高等教育领域数字化综合服务平台
云上高博会服务平台 高校科技成果转化对接服务平台 大学生创新创业服务平台 登录 | 注册
|
搜索
搜 索
  • 综合
  • 项目
  • 产品
日期筛选: 一周内 一月内 一年内 不限
一种基于果蝇算法优化广义回归神经网络算法的茶叶储存时间分类方法
本发明涉及一种基于果蝇算法优化广义回归神经网络算法的茶叶储存时间分类方法,旨在通过改进的广义回归神经网络解决茶叶储存时间分类问题,属于茶叶储存时间分类领域.其原理利用电子鼻传感器模拟人感官品评的功能和特征,采集不同时间不同传感器的特征值,构建样本集.利用果蝇算法优化广义回归神经网络,获得广义神经网络的平滑因子,进而构建毛峰茶叶储存时间的FOAGRNN分类模型和方法.本发明的有益效果在于将果蝇算法优化广义回归神经网络算法应用于毛峰茶叶数据中,提高预测毛峰茶叶储存时间分类的效率和准确度,为消费者提供茶叶储存时间分类的有效方法.
安徽农业大学 2021-04-29
一种基于双向门控时空融合与自适应小波分解的刀具磨损分类方法
本发明提出一种基于双向门控时空融合与自适应小波分解的刀具磨损分类方法,包括:采集原始数据,划分训练集和测试集,并进行预处理;构建动态自适应小波网络,按奇偶索引对原始信号进行分解,得到近似系数和细节系数;进行插值上采样处理,保留原始尺寸,再对近似系数实例归一化,将其作为振动信号的频域特征;构建双向门控时空特征融合器,通过多头门控机制动态更新水平和垂直隐藏状态,捕捉输入的长期磨损趋势和局部瞬态特征;将两个模块的输出进行拼接,得到综合特征,进而得到刀具磨损的分类结果;通过训练集和测试集验证模型性能,得到最终的刀具磨损分类模型。本发明能更有效地识别磨损状态,为刀具维护提供有力支持。
南京工业大学 2021-01-12
一种基于微波感应技术的可移动侧滑式自动开盖垃圾桶
本发明提供一种基于微波感应技术的可移动侧滑式自动开盖垃圾桶,包括滑盖,桶体和带四轮的底 盘,桶体安装在带四轮的底盘上,桶体上安装有滑盖,滑盖包括两层固定支架和可滑动盖面,可滑动盖 面夹在两层固定支架之间,滑盖上安装有微波定位装置和电磁机械控制装置,带四轮的底盘内安装有微 处理器、电源装置、移动装置,桶体内安装有射频识别装置、蓝牙装置和智能提醒装置,微波定位装置、 电磁机械控制装置、电源装置、移动装
武汉大学 2021-04-14
工4k危废和城市垃圾等离子体气化多联产工艺模拟
本发明提供一种易装卸四瓣式梁柱装配结构,包括梁柱连接件、立柱、横梁和限位插件;梁柱连接件包括由四个垂直侧板组成截面呈正方形的中空结构,两个立柱固定在中空结构内;中空结构四个面的外壁分别设置U形固定件,U形固定件包括两个垂直板和一个水平板,水平板上设置水平板限位孔和限位凸条,横梁的连接端顶部开设上限位槽,底部设置下限位槽;上限位槽内设置竖向限位孔,限位插件包括水平限位条和竖直限位条,安装后,水平限位条卡接在上限位槽内,竖直限位条穿过竖向限位孔并插入水平板限位孔内,限位凸条卡接在下限位槽内。本发明便于装卸,可回收利用,简化了施工操作,降低了施工难度,提高了施工效率,为装配式建筑提供了新的选择。
南京工程学院 2021-01-12
生物复合床技术及其在生活污水、工业中水及饮用水预处理中的应用
1. 项目概述常用的水处理技术有物理吸附法、化学氧化法和生物氧化法三类。其中以生物膜方式进行的生物处理过程能有效去除原水中可生物降解有机物、氨氮和铁锰等污染物,使出水更安全可靠,在当前的水处理工程中得到了最为广泛的应用,然而该方法主要适用于CODcr为100乃至200以上的“高”污染水,而对CODcr处于100以下的低营养度废水处理效率低下,故并不适用于低浓度生活污水、工业中水和富营养化地表饮用水的处理。综合利用生物膜,物理过滤和化学反应、沉积等过程处理污染水源的人工湿地净化技术作为一种经济有效、运行稳定的新型生态工程,近年来已成为备受关注的焦点。但该项技术占地大,处理时间长,对水质变化的适应性差,季节性差异显著,且生物量后续处理困难,极易形成滞后累积污染,无法大规模高效率应用于水质的处理。