|
搜索
搜 索
高等教育領(lǐng)域數(shù)字化綜合服務(wù)平臺
.jpg){kind=logo}
高可信強智能的心腦血管疾病診療服務(wù)模式解決方案
一、項目簡介 本項目以心腦血管診療數(shù)據(jù)為研究對象，以建立三級協(xié)同診療服務(wù)模式為目標(biāo)，圍繞心腦血管診療裝備網(wǎng)絡(luò)共享、多元異構(gòu)醫(yī)療信息智能提取、協(xié)同診療、國家級協(xié)同診療服務(wù)模式及評價體系四個科學(xué)問題，在數(shù)據(jù)獲取與資源共享，知識提取與協(xié)同診療，三級診療服務(wù)模式三個層次上開展裝備網(wǎng)絡(luò)協(xié)同共享、智能信息提取與知識發(fā)現(xiàn)、基于人工智能的心腦血管疾病智能診療、醫(yī)療服務(wù)體系及大數(shù)據(jù)安全關(guān)鍵技術(shù)研究和三
廈門大學(xué)
2021-01-12
.jpg){kind=logo}
高潛水位采煤沉陷區(qū)生態(tài)環(huán)境治理關(guān)鍵技術(shù)及應(yīng)用
以兩淮礦區(qū)為背景，揭示 了高潛水位巨厚沖積層重復(fù)開 采的地表沉陷機理與規(guī)律，優(yōu) 化了地表沉陷預(yù)測模型，闡明 了沉陷區(qū)動態(tài)沉陷與積水變化 關(guān)系。建立了高潛水位采煤沉 陷區(qū)多源水(質(zhì))循環(huán)模擬模型， 揭示了沉陷區(qū)地表生態(tài)系統(tǒng)演 變規(guī)律。
安徽建筑大學(xué)
2021-01-12
一種高pH源水的氧化過濾除錳除鐵方法
本發(fā)明公開了一種高pH源水的氧化過濾除錳除鐵方法，適用于pH＞8.5的源水處理，所述方法的工藝步驟包括：源水→一級泵站→配水井→預(yù)氧化池→混凝劑混凝→高密度沉淀池→過濾池→消毒→清水池→二級泵站→用戶，其中，在一級泵站處投加ClO2進(jìn)行預(yù)氧化，在預(yù)氧化池中投加KMnO4進(jìn)行預(yù)氧化。與現(xiàn)有技術(shù)相比，該方法采用先ClO2后KMnO4分段聯(lián)合預(yù)氧化方法，不僅可以有效去除錳鐵，減少色度、臭味、去除有機物和滅藻等，還能夠通過預(yù)氧化控制和削減消毒副產(chǎn)物產(chǎn)生。由于KMnO4藥劑投加量少，后續(xù)無需活性炭脫色，也無需
安徽建筑大學(xué)
2021-01-12
.jpg){kind=logo}
燃煤汽化二氧化碳的高值有效封存利用
燃煤汽化的二氧化碳的高值有效封存利用技術(shù)就是在特定工藝條件下，使 CO2 與氨發(fā)生反應(yīng)最后得到三聚氰酸等固體產(chǎn)品。該技術(shù)不僅能封存 CO2，而 且能使 CO2 得到增值，形成 CO2 產(chǎn)品利用的循環(huán)經(jīng)濟(jì)產(chǎn)業(yè)鏈。二氧化碳氨化 礦化得到三聚氰酸產(chǎn)品技術(shù)具有以下特點： （1）固碳能力高，CO2 占原料的重量比為 72%；所需的反應(yīng)原料少； （2）CO2 氨化礦化是合成尿素工藝創(chuàng)新，可行性高； （3）反應(yīng)原料來源簡單，僅需要煤、水和空氣，也是燃煤清潔利用的低碳、 低成本的工藝； （4）所得產(chǎn)物利用價值大，三聚氰酸物理性質(zhì)穩(wěn)定（溫度＞350℃才分 解），化學(xué)性質(zhì)活潑，是一種重要的化工產(chǎn)品及原料。
山東大學(xué)
2021-04-13
.jpg){kind=logo}
利用諧波幅值判定飽和的高動態(tài)三維測量方法
