|
搜索
搜 索
高等教育领域数字化综合服务平台
太阳能功率优化器
太阳能功率优化器直接与光伏组件相连，对各光伏组件实施最大功率跟踪，保证其在任意光照条件下和组件特性下的最大功率输出。由于组件只与功率优化器相连，光伏组件之间不存在任何的相互连接，能够从根本上消除不同光伏组件之间的影响，避免由于光照条件变化、组件局部遮阴、组件老化以及组件之间特性不一致造成的发电量损失，实现系统发电量的最大化。多个功率优化器形成的组串之间并联连接，对每组串内部所串联的功率优化器数量没有严格限制，极大的增加了系统配置的灵活性。数据采集器在存储光伏组件的发电数据和状态信息的同时，还可实时对
西安电子科技大学
2021-04-14
太阳能照明灯
白天，由太阳电池板将光能转换给蓄电池充电，当夜晚来临时，蓄电池的电能由高频逆变器转换成交流电使灯点亮，经过设定时间后，灯即自动熄灭。
西安交通大学
2021-01-12
佰能微信预约助手
佰能预约助手结合共享系统配套应用，为广大实验者提供手机微信在线预约大型仪器设备和送样检测服务，为高校、医院、科研院所和检测机构提供仪器共享移动互联网应用方案，使仪器开放共享管理工作更简单便捷。提供仪器展示、资格申请、机时预约、送样检测预约、消息微信推送、微信认证自动登录、扫码开关机、预约状态查询、使用计费记录和送样检测状态查询功能。
广州佰能信息科技有限公司
2021-02-01
24025能的转化实验器
宁波华茂文教股份有限公司
2021-08-23
24024能的转化演示器
宁波华茂文教股份有限公司
2021-08-23
朗能LED护眼灯
朗能教室照明LED灯具光源采用CSP柔净光技术,外置优质透光亚克力 罩，光色纯净、自然饱满、无频闪.
广东朗能电器有限公司
2021-08-23
基于超材料的远红外单谱信号探测器及其制备方法
本发明公开了一种基于超材料的远红外单谱信号探测器，包括·798·自下而上依次设置的衬底层、N 型砷化镓层、二氧化硅层与超材料层、欧姆电极和肖特基电极。超材料层为具有周期性微纳米结构的金属开环共振单元阵列，所述金属开环共振单元阵列包含了一种图形及其特征尺寸参数，该图形对于远红外电磁波具有完全吸收特性，通过改变金属开环共振单元的结构和尺寸参数可以调控对应的电磁波吸收频段，通过改变 N 型砷化镓的耗尽层宽度可
华中科技大学
2021-04-14
基于超材料的太赫兹单谱信号探测器及其制备方法
本发明公开了一种基于超材料的太赫兹单谱信号探测器，包括自下而上依次设置的衬底层、N 型砷化镓层、二氧化硅层与超材料层、欧姆电极和肖特基电极；其中超材料层为具有周期性微纳米结构的金属开环共振单元阵列，金属开环共振单元阵列包含了一种图形及其特征尺寸参数，该图形对于太赫兹电磁波具有完全吸收特性，通过改变金属开环共振单元的结构和尺寸参数可以调控对应的电磁波吸收频段，通过改变 N 型砷化镓的耗尽层宽度可以调控超材料层中金属开环
华中科技大学
2021-04-14
基于超像素样本扩充的空谱全卷积高光谱图像分类方法
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
西安电子科技大学
2023-03-03
基于空谱差分辅助核联合稀疏表示的高光谱图像分类
该成果提出了一种基于空谱差分辅助核联合稀疏表示分类的高光谱图像分类方法。本章方法的主要创新性在于：1）能够将光谱的差分辅助信息和原光谱特征信息有效结合。2）能够考虑不同光谱属性间的高阶空间相关信息。3）原空谱和差分空谱核特征字典的信息通过具有混合正则的核联合稀疏表示分类方法得到充分利用。通过在真实高光谱图像数据上的实验表明，该成果提出的方法能够有效地提高高光谱遥感图像的分类效果。
主要技术指标
不同数据集下的训练样本与测试样本数参阅表 1. 在该训练样本集数量下的分类结果表现参见表 2. 相比于传统分类器 SVM，OA 提高了约 20%；相比于 SOMP，OA 提高了约20%。
该成果无需使用 GPU 资源在保证精度的同时有效提升了分类的精度和效果，同时在较少训练样本条件下仍能得到较好的分类精度和分类效果。
表 1. 不同数据集下的训练样本选取数量
表 2. PaviaU 大学数据下不同方法的正确率比较
西安电子科技大学
2023-03-22