本项目针对为150以下的低浓度废水或富营养化地表水,将固定床生物膜处理、人工湿地生物预处理和微氧水处理技术引入富营养化饮用水源预处理过程,充分发挥其物理吸附、生物膜处理和植物效应的多级复合处理功能,结合多单元连续操作方式提高系统处理效率和可操作性,开发具有良好的水质适应性、耐候性,低能耗且无二次污染的高效生物复合床净化技术。项目成果形成自主的知识产权。具有广阔的工程应用前景。2. 技术优势(1)基于多孔介质填料固定床的生物膜强化水处理体系;(2)基于小风量曝气的高效微氧水处理系统;(3)单元化和模块化的生物复合床系统。以富营养化水源地的劣V类水(CODcr为50至100)为例,采用新型生物复合床技术,综合采用物理吸附与截留、微生物降解、植物吸附与吸收等手段,其出水可稳定保持在Ⅲ类乃至更优水平。
南京工业大学 2021-04-13
用于垃圾富氧焚烧的一次风注氧混合一体化装置
本发明公开了一种用于垃圾富氧焚烧的一次风注氧混合一体化·689·装置,包括:其两端可分别与一次风管道连接的管状本体;注氧器,其包括设置于本体的管体内呈环状的注氧环,以及均匀设置在该注氧环上的多个喷嘴,氧气从外部进入该注氧环并通过上述喷嘴喷入本体的管体内;以及同轴套设在本体内管壁上并位于注氧器下游的混流片组,每个混流片组包括一个第一混流片和一个第二混流片,两混流片轴向间隔平行设置。本发明的装置可使得氧气以
华中科技大学 2021-04-14
教育部关于深入推进学术学位与专业学位研究生教育分类发展的意见
坚持两类学位同等重要
教育部 2023-12-19
生活污水处理设备 一体化地埋式污水处理设备处理工艺
海辰环保一体化生活污水处理设备,不同小区对出水的要求差异较大。应根据我国《地面环境质量标准》(GB3838-88)和《污水综合排放标准》(GB8978-96)的有关规定和当地环保部门的要求确定处理程度,以确保出水水质。如果出水采用土地处理法处理,则按土地处理法的要求计算; 根据小区生活污水处理的原则,应选择处理效果稳定、产泥少、节能的处理方法。小区系统中的各类建筑物一般均建有化粪池,所以,化粪池应与污水处理方法相结合。 小区生活污水处理常用的几种处理工艺: 1、污水→格栅→调节池→提升泵→曝气池→沉淀池→出水 ↑←污泥回流↓ 2、污水→格栅→调节池→提升泵→接触氧化池→沉淀池→出水 3、污水→格栅→调节池→提升泵→混凝沉淀→过滤→出水(物化方法) 加药 4、污水→格栅→调节池→提升泵→SBR池或CASS→出水 加药 5、污水→格栅→调节池→提升泵→接触氧化池→混凝过滤→出水 回用工艺流程: 生物处理出水再经混凝过滤和消毒 在流程开始时一般要考虑设置均化池,这是因为小区在水质和水量上的变化都比城市污水处理厂大。均化池一般设在格栅以后。物化和生化处理是去除污染物的核心部分。
山东海辰环保科技股份有限公司 2021-08-26
一种通过scout ESI和CNN解码EEG运动想象四分类任务的新方法
导读东北电力大学和长春理工大学研究团队开发并实现一种结合脑电图源成像(ESI)技术和卷积神经网络(CNN)的新方法,以对运动想象(MI)任务进行分类。ESI技术采用边界元法(BEM)和加权最小范数估计(WMNE)分别解决EEG的正向和逆向问题。然后在运动皮层中创建十个scout来选择感兴趣的区域(ROI)。研究者使用Morlet小波方法从scout的时间序列中提取特征。最后,使用CNN对MI任务进行分类。实验结果:在Physionet数据库上的整体平均准确率达到94.5%,分别对左拳头、右拳头、双拳和双脚的单个准确率达到95.3%、93.3%、93.6%、96%,采用十倍交叉验证进行验证。研究人员表示,他们的研究成果与最先进的MI分类方法的结果相比,总体分类增加了14.4%。研究者为验证方法的有效性,加入了4个新的受试者进行验证,发现总体平均准确率为92.5%。此外,全局分类器适应单一对象,整体平均准确率提高到94.54%。研究者表示,他们提出的结合scout ESI和CNN的方法,提高了脑电解码四类MI任务的BCI性能。系统框架图1 系统框架图系统框架如图1所示。