葡京娱乐场-富盈娱乐场开户

該項目是在國家自然科學基金委的大力支持下，由西安交通大學吳裕遠教授主持的課題組經過15年的艱苦努力，突破傳統機理，銳意科技創新，所取得的最新成果，榮獲2001年國家技術發明獎二等獎。該項目是西安交通大學，擁有完全的自主知識產權,非常適宜在制氧、石油、化工、乙烯等換熱器領域推廣應用。 

本發明公開了一種基于眾核和 GPU 的網絡視頻流不良內容檢測方法，包括：在眾核計算平臺下獲取網絡數據包，對網絡數據包進行分類，以提取網絡數據包中的視頻數據包，對視頻數據包進行重組，按照網絡視頻流編碼的語法對重組后的視頻數據包進行解碼，以生成圖像序列，GPU 采用基于紋理檢測和膚色點檢測相結合的方法對圖像序列進行預處理，以確定疑似不良圖像，GPU 采用 SVM 對疑似不良圖像進行精確處理，以確定不良圖像。本發明只需獲取網絡數據包，即可識別出視頻流，直接對視頻流進行解碼后，采用圖像匹配檢測技術即可識別該視頻流是否含有不良信息。

本發明公開了一種基于開槽結構的四分之一模基片集成波導濾波器，包括四分之一模基片集成波導弧形腔，四分之一模基片集成波導弧形腔通過基片集成波導圓形腔沿任意兩條相互垂直的磁壁分割得到，四分之一模基片集成波導弧形腔包括介質基片，介質基片的上表面設有上金屬層，介質基片的下表面設有下金屬層，介質基片中沿四分之一模基片集成波導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。本發明相對于傳統的基片集成波導圓形腔有效實現了小型化。并且，相對于傳統的多層結構，本發明結構簡單，加工方便。此外，相對于傳統的微帶結構，本發明的濾波器品質因數高，損耗小。

