以Fe3O4納米顆粒為磁核,以去離子水和乙醇的混合液為溶劑,加入25%的濃氨水,占總體積分?jǐn)?shù)的5%,混合均勻后于反應(yīng)容器中恒溫?cái)嚢杷〖訜?0分鐘后滴加A,反應(yīng)1小時(shí)后加入B,升溫至60℃回流1小時(shí)后,冷卻,洗滌,干燥后加入乙醇溶劑或氯仿溶劑中,然后加入C,40℃恒溫?cái)嚢?2-24小時(shí);洗滌,低溫干燥后即得用于Pb2+分離的磁納米固相萃取劑.所述A修飾劑含有正硅酸酯類,B修飾劑含氯功能化的硅氧偶聯(lián)劑,C修飾劑為雙硫腙.本發(fā)明制備的磁納米固相萃取劑,吸附量大,速率快,工藝簡(jiǎn)單,成本低,綠色環(huán)保,適合于大規(guī)模工業(yè)生產(chǎn).

量子材料科學(xué)中心韓偉課題組在二維磁性體系中展開工作并取得了重要進(jìn)展，觀測(cè)到了二維反鐵磁體系中磁振子的長(zhǎng)距離輸運(yùn)。MnPS3晶體是一種層狀反鐵磁材料，利用機(jī)械剝離手段得到了二維的MnPS3薄片。MnPS3薄片上制備了用于測(cè)量磁振子輸運(yùn)的非局域器件，器件結(jié)構(gòu)如圖A所示。器件左側(cè)Pt電極通過熱方法來注入磁振子，右側(cè)Pt電極探測(cè)在二維MnPS3中擴(kuò)散傳輸?shù)拇耪褡?。在二維反鐵磁MnPS3中，實(shí)驗(yàn)上觀測(cè)到了幾微米的磁振子擴(kuò)散長(zhǎng)度。并且從圖B中可以看出，隨著注入端和探測(cè)端距離的增加，探測(cè)到的非局域信號(hào)表現(xiàn)出e指數(shù)衰減的形式，跟一維漂移擴(kuò)散模型的理論模型一致。在此基礎(chǔ)上，他們還系統(tǒng)研究了MnPS3厚度對(duì)磁振子弛豫性質(zhì)的影響。隨著MnPS3厚度從40nm降低至8nm，磁振子弛豫長(zhǎng)度由4μm減小到1μm（圖C），這可能是由較薄的MnPS3中較強(qiáng)的表面雜質(zhì)散射效應(yīng)導(dǎo)致的。 二維材料中的磁振子輸運(yùn)實(shí)現(xiàn)為二維磁性材料在磁振子電子學(xué)的應(yīng)用與發(fā)展奠定了基礎(chǔ)，也有望推動(dòng)磁振子在量子尺度下的新穎量子物理性質(zhì)研究。圖：二維反鐵磁體系中磁振子輸運(yùn)研究。（A）二維反鐵磁MnPS3中的磁振子輸運(yùn)測(cè)量結(jié)構(gòu)示意圖。（B）自旋信號(hào)R_NL^*隨電極間距的依賴關(guān)系，與理論預(yù)言的e指數(shù)衰減吻合。（C）磁振子弛豫長(zhǎng)度隨MnPS3厚度的依賴關(guān)系。