原始数据来自国际10-10系统的64个电极(不包括Nz、F9、F10、FT9、FT10、A1、A2、TP9、TP10、P9和P10电极),并以每秒160个样本的速度采集。根据国际10-10系统从64个通道采集原始脑电图,并使用BCI2000系统进行记录。记录的数据被分为四个独立MI任务包括左拳MI,右拳MI,双拳MI和双脚MI。首先,由于ERD在执行运动想象时在alpha和beta中不同,因此使用FIR滤波器对EEG进行了8 Hz至30 Hz的带通滤波。然后,通过计算包含正问题和逆问题的源,将传感器空间的活动转化为源空间的活动。接下来,创建scout并提取特征。研究者在运动皮层中创建了10个scout,因为我们只关心与运动相关的活动。十个scout中的每一个都代表了可用源空间中的一个感兴趣的区域(ROI),并且是定义在皮层表面或头部体积上的偶极子的子集。左脑的scout称为L1、L2、L3、L4、L5,右脑的scout称为R1、R2、R3、R4、R5。利用JTFA从10个scout的源时间序列中提取特征。最后,利用CNN对时频图进行分离并进行分类。实验在实验中,研究人员仅使用了随机选择的十个受试者的MI trail (S5,S6,S7,S8,S9,S10,S11,S12,S13,S14)。这里用于分析的数据集包含每个受试者84次试验,每一类包含21次试验。在记录64通道脑电图时,受试者执行了不同的运动想象任务。每个受试者针对以下四个任务中的每一个执行了3轮21试验:当目标出现在屏幕左侧时,受试者想象打开和合上相应的拳头,直到目标消失。然后受试者放松。当目标出现在屏幕的右侧时,受试者想象打开和合上相应的拳头,直到目标消失。然后受试者放松。当目标出现在屏幕顶部时,受试者想象打开和合上双手的拳头,直到目标消失。然后受试者放松。当目标出现在屏幕底部时,目标会想象双脚张开和合拢,直到目标消失。然后受试者放松。为了统一数据维数,研究者选择了4s的数据,因为每次想象任务的执行时间都在4s左右。此外,脑电图任务是分开的,研究人员在实验中将左拳,右拳,双拳和双脚MI任务分别称为T1,T2,T3和T4。图2 scout命名左右运动想象的scout分别命名为L1、L2、L3、L4、L5、R1、R2、R3、R4、R5,如图2所示。10个scout每一个都被扩展到40个顶点,每个顶点只有一个源。L1区域对应40个信号,其他scout也一样。在计算了来源后,研究者在运动皮层中创建了十个scout,如图3所示。图3 创建10个scout使用ESI计算十个受试者(S5、S6、S7、S8、S9、S10、S11、S12、S13、S14)每次试验的四个任务(T1、T2、T3、T4)的源。对于这四项任务中的每一项,每个受试者每次都要进行7次测试(#1,#2,#3,#4,#5,#6,#7)。展示了第一个步的10个被试的10个scout的4项任务的来源。然后提取10个scout的时间序列进行进一步分析。特征提取在计算源之后,研究人员在运动皮层中创建了包含40个源的10个scout,并提取了scout的时间序列。如图4所示为提取R5 scout时间序列作为示例。图的右边显示了R5 scout的时间序列。本文利用小波变换从scout时间序列中提取特征。图4 提取R5 scout时间序列作为示例在这项研究中,研究者提出利用CNN来解决运动想象任务分类的问题。该模型基于Schirrmeister等提出的Deep ConvNet架构,该网络模型由一个六层卷积网络组成,其中两个最大池层和三个全连接层,如图5所示。图5对于Physionet数据库,研究者首先采用Deep ConvNet架构,包括四个卷积层、四个最大池层和一个全连接层。在实验中,研究者依据经验使用两个最大池化层。并尝试了不同数量的卷积层和完全连接层。时频图利用Morlet小波方法得到了scout的特征。对于每个任务,R5 scout的时频图如图6所示。包含时间和频率互补的时频分析方法提供了时域和频域的联合分布信息,清晰地描述了信号频率与时间的关系。图6 R5 scout的时频图显然,只有部分时频映射是红色的,表明每个任务只对特定的频率和时间敏感。