導讀東北電力大學和長春理工大學研究團隊開發并實現一種結合腦電圖源成像(ESI)技術和卷積神經網絡(CNN)的新方法，以對運動想象(MI)任務進行分類。ESI技術采用邊界元法(BEM)和加權最小范數估計(WMNE)分別解決EEG的正向和逆向問題。然后在運動皮層中創建十個scout來選擇感興趣的區域(ROI)。研究者使用Morlet小波方法從scout的時間序列中提取特征。最后，使用CNN對MI任務進行分類。實驗結果:在Physionet數據庫上的整體平均準確率達到94.5%，分別對左拳頭、右拳頭、雙拳和雙腳的單個準確率達到95.3%、93.3%、93.6%、96%，采用十倍交叉驗證進行驗證。研究人員表示，他們的研究成果與最先進的MI分類方法的結果相比，總體分類增加了14.4%。研究者為驗證方法的有效性，加入了4個新的受試者進行驗證，發現總體平均準確率為92.5%。此外，全局分類器適應單一對象，整體平均準確率提高到94.54%。研究者表示，他們提出的結合scout ESI和CNN的方法，提高了腦電解碼四類MI任務的BCI性能。系統框架圖1 系統框架圖系統框架如圖1所示。原始數據來自國際10-10系統的64個電極(不包括Nz、F9、F10、FT9、FT10、A1、A2、TP9、TP10、P9和P10電極)，并以每秒160個樣本的速度采集。根據國際10-10系統從64個通道采集原始腦電圖，并使用BCI2000系統進行記錄。記錄的數據被分為四個獨立MI任務包括左拳MI,右拳MI,雙拳MI和雙腳MI。首先，由于ERD在執行運動想象時在alpha和beta中不同，因此使用FIR濾波器對EEG進行了8 Hz至30 Hz的帶通濾波。然后，通過計算包含正問題和逆問題的源，將傳感器空間的活動轉化為源空間的活動。接下來，創建scout并提取特征。研究者在運動皮層中創建了10個scout，因為我們只關心與運動相關的活動。十個scout中的每一個都代表了可用源空間中的一個感興趣的區域(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L1、L2、L3、L4、L5，右腦的scout稱為R1、R2、R3、R4、R5。利用JTFA從10個scout的源時間序列中提取特征。最后，利用CNN對時頻圖進行分離并進行分類。實驗在實驗中，研究人員僅使用了隨機選擇的十個受試者的MI trail (S5，S6，S7，S8，S9，S10，S11，S12，S13，S14)。這里用于分析的數據集包含每個受試者84次試驗，每一類包含21次試驗。在記錄64通道腦電圖時，受試者執行了不同的運動想象任務。每個受試者針對以下四個任務中的每一個執行了3輪21試驗：當目標出現在屏幕左側時，受試者想象打開和合上相應的拳頭，直到目標消失。然后受試者放松。當目標出現在屏幕的右側時，受試者想象打開和合上相應的拳頭，直到目標消失。然后受試者放松。當目標出現在屏幕頂部時，受試者想象打開和合上雙手的拳頭，直到目標消失。然后受試者放松。當目標出現在屏幕底部時，目標會想象雙腳張開和合攏，直到目標消失。然后受試者放松。為了統一數據維數，研究者選擇了4s的數據，因為每次想象任務的執行時間都在4s左右。此外，腦電圖任務是分開的，研究人員在實驗中將左拳，右拳，雙拳和雙腳MI任務分別稱為T1，T2，T3和T4。圖2 scout命名左右運動想象的scout分別命名為L1、L2、L3、L4、L5、R1、R2、R3、R4、R5，如圖2所示。10個scout每一個都被擴展到40個頂點，每個頂點只有一個源。L1區域對應40個信號，其他scout也一樣。在計算了來源后，研究者在運動皮層中創建了十個scout，如圖3所示。圖3 創建10個scout使用ESI計算十個受試者(S5、S6、S7、S8、S9、S10、S11、S12、S13、S14)每次試驗的四個任務(T1、T2、T3、T4)的源。對于這四項任務中的每一項，每個受試者每次都要進行7次測試(#1，#2，#3，#4，#5，#6，#7)。展示了第一個步的10個被試的10個scout的4項任務的來源。然后提取10個scout的時間序列進行進一步分析。特征提取在計算源之后，研究人員在運動皮層中創建了包含40個源的10個scout，并提取了scout的時間序列。如圖4所示為提取R5 scout時間序列作為示例。圖的右邊顯示了R5 scout的時間序列。本文利用小波變換從scout時間序列中提取特征。圖4 提取R5 scout時間序列作為示例在這項研究中，研究者提出利用CNN來解決運動想象任務分類的問題。該模型基于Schirrmeister等提出的Deep ConvNet架構，該網絡模型由一個六層卷積網絡組成，其中兩個最大池層和三個全連接層，如圖5所示。圖5對于Physionet數據庫，研究者首先采用Deep ConvNet架構，包括四個卷積層、四個最大池層和一個全連接層。在實驗中，研究者依據經驗使用兩個最大池化層。并嘗試了不同數量的卷積層和完全連接層。時頻圖利用Morlet小波方法得到了scout的特征。對于每個任務，R5 scout的時頻圖如圖6所示。包含時間和頻率互補的時頻分析方法提供了時域和頻域的聯合分布信息，清晰地描述了信號頻率與時間的關系。圖6 R5 scout的時頻圖顯然，只有部分時頻映射是紅色的，表明每個任務只對特定的頻率和時間敏感。由于圖的數量比較大，研究者使用CNN來選擇和學習這些圖中最基本的特征。研究人員隨機選擇了幾個樣本，并將一些特征圖可視化，作為MI任務的學習表示，如圖7所示。圖7為了獲得有效的結果，將數據集分為90％作為訓練集，其余10％作為測試集。首先，將十個受試者的數據集（總共19320個樣本）分為17388個樣本以訓練所提出的CNN模型，以及1932個樣本以驗證模型的有效性。在實驗中，研究者還選擇了另外四個受試者的數據集以增加數據集的規模(27048個樣本)，其中24343個樣本是訓練集，其他樣本是測試集。在選定的scout上對所提出的CNN架構進行了十次訓練和測試，以驗證所提出模型的魯棒性。圖8(a)顯示了10個scout中每個的全局平均精度。圖8 統計結果R5的全局平均精度最高，達到94.5%，而L2的全局平均精度最低，為91.3%。對應L1、L3、L4、L5、R1、R2、R3、R4的整體準確率分別為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，標準差均在0.20%以下。圖8(b)顯示了十個scout中每個scout四個MI任務的組級統計結果及其標準差。一般來說，R5表現的要比其他的好，而L2在迭代2000中表現最差。標準差較小，說明這些精度更接近平均值且穩定。圖9 統計結果圖9(a)顯示了帶有標準差的混淆矩陣，說明了group level分類結果。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MI任務中的每一個都如圖9(b)所示。通過改變訓練集和測試集順序的10次試驗，確定了scoutR5的性能，結果如圖10(a)和(b)所示。在10次試驗中，scout R5的T1、T2、T3、T4的平均準確率分別為93.3%、93.8%、94.2%、94.1%。換句話說，四個任務中每一個的平均準確率都超過了93%。全局平均準確率為93.7%。10次試驗結果表明，該方法對scout R5的分類效果較好。從以上結果可以清楚地看出，R5 scout在四種MI任務的分類中扮演著最重要的角色。因此，選擇R5對四個MI任務進行分類。圖 10圖11. (a)是不同模型的全局平均準確性的比較。可以發現，該研究提出的模型可以達到最大的精度。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T4的精度比較。圖11 不同模型的精度比較結論東北電力大學和長春理工大學研究團隊開發并實現一種結合腦電圖源成像(ESI)技術和卷積神經網絡(CNN)的新方法。該方法可以對運動想象(MI)任務進行分類。實驗結果表明，他們的研究成果與最先進的MI分類方法的結果相比，總體分類增加了14.4%。研究者加入了4個新的受試者進行驗證來驗證方法的有效性。研究者表示，他們提出的結合scout ESI和CNN的方法，提高了腦電解碼四類MI任務的BCI性能。論文信息：A novel approach of decoding EEG four-class motor imagery tasks via scout ESI and CNN

