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.

本发明公开了一种基于车载双目相机道路场景的行人车辆快速检测方法。方法通过构建道路场景柱状模型，在柱状模型限定范围内对行人车辆目标搜索检测。同时，对前后帧左右帧的检测结果进行匹配，利用前后匹配对、左右匹配对对当前帧左幅图像的检测结果进行优化。本发明针对基于单目方法的行人车辆检测不够准确的问题，利用前后帧与左右帧的匹配结果，优化检测结果。针对基于双目图像的行人车辆检测不能够实时的问题，利用道路场景的柱状模型，减少检

一种公路收费站减速带能量回收发电系统，通过减速带下方的板簧上的垂向连杆与扇形齿轮相连；再由扇形齿轮分别驱动内啮合棘轮机构一、内啮合棘轮机构二，带动发电机一、发电机二分别在减速带下压和恢复过程中发电。该种发电系统结构简单、成本低、使用安全可靠、发电效率高、不污染环境。

目前铁路机车车辆辅助用电方面采用先进的直流 600V 集中供电、而后由客车分散变流 供电方式，在机车或客车上都需要由直流 600V 变换到直流 110V 的控制电源。这种直― 直变换均采用高频隔离变频器方案来实现，本成果研制了机车动车用 15kw 高频隔离直 —直变换 110V 控制电源。只要将方案中 IGBT 器件阻断电压等级提高，适当变换方案就 可开发用于城市地铁轻轨车辆用高频隔离 DC/DC110V 控制电源。

本发明公开了一种用于多轴重型车辆的油气平衡悬架，包括上转动臂、油气弹簧和下摆动臂，其中对于关键组件的油气弹簧而言，它包括缸筒、中空活塞杆以及上下联接体，上下联接体分别通过关节轴承与上转动臂和车轴相联接；中空活塞杆上端的活塞中设置有阻尼孔和单向阀,形成阀体总成，活塞杆下端通过螺纹与下联接体固定相连，构成活塞杆组件,并将缸筒分隔为上端的无杆腔和下端的有杆腔；在中空的活塞杆内固定设置有内置油气缸，该油气缸中的浮动活塞将其分隔为上部内气室和下部内油室。本发明还公开了相应的液压控制系统。通过本发明，能够有效避

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

项目概况 对于载重汽车、轻型汽车、微型汽车、轿车、沙滩车和部分三轮摩托车等轴传动的运输工具，其传动轴和传动套的市场需求量十分巨大。对于车辆传动系统的传动轴、传动套等零部件，本项目采用温锻制坯、精密冷挤压成形技术相结合的近净成形加工工艺对传动轴、传动套的渐开线内、外齿形花键的进行近净成形加工，加工后的渐开线齿形不再后续加工就能满足传动轴、传动套零件的技术要求。主要特点 采用温锻制坯、精密冷挤压成形技术相结合的近净成形加工工艺进行车辆传动系统的传动轴、传动套零部件的加工，其加工工艺路线主要包括：下料→温锻制坯→表面润滑处理→冷挤压内、外渐开线齿形花键→表面渗碳淬火→磨加工→成品检验。技术指标    与常规的滚齿、插齿加工工艺相比，采用本工艺生产的渐开线齿形具有齿形精度高、尺寸一致性好、表面光洁、强度高等特点；同时原材料利用率可以提高20%以上；内外花键的挤压成形时间仅有40sec./件，而常规的滚齿或插齿加工时间最少要5～10min./件，生产效率有较大的提高。市场前景 达到规模生产后，本项目可取得明显经济效益。按年生产能力为10万套微型汽车传动轴、传动套计算，可实现销售收入2000～4000万元，利润400～800万元左右。 本项目技术还可应用于各种具有渐开线齿形、矩形齿形、锯齿形齿形的轴类零件和套类零件的大批量工业生产中。

该系统采用虚拟现实技术，设计一种仿真的三维互动式的机车车辆制造、检修及装配工艺，并且针对机车或车辆段检修特点，创造出专为检修和检修人员培训服务的专用系统，并在该系统中整合具有国内领先水平的机车车辆部件检修质量管理系统。在数字三维仿真工艺子系统中，实现车辆设备结构的模拟仿真。采用系统仿真和计算机可视化编程技术在计算机里建造所有相关机车车辆型号的整车及部件数字模型，对整车车体结构、转向架、牵引传动系统、制动系统、列车运行控制系统等车载设备组成、主要功能进行仿真。利用鼠标（或触摸屏）与每个可操作零件进行交互，实现人机互动，电脑按检修工艺流程，全真展现检修的每一过程，检修人员可以通过三维实物过程的演示及各种参数提示，决定每一步该做什么，做到什么程度。使学员在学习整车及各部件构造、原理的同时，掌握机车车辆相关知识，同时对车辆进行各部件检修和故障处理。 项目主要应用范围： 该系统主要应用于铁路各路局的机务部门、机车车辆制造厂商以及机务段车辆段等相关部门检修人员的培训和检修。该系统可以提高检修工艺流程的直观性、易掌握性，能帮助机务部门的技术人员避免检修过程中漏修、漏检情况的发生，有利于检修人员的培训工作，降低检修工作对人员素质的要求，全面提高检修质量，及时发现安全隐患，避免造成由于各部位、各环节、材料、配件消耗情况以及卡死等人为因素，提高成本渠道，节约检修成本，降低劳动强度，增加各种统计数据的准确性。为管理者提供准确的决策依据。     部分系统产品展示： 双层集装箱制动装置及车体总成三维实体设计 120型空气制动机原理模拟系统 K6转向架动态拆装系统（可进行360度旋转、缩放以及手动人机交互拆装）   柴油机三维模拟仿真及工作原理模拟系统        SK-160转向架三维动态拆装及检修模拟系统