由于图的数量比较大,研究者使用CNN来选择和学习这些图中最基本的特征。研究人员随机选择了几个样本,并将一些特征图可视化,作为MI任务的学习表示,如图7所示。图7为了获得有效的结果,将数据集分为90%作为训练集,其余10%作为测试集。首先,将十个受试者的数据集(总共19320个样本)分为17388个样本以训练所提出的CNN模型,以及1932个样本以验证模型的有效性。在实验中,研究者还选择了另外四个受试者的数据集以增加数据集的规模(27048个样本),其中24343个样本是训练集,其他样本是测试集。在选定的scout上对所提出的CNN架构进行了十次训练和测试,以验证所提出模型的鲁棒性。图8(a)显示了10个scout中每个的全局平均精度。图8 统计结果R5的全局平均精度最高,达到94.5%,而L2的全局平均精度最低,为91.3%。对应L1、L3、L4、L5、R1、R2、R3、R4的整体准确率分别为92.4%、92.5%、93.6%、91.9%、93.0%、91.8%、92.1%、92.6%。所有scout的总体精度均在91%以上,标准差均在0.20%以下。图8(b)显示了十个scout中每个scout四个MI任务的组级统计结果及其标准差。一般来说,R5表现的要比其他的好,而L2在迭代2000中表现最差。标准差较小,说明这些精度更接近平均值且稳定。图9 统计结果图9(a)显示了带有标准差的混淆矩阵,说明了group level分类结果。T1、T2、T3和T4的全局平均精度峰值分别为95.3%、93.3%、93.6%和96.0%。R5 scout的四个MI任务中的每一个都如图9(b)所示。通过改变训练集和测试集顺序的10次试验,确定了scoutR5的性能,结果如图10(a)和(b)所示。在10次试验中,scout R5的T1、T2、T3、T4的平均准确率分别为93.3%、93.8%、94.2%、94.1%。换句话说,四个任务中每一个的平均准确率都超过了93%。全局平均准确率为93.7%。10次试验结果表明,该方法对scout R5的分类效果较好。从以上结果可以清楚地看出,R5 scout在四种MI任务的分类中扮演着最重要的角色。因此,选择R5对四个MI任务进行分类。图 10图11. (a)是不同模型的全局平均准确性的比较。可以发现,该研究提出的模型可以达到最大的精度。从图11. (b)不同模型的ROC曲线可以看出提出的模型比其他模型表现更好。©不同模型T1上的精度比较。(d)不同模型T2的精度比较。(e)不同模型T3的精度比较。(f)不同型号T4的精度比较。图11 不同模型的精度比较结论东北电力大学和长春理工大学研究团队开发并实现一种结合脑电图源成像(ESI)技术和卷积神经网络(CNN)的新方法。该方法可以对运动想象(MI)任务进行分类。实验结果表明,他们的研究成果与最先进的MI分类方法的结果相比,总体分类增加了14.4%。研究者加入了4个新的受试者进行验证来验证方法的有效性。研究者表示,他们提出的结合scout ESI和CNN的方法,提高了脑电解码四类MI任务的BCI性能。论文信息:A novel approach of decoding EEG four-class motor imagery tasks via scout ESI and CNN
东北电力大学 2021-04-10
教育部关于印发《高等学校实验室安全分级分类管理办法(试行)》的通知
本办法中的实验室,是指隶属于高校从事教学、科研等实验、实训活动的场所及其所属设施,以房间为管理单元。中试性质和工业化放大性质的试验场所及其所属设施不在本办法管理范围内,高校如涉及相关场所应根据相关法律法规及标准规范制定相关管理办法。
教育部 2024-04-22
首页 上一页 1 2
  • ...
  • 17 18 19 20 21 22 下一页 尾页
    热搜推荐:
    1
    云上高博会企业会员招募
    2
    64届高博会于2026年5月在南昌举办
    3
    征集科技创新成果
    中国高等教育学会版权所有
    北京市海淀区学院路35号世宁大厦二层 京ICP备20026207号-1