|
搜索
搜 索
高等教育领域数字化综合服务平台
一种液晶基电调空间分辨率全色成像探测芯片
本发明公开了一种液晶基电调空间分辨率全色成像探测芯片，包括陶瓷外壳、金属支撑和散热板、驱控和图像预处理模块、面阵全色成像探测器、以及面阵电控液晶微透镜，驱控和图像预处理模块、面阵全色成像探测器、以及面阵电控液晶微透镜设置于陶瓷外壳内，陶瓷外壳后部固定设置于金属支撑和散热板顶部，驱控和图像预处理模块固定设置于陶瓷外壳后部与金属支撑和散热板连接处，面阵全色成像探测器平行设置于驱控和图像预处理模块顶部，面阵电控液晶微
华中科技大学
2021-04-14
基于自由度分叉的空间桁架式可展开抓捕机械手
提出了一种基于自由度分叉的空间桁架式可展开抓捕机械手，该机械手组成有三个手指和一个单自由度伞状手掌机构，每个手指由三个独立的可变胞并联基础模块单元通过特殊的连接方式连接而成。由于基础模块单元采用了剪刀叉机构和变胞设计使得其不仅有优良的可折展性能还可通过一个驱动实现展开和抓捕两种运动。
哈尔滨工业大学
2021-04-14
复杂地理实体快速查询的空间语义模式图构建及搜索方法
本发明公开了一种复杂地理实体快速查询的空间语义模式图构建及搜索方法，在于克服现有技术的 不足，减少―由底向上‖多属性联合查询的排列组合数，避免位置描述中的组合爆炸问题，降低效率损失。 其原理如下：将语义与空间联合索引，进而提出一种―由上向下‖的模式查询策略，针对位置描述的自然 语言形式查询，建立从匹配得出的虚拟位置概念对象到实际位置概念集合的快速映射，通过对象的语义 层次建立位置概念对象的连接图，从而为定位过程提供高效的位置概念对象查询。&nb
武汉大学
2021-04-14
基于访问日志信息的空间小文件数据分布存储方法及系统
本发明提供基于访问日志信息的空间小文件数据分布存储方法及系统，包括将空间小文件数据集分 成频繁访问的子集和非频繁访问的子集，提取频繁访问的空间小文件数据子集的访问序列，分段计算各 频繁访问的空间小文件数据的关联度，并将各频繁访问的空间小文件数据相互之间的关联度数值组成关 联矩阵；对关联矩阵中各元素数值进行大小转换后利用 RCM 排序算法重排后输出，对重排后的关联矩 阵利用局部逼近搜索法寻找最佳组合，利用最佳组合对频繁访问的空间小文件数据进行分布
武汉大学
2021-04-14
合肥工业大学工大学子创客空间孵化基地
工大学子创客空间成立于2016年3月，总面积约1200平方米，其中公共办公与服务场地面积占总面积的92.5%。可容纳40个创业团队入驻孵化。
合肥工业大学
2022-07-27
反射式空间光调制器FSLM-2K39-P02
西安中科微星光电科技有限公司
2022-06-27
反射式空间光调制器FSLM-4K70-P02
西安中科微星光电科技有限公司
2022-06-27
武汉巴士博技术有限公司
武汉巴士博技术有限公司
2024-11-29
基于机器视觉的智能拉力试验机
一、 项目简介通过机器视觉进行电缆护套拉伸长度测量，用于“电线电缆”产品检验设备，通过数字图像处理技术测量电缆护套上两个标志点之间的长度，来分析电线电缆绝缘层材料的抗张强度和断裂伸长率。该检测装置无需人工干预，可自动完成电缆护套试件拉伸长度的测量，检测过程中样品无接触压痕，可实现5个实验样本一次装卡，同时作拉伸长度检测试验，并进行智能数据分析，缩短了试验时间，极大地提高了实验效率和检测精度。二、 项目技术成熟程度已完成样机研制，获专利1项。三、 技术指标（包括鉴定、知识产权专利、获奖等情况）1、最大试验力：500N ； 2、测力示值准确度：≤±1.0%；3、试验速度范围：10-500mm/min； 4、速度示值准确度：≤±1mm；5、移动台最大位移：600mm ； 6、位移示值准确度：≤±1mm。四、 市场前景（应用领域、市场分析等）产品可用于电材生产及相关质检部门，目前国内无类似产品，属国内首创，市场前景看好。五、 规模与投资需求（资金需求、场地规模、人员等需求）机械部分可以自行加工或外协加工，计算机电控部分组装与调试需2~3人。除机械部分外，厂房40平方米左右即可。规模生产需要流动资金100万左右。六、 效益分析 按每年生产200台计算，可获利约1500-2000万，七、 合作方式 技术入股，技术转让等形式。或面谈。八、 项目具体联系人及联系方式（包括电子邮箱）项目负责及联系人：高振斌，电话：022-60436758邮箱：gaozhenbin@hebut.edu.cn九、高清成果图片2-3张
河北工业大学
2021-04-11
在量子物理与机器学习研究的进展
生成模型的研究重点是如何从给定的数据集合中学习到数据的联合概率分布，以及从学习到的概率分布中高效地生成新的样本。研究团队提出将数据的联合分布概率编码成量子多体态的概率幅的模平方。进一步地，他们提出在经典计算机上使用矩阵乘积态(Matrix Product States)来模拟学习的过程。矩阵乘积态的参数，即张量网络的张量元，可以通过类似密度矩阵重整化群(Density Matrix Renormalization Group)的算法进行学习，最终形成一个具有泛化能力的生成模型。这个学习算法结合了量子物理与机器学习各自的优点：它不仅可以利用GPU高效地学习到模型参数，还可以利用张量网络的灵活性动态地调节模型表达能力。此外，与传统的基于统计物理的生成模型（例如玻尔兹曼机）相比，玻恩学习机还具备直接生成无关联样本的强大能力，从而可以高效地生成新的数据。 基于量子态的概率生成模型融合了量子物理与机器学习的思想，是一个崭新的研究领域。玻恩学习机借助量子态内禀的概率解释及其强大的表达能力，意在为机器学习和人工智能提供更为先进的生成模型和学习算法。此外，这类模型在量子信息处理，量子计算以及多体物理中具有应用潜力。展望将来，最令人兴奋的前景应该会是在一台量子计算机上实现玻恩学习机，从而以全新的方法进行概率型的学习和建模。这项工作用使用张量网络模拟量子计算机的运行，向无监督量子机器学习迈近了一步。作用在一幅MNIST图片上的矩阵乘积态以及它的纠缠谱
北京大学
2021-04-11