葡京娱乐场-富盈娱乐场开户_百家乐试玩_sz全讯网网址xb112 (中国)·官方网站

本發(fā)明公開了一種采用基于 Delaunay 三角剖分的空間網(wǎng)絡(luò)編碼的網(wǎng)絡(luò)傳輸方法，適用于包含 N 個(gè)終端點(diǎn)的傳輸網(wǎng)絡(luò)；包括初始化步驟、Delaunay 預(yù)處理步驟、形成子矩形步驟、子矩形劃分步驟、求平衡前線性規(guī)劃最優(yōu)解步驟、調(diào)整中繼點(diǎn)到平衡位置步驟、求平衡后線性規(guī)劃最優(yōu)解步驟和 Delaunay 后處理步驟；通過采用 Delaunay 三角剖分得到斯坦納點(diǎn)和增補(bǔ)的斯坦納點(diǎn)作為候選的中繼點(diǎn)，并通過非均勻劃分得到候選的中繼點(diǎn)，從上述候選的中繼點(diǎn)中選出最優(yōu)的中繼點(diǎn)，對(duì)選出中繼點(diǎn)的位置進(jìn)行微調(diào)以進(jìn)一步降低代價(jià)，從而得到采用空間網(wǎng)絡(luò)編碼的網(wǎng)絡(luò)傳輸方案，解決現(xiàn)有技術(shù)中僅基于非均勻劃分的空間網(wǎng)絡(luò)編碼方法中，當(dāng)中繼點(diǎn)與終端點(diǎn)非均勻密度分布時(shí)求線性規(guī)劃最優(yōu)解時(shí)計(jì)算量大的問題，進(jìn)一步有效提升網(wǎng)絡(luò)傳輸?shù)目傮w性能。

王湘麟課題組所報(bào)道的這種新型溫度敏感的小分子有機(jī)發(fā)光材料(TPETA,圖1），在室溫至300℃的溫度范圍內(nèi)具有發(fā)光峰可調(diào)的特性（幾乎包含整個(gè)可見光區(qū)域）。基于這種溫度敏感特性，通過精準(zhǔn)控制基板加熱溫度與時(shí)間，可以得到基于單一材料的白光發(fā)光。王湘麟課題組成功制備了單一發(fā)光層的白光OLED器件，外量子效率達(dá)到3.4%，這是基于單一發(fā)光層白光OLED器件達(dá)到的最高效率，是有機(jī)小分子光電材料領(lǐng)域的重大突破。相比現(xiàn)有技術(shù)，其大大節(jié)約了原料成本和制作工藝成本，

本發(fā)明公開了一種基于二分法的機(jī)床加工穩(wěn)定性邊界快速求解 方法，包括如下步驟:預(yù)設(shè)參數(shù)平面、判穩(wěn)函數(shù)和迭代次數(shù)，對(duì)參數(shù)平面進(jìn)行初步劃分;利用二維二分法將每個(gè)網(wǎng)格再次劃分為更小的子 網(wǎng)格;在每個(gè)子網(wǎng)格的頂點(diǎn)利用數(shù)值積分法求解判穩(wěn)函數(shù)的函數(shù)值， 判斷子網(wǎng)格是否為包含網(wǎng)格;將非包含網(wǎng)格再次劃分并判斷，若仍為 非包含網(wǎng)格，則結(jié)束，否則，獲得新包含網(wǎng)格;利用二維二分法將獲 得的所有包含網(wǎng)格劃分為更小的子網(wǎng)格;重復(fù)進(jìn)行判斷及劃分，逐步 逼近 f(x)曲線，直至達(dá)到預(yù)設(shè)迭代次數(shù);=

【發(fā) 明 人】唐于平；張旭；周宇輝；蔣明；馬健；段金廒；姜淼；王明艷；詹瑧；李文琳；李偉東；鄭璐玉；孫怡；熊飛；湯琳【技術(shù)領(lǐng)域】本發(fā)明涉及一種中藥提取物及其應(yīng)用，具體涉及麥門冬湯與千金葦莖湯合方的正丁醇萃取物在制備抑制A549 細(xì)胞增殖藥物中的應(yīng)用。【摘要】本發(fā)明公開了一種麥門冬湯與千金葦莖湯合方的正丁醇萃取物，在制備抑制肺腺癌細(xì)胞A549增殖藥物中的應(yīng)用。本發(fā)明的麥門冬湯與千金葦莖湯合方的正丁醇萃取物能夠顯著抑制肺腺癌細(xì)胞A549的生長，并對(duì)人體正常細(xì)胞無顯著影響。提示該提取部位具有細(xì)胞毒作用，可以進(jìn)一步分離篩選抑制肺腺癌細(xì)胞A549增殖的組分及單體化合物。

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，包括四分之一模基片集成波導(dǎo)弧形腔，四分之一模基片集成波導(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，四分之一模基片集成波導(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L1、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L1、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，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。可以發(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。

博士研究生以上學(xué)歷，在化工工藝、化工工程領(lǐng)域擁有相應(yīng)科研成果，能夠組建技術(shù)團(tuán)隊(duì)，并帶領(lǐng)技術(shù)團(tuán)隊(duì)完成項(xiàng)目。 碩士研究生以上學(xué)歷，在儀表及自動(dòng)化控制領(lǐng)域擁有相應(yīng)科研成果，能夠帶領(lǐng)技術(shù)團(tuán)隊(duì)完成項(xiàng)目。 碩士研究生以上學(xué)歷，在精餾萃取領(lǐng)域擁有相應(yīng)科研成果，能夠帶領(lǐng)技術(shù)團(tuán)隊(duì)完成項(xiàng)目。