产品详细介绍 产品简介： 魔力百拼套装用模块化的电子器件拼接成各种物件。其中内置了许多编码的彩色原件：马达、滑动变阻器、蜂鸣器、传感器、电池，拼接起来，就可以制造出可靠好用的电路和系统。它对电路知识的要求基本为零，不需要编程、焊接这种反复工序，通过器材的特点只需要照着已有的结构图拼接，几分钟之内就可以实现自己所想。 优势和特点 1.针对孩子阶段特点开发。 2.安全的电路设计。 3.电路知识快速上手。 4.多学科知识融合。 5.发散式思维训练。 6.针对探索式学习进行优化。 7.器材以多彩区分功能。

产品详细介绍系统描述:　　本系统采用专用读票机读票方式，可以处理会议选举中的等额选举、差额选举以及另选他人情况，可以实现多种选票混读，使用方便、识别准确，阅读、统计速度快，可以有效的节省以往人工计票的时间，提高会议效率。　　功能特点　　1、采用专业读票机读取选票。读卡速度快，识别准确，每千张选票用一台读卡机读，可以在20分钟内读完，有效的节省以往人工唱票的时间，提高会议效率。　　2、可以实现多种选票混读。现在多数会议发给代表的选票不止一张，代表投票后，各种选票都混杂一起。本系统可以将收集上来的选票可以同时读取，由系统进行区分，并进行相应的统计。　　3、满足各种会议选举要求。可以实现会议选举中的等额选举、差额选举，可以对另选他人进行识别处理。　　4、统计报表丰富多样。可以根据会议要求对得票结果进行排序输出、按姓氏比划排序，可以按照会议要求输出选举报告。　　5、全程服务、费用低廉。完成整个会议选举的选票统计，是需要软件、硬件以及选票的统一协调，我们公司为会议提供全程式技术咨询服务，从选票的设计、印刷、读卡、统计、打印等各个环节，我们都会结合以往会议选举经验，为客户提供技术咨询。而且因为我们已经有比较完整成熟的模式，因为费用也比较低，可以有效的为客户节省会议经费。

HZK series using new numberic mainboard: multiple mainboard technology, higher integration project. HZK series balance has many different application, multiple intelligent anti-shock technology, temperature compensation with whole range, multipoint linearity calibration and so on. Highly compatible software program widely satisfy user’s advanced request of high precision balance. Main Specification Item No. HZK-FA110s HZK-FA210s HZK-FA300s Weighing Range 110g 210g 300g Readability 0.1mg 0.1mg 0.1mg Repeatability ±0.1mg ±0.2mg Linearity ±0.2mg Work Temp 18°C – 23°C, 80%RH Pan Size Ø90mm Housing（L×W×H） 345×223×331   Main Characteristic Sensor Structure Super Monoblock Sensor Calibration Way Automatic intelligent internal CAL Anti-vibration Level Six level anti-vibration adjustable function Housing Aluminum Base+ABS Top Shell+Anti-static Glass  Display VATN Backlit LCD Display Stable time 3-10s Adjustable Unit g, mg, ct, oz, ozl, dwt, GN, lb, N, dr, tlT, tls, tlH, T(Tola), T/A/R(tola/anna/rati), /A/R（tola/Mna/rati）, ms（Mesghal）, bat, /lb（Parts per pound）,kg，20units selectable Interface RS232/USB Weighing Mode Lock Weighing Mode Lock Automatically Underhook Fit with Underhook Power AC adaptor   Application Mode Percentage Weighing Peak Holding Function Density Weighing Computing Function Dynamic Weighing High Low Limit Alarm Counting Function Gross/Net/Tare Weight Weighing Accumulating Function  

一、产品介绍 云之翼电子教学软件（yiClass）是一款实现在电子教室、多媒体网络教室或者电脑教室中进行多媒体网络教学的软件产品。集电脑教室的同步教学、控制、管理、音视频广播、网络考试等功能于一体，并能同时实现屏幕监视和远程控制等网络管理。它专门针对电脑教学和培训网络开发，可以非常方便地完成电脑教学任务，包括屏幕教学演示与示范、屏幕监视、遥控辅导、黑屏肃静、屏幕录制、屏幕回放、网络考试、网上语音广播等功能。 二、产品优势 部署简单，界面友好 安装部署快捷，升级简易方便，全中文人性化界面设计，配有详细的在线帮助，支持主窗口功能按钮、浮动工具条等操作方式。 功能全面，多系统部署 纯软件架构，占用空间小， 安装简单，升级维护方便。软件防杀进程、断线保护、卸载密码保护等功能，支持 Windows 系列操作系统和 Linux 操作系统部署。 流媒体技术，高清体验 采用流媒体技术，实现教师机播放的视频同步广播到学生机，且达到流畅无延时，支持几乎所有常见的媒体音视频格式，支持 720p、1080p 的高清视频。 协同和互动教学 共享白板：教师与全体或指定的学生共同完成一项学习任务，如：解题、绘画等，学生可以手写。

