增氧机自动控制电路

介绍作者自行设计、研制的控制增氧机运行时间的自动控制电路及其原理．该电路采用ＣＭＯＳ集成芯片，结构简单、工作可靠，价格低，业经试验证实：各项性能指标均符合要求．     

“探宝号”船可变阵列震源的实现及应用

2001年，广州海洋地质调查局对“探宝号”船原有震源更新升级为阵列可变的BOLT震源系统。随着更新改造工程的成功，该船已成为具备承担高分辨率、常规、低频深水油气地震勘探的多功能地震调查船。本文介绍了地震勘探震源的基本工作原理以及三种阵列的分布、波形、频谱等特性。     

临界值可变的抗差估计等价权函数

抗差估计等价权函数一般由正态分布统计量构造,其临界值(或称准则)一般由实际经验确定。首先分析了正态分布统计量和学生化残差统计量的区别,然后分别讨论了基于这两种统计量构造的等价权函数的区别。研究表明,利用学生化残差统计量构造的等价权函数以及顾及误差显著性水平确定的临界值,不仅考虑了观测误差的大小,而且还可以顾及了实际观测的图形强度和多余观测数,可以克服人为确定临界值可能带来的参数估计的有效性和抗差性方面的风险。     

基坑支护方案的灰色模糊可变决策模型

针对影响基坑支护方案决策因素所具有的不确定性、模糊性以及影响因素与评价指标间的相互关联性特点,基于灰色理论和模糊数学理论,建立了基坑支护方案的灰色模糊可变决策模型。应用基于贴近度最大的组合赋权方法确定评价指标权重,并用集值统计法对定性指标进行量化,以解决影响模型决策结果准确程度的关键问题。工程实例分析表明,采用该模型更为科学、有效,易于实现程序化。更重要的是,该方法能够提高优选决策的合理性和可信度,为决策者提供有力的参考,具有一定推广和应用价值。     

基于差分筛选的YOLOv2监控视频目标检测方法

监控视频的多目标跟踪是视频智能分析的热点研究内容,其中目标的检测是目标跟踪的基础,精度高、速度快的目标检测器对于后续的实时分析任务尤为重要。提出一种针对监控视频的基于差分筛选的YOLOv2目标检测算法,采用差分算法筛选无前景目标帧及设置重叠度量阈值进行跨帧检测,改善了YOLOv2作为检测方法用于监控视频多目标跟踪任务时速度过慢的不足,同时高精度的检测结果有利于下一步多目标跟踪任务的顺利完成。利用NPLR监控视频数据集对YOLOv2目标检测算法进行了测试,并将该方法与可变型部件模型DPM进行了比较。结果表明,差分YOLOv2方法在精度上高出DPM方法0.304 6,检测时间快了26倍左右,验证了该算法的有效性。     

L_p估计的计算问题

本文对Ｌｐ估计的直接算法进行了详细的分析和讨论，由于直接算法效率低，文中提出了一种快速算法（残差逐步下降法），采用可变尺度因子来修正Ｈｕｂｅｒ的常数尺度因子。最后，以实例加以分析和说明。     

可变电荷土壤和恒电荷土壤与氢离子相互作用机理

研究了可变电荷土壤和恒电荷土壤与H相互作用的机理，并比较了它们之间的差别，研究结果表明，氢离子输入土壤后可以转化为表面正电荷，可溶性铝和可交换性酸，但是由于土壤的组成和性质不同，不同土壤中H＋三种去向的贡献不同。H＋转化为表面正电荷是由于土壤表面Fe-OH,Al-OH的质子化造成的，因此H＋转化为表面正电荷的能力与土壤中氧化铁的含量密切相关，从而可变电荷土壤中H＋转化为表面正电荷的贡献比恒电荷土壤中的大。H＋转化为可溶性铝的能力与土教育部 的矿物组成密切相关，随着H＋输入量的增加，土壤中可溶性铝的含量也增加。可变电荷土壤中可溶性铝增加的顺序为红壤＞赤红壤＞铁质砖红壤，在H＋的加入量小于15mmol/kg时，黄棕壤的可溶性铝介于红壤和赤红壤之间，当H＋的加入量大于约15mmol/kg时，黄棕壤的可溶性铝略小于赤红壤，棕壤的可溶性铝明显小于红壤和赤红壤，但比铁质砖红壤高，恒电荷土壤的可变性酸量明显大于可变电荷土壤，但从总的看来，H＋加入量的变化对可交换性酸量的影响不大。     

Sr掺杂Eu1-xSrxMnO3体系的磁相变以及输运特性研究

对Eu_1-xSr_xMnO₃ (ESMO, x=0—1)体系的结构和磁性进行了系统的研究,结果表明Sr的掺入使EuMnO₃反铁磁母体的磁结构发生巨大的变化.通过磁化和电输运测量,深入探讨了高掺杂浓度Eu_0.4Sr_0.6MnO₃和Eu_0.3Sr_0.7MnO_{3相似文献}   

深度图像自动配准点云的方法研究

点云配准是三维激光扫描数据处理过程中不可或缺的一个环节,利用标靶进行配准是经典的手段之一,此类方案在单独扫描标靶的基础上进行半自动化配准。本文给出一种配准策略,利用中心投影原理将单站扫描的点云转换为深度影像,借助数字图像处理技术完成标靶的自动提取,拟合获得标靶中心点的坐标,并借用摄影测量学的知识实现点云的自动化配准。实验证明了本文方法的有效性。     

结合空间信息选取最优端元组合的混合像元分解

传统的混合像元分解算法认为每个像元都包含图像中所能提取的全部端元组分,但这并不符合实际情况。实际上图像中大多数混合像元仅由少部分端元混合而成。由于端元提取精度及噪声的影响,采用全部端元对混合像元进行分解,会使得混合像元中实际并不存在的端元的丰度估计值不为零,分解结果存在较大误差。由于混合像元大多存在于不同地物的交界处,基于此,本文提出了一种结合图像的空间信息选取混合像元最优端元子集的方法。利用一个空间结构元素,从混合像元的附近邻域开始搜索,将搜索到的纯净像元光谱与所提取的图像端元光谱进行对比,并确定混合像元的端元子集进行分解。根据RMSE大小和变化情况,逐步扩大结构元素的大小,不断调整搜索范围,直至得到最优端元组合。模拟数据和真实数据的试验结果表明,该方法相比传统的全端元光谱分解方法,在总体上获得了更好的分解效果。