面向工程機械機電液一體化系統的動態性能匹配方法與分析軟件（以下簡稱為軟件）， 能夠根據用戶對工程機械整機動力配件的選型，自動組成整機系統模型，并預測工程機 械整機運行時的性能以及各配件的功率輸出和發熱情況。該軟件可應用于工程機械產品 開發的各個階段如參數選型，性能匹配、故障診斷、實驗輔助等，并已成功應用于山推 工程機械股份有限公司的新產品開發中。 技術特點： (1) 機電液熱融合建模，理論定位高級。軟件以預制的機電液零部件模塊模型為基 礎，可快速地、精細化地實現極端工況條件下機電液融合模型。 (2) 一體化的系統分析，問題覆蓋面廣。軟件綜合多種軟件資源，對特定工程機械 機型的核心動力系統，可實現任意節點輸出的、圖解化的、基于機械系統實驗結 果的系統分析。 (3) 機型軟件快速開發，面向用戶需求。軟件可針對牽引底盤和非牽引底盤，快速 開發出面向特定工程機械機型的機電液一體化性能分析軟件。 (4) 功能契合實際需要，適用范圍廣泛。適用于工程機械各個技術階段的參數選型、 性能匹配、故障診斷、以及實驗輔助。

一種背靠背結構電壓型變流裝置的雙脈沖寬度調制控制器,其特點是:它包括由兩套結構相同的數字信號處理器電路,現場可編程門陣列電路,同步單元電路,模數A/D轉換調理電路,過壓,過流調理電路,串口通信電路,故障,狀態指示電路和控制電源電路組成.數字信號處理器電路的數字信號處理器DSP用來模數轉換,上層控制算法,底層控制中脈沖寬度調制脈沖生成及串口通信控制;數字信號處理器電路與現場可編程門陣列電路兩個輸入輸出I/O口相連接,用來數字信號處理器電路和現場可編程門陣列電路之間工作狀態通信;具有通用性強,硬件電路無需更改的前提下,只須通過編程即可適應于不同的應用場合;具有控制精度高,電路結構簡單,集成度高等優點.

本發明提供一種經 GPU 加速的浸沒邊界-格子玻爾茲曼流固耦合模擬方法，步驟如下：在專業前處 理軟件中建立待測結構體及其內部流體的浸沒邊界體型，并劃分邊界網格以供程序讀取；程序讀取邊界 體型數據，設置所需測量點的邊界條件和程序模型參數；根據邊界當前時刻構型和參考構型利用有限元 法計算邊界施加在流體上的作用力；將邊界的作用力經由狄拉克函數擴散至周邊流體；利用格子玻爾茲 曼方法求解攜帶外力項的納維-斯托克斯方程；同樣經由狄拉克函數將流體速度插值到邊界上得到邊界 的移動速度，進而更新邊界位置；重復步驟 3-6，直至達到計算終點。本發明能夠處理任意形狀的結構 體，計算過程中不需要重構底層流體網格，計算效率高。 

針對國內外低 C/N 城市污水處理中氮磷難以達標及能耗高的技術難題，本成果經過 10 余年的潛心研究與工程實踐，提出了 1 個原創理論與方法，突破了 3 項新技術應用的瓶頸，開發并集成了 4 個低 C/N 比城市污水脫氮除磷改良工藝及過程控制技術，共獲得 28 項授權的發明專利，發表論文 100 余篇 (SCI50 余篇 )，出版 2 本專著，獲 2 次全國優秀博士學位論文提名獎，2 項國家級火炬計劃項目。本成果為低 C/N 比城市污水連續流脫氮除磷提供了多角度、全方位的綜合性解決方案，填補了我國在此項技術研究領域的空白，形成了具有我國自主知識產權的污水脫氮除磷技術。