信息展示功能：课表、实验室介绍、分屏、二维码；支持文件类型：文档、网页、视频、图片；身份认证功能：一卡通刷卡身份认证、人脸识别、学号+密码录入；交互功能：课表查看、开放预约信息查看、开放预约申请、实时视频查看。

本发明公开了一种基于拉曼光谱技术的藻种分类识别方法，包括：取相同藻种的多个样本，每个样本均为当前藻种的活体藻液，采用拉曼光谱仪获取各个样本的拉曼光谱原始信息；对采集的拉曼光谱原始信息进行预处理，得到对应的预处理谱图，然后采用偏最小二乘法从各预处理谱图中提取主因子；更换藻种，获得与不同藻种相对应的主因子；以所有藻种的主因子作为输入，以与各主因子相对应的藻种分类为输出，建立BP神经网络模型；取待鉴别活体藻液，获得该待鉴别活体藻液的主因子并输入所述BP神经网络模型，获得待鉴别活体藻液中所包含的藻种分类。本发明实现了基于拉曼光谱技术的藻种快速准确分类，大大简化了操作步骤，缩短了检测时间。

本发明公开了一种基于被动毫米波极化成像的材料分类方法； 首先利用毫米波辐射计成像系统在无极化照射环境中获取给定入射角 下场景的水平极化图和垂直极化图；再根据水平极化图和垂直极化图 计算得到“线极化比”图像；然后统计分析“线极化比”的分布规律， 利用阈值估计公式估计“线极化比”阈值；最后根据分类准则，实现 对场景中的金属材料和非金属材料的分类。本发明能非接触、被动地 对金属材料和介质材料的进行有效分类，并且不受环境辐射变化的影 响，具有很好的鲁棒性，可用于金属目标的遥感与探测、金属危险品 的安全检测与预警等领域。

本发明提供了一种基于音频信号特性分类的无参考音频质量评价方法和系统，包括步骤：步骤 1， 基于有参考音频质量评价模型建立训练模型，采用机器学习获取不同类型音频信号的音频质量与网络参 数的关系，即无参考音频质量评价模型；步骤 2，在音频信号网络传输中，将当前丢包率、当前延迟时 间和当前丢包数据的音频信号类型输入无参考音频质量评价模型，获得当前音频质量。本发明对不同类 型信号采用不同的质量评价关系式进行质量评价，能更真实地反映用户体验。

本发明公开了一种人流量统计系统中分类器的自动选择方法，属于视频监控及模式识别技术领域。本发明包括：预先设定多个成像视角，分别离线训练一个分类器；在线学习时，针对当前输入图像，对各分类器分别执行下述操作：检测目标，将当前检测出的行人目标与已有的跟踪目标进行关联，对未关联的跟踪目标采用跟踪算法进行跟踪，将未关联的检测目标加入跟踪目标队列中；对跟踪目标队列中符合条件的目标进行计数；若所有分类器所计目标数均未超过阈值，

本成果提出的基于超像素样本扩充的空谱全卷积高光谱图像分类方法有效的利用高光谱图像的超像素分割结果指导伪样本扩充增加了训练集样本数量，解决了高光谱图像有标记样本的稀缺问题，同时空谱的全卷积分类网络也充分利用了多尺度的空间特征和光谱特征实现了较高的分类精度。 成果非涉密，专利申请已经提交。 实验采用反射光学系统成像光谱仪（ROSIS）传感器获取意大利北部帕维亚大学（Pavia  University）的高光谱图像数据。该数据集由 103 个光谱带组成，共 610×340 像素，光谱覆盖范围从 430nm 到 860nm，空间分辨率为 1.3m。该数据集一共含有 9 个类别的 42776个有标记样本，选取每类 30 个有标记样本作为训练集，其余作为测试集。 由下表可以看出，在每类选取 30 个样本的情况下，本 模 型 的 OA，AA，Kappa系 数 比 DFFN 模 型 高 出20.8%，17.4% 和 26.5%；比CNN 高 出 23.1%，18.8% 和29.2%。并且下表证明了使用了伪标签样本扩充的空谱全卷积网络的本方法在小样本情况下每个类的分类准确性均优于 DFFN 和 CNN，达到了较好的分类效果。 表 1 PaviaU 数据集上对比实验结果