本發(fā)明公開了一種利用諧波幅值判定飽和的高動態(tài)三維測量方法。使用投影裝置向三維目標(biāo)投射多組結(jié)構(gòu)光圖案序列，并用攝像裝置進(jìn)行同步拍攝，通過控制掃描參數(shù)獲取具有不同的亮度的結(jié)構(gòu)光圖像組，對每組圖像分別計算其時間序列的非主頻成分幅值，把非主頻成分幅值小于一定閾值的像素區(qū)域為判定為非亮度飽和區(qū)域，對每一個像素點在該點未飽和的圖像組中找到亮度最大的一組，并用這組圖像計算該像素點的相位，最后根據(jù)相位和系統(tǒng)標(biāo)定參數(shù)計算出物體表面的三維坐標(biāo)。本發(fā)明可用于測量反射率變化大的物體的三維面形。本發(fā)明能精確穩(wěn)定地判定飽和區(qū)域，達(dá)到較高的三維測量精度。
四川大學(xué)
2016-10-08
.jpg){kind=logo}
重金屬的流動注射在線測定及高選擇性吸附
本項目主要針對痕量重金屬元素 Cu、Pb、Zn、Cd、Hg、Fe、Mn、Cr、As和有機物，合成三類萃取樹脂：（1）螯合樹脂（2）大孔吸附樹脂（3）砷萃取樹脂，為了實現(xiàn)在操作現(xiàn)場的痕量重金屬元素和有機物的快速分析，我們將萃取樹脂預(yù)富集和流動注射技術(shù)聯(lián)合起來，建立一種在線分析方法，并對該方法的測定條件進(jìn)行優(yōu)化。解決的關(guān)鍵問題 1、分離富集海水中痕量重金屬元素和有機物所用的樹脂是本項研究的關(guān)鍵。要求所合成的樹脂在具有較適宜的螯合能力（和吸附
南開大學(xué)
2021-04-14
.jpg){kind=logo}
一種高精度高電源抑制比的帶隙基準(zhǔn)源
本發(fā)明公開了一種高精度高電源抑制比的帶隙基準(zhǔn)源，包括啟 動電路和基準(zhǔn)電壓產(chǎn)生模塊；基準(zhǔn)電壓產(chǎn)生模塊包括電源抑制比增強 電路、基準(zhǔn)電壓產(chǎn)生電路和溫度補償電路；電源抑制比增強電路的第 一輸入端連接至啟動電路的第一輸出端，基準(zhǔn)電壓產(chǎn)生電路的第一輸 入端連接至啟動電路的第二輸出端，基準(zhǔn)電壓產(chǎn)生電路的第二輸入端 連接至電源抑制比增強電路的第一輸出端；溫度補償電路的第一輸入 端連接至啟動電路的第二輸出端，溫度補償電路的第二輸入端
華中科技大學(xué)
2021-04-14
.jpg){kind=logo}
碳納米管改性的高導(dǎo)電高韌性石墨粘膠的制備方法
本發(fā)明公開了一種碳納米管改性的高導(dǎo)電高韌性石墨粘膠的制備方法，包括步驟:步驟 1，在碳納 米管表面化學(xué)修飾上親水性基團(tuán);步驟 2，將分散劑溶解于去離子水中獲得分散劑溶液;步驟 3，將帶 親水性基團(tuán)的碳納米管分散于分散劑溶液，獲得碳納米管分散液;步驟 4，將碳納米管分散液低速離心 后取上層清液，將上層清液與樹脂原液混合，獲得碳納米管改性的石墨粘膠。將本發(fā)明石墨粘膠用于制 備柔性石墨接地體的浸膠工藝，在提高石墨紙與纖維附著力的同時，還可顯著提高復(fù)合石墨帶的導(dǎo)電性
武漢大學(xué)
2021-04-14
.jpg){kind=logo}
基于超像素樣本擴(kuò)充的空譜全卷積高光譜圖像分類方法
本成果提出的基于超像素樣本擴(kuò)充的空譜全卷積高光譜圖像分類方法有效的利用高光譜圖像的超像素分割結(jié)果指導(dǎo)偽樣本擴(kuò)充增加了訓(xùn)練集樣本數(shù)量，解決了高光譜圖像有標(biāo)記樣本的稀缺問題，同時空譜的全卷積分類網(wǎng)絡(luò)也充分利用了多尺度的空間特征和光譜特征實現(xiàn)了較高的分類精度。
成果非涉密，專利申請已經(jīng)提交。
實驗采用反射光學(xué)系統(tǒng)成像光譜儀（ROSIS）傳感器獲取意大利北部帕維亞大學(xué)（Pavia University）的高光譜圖像數(shù)據(jù)。該數(shù)據(jù)集由 103 個光譜帶組成，共 610×340 像素，光譜覆蓋范圍從 430nm 到 860nm，空間分辨率為 1.3m。該數(shù)據(jù)集一共含有 9 個類別的 42776個有標(biāo)記樣本，選取每類 30 個有標(biāo)記樣本作為訓(xùn)練集，其余作為測試集。
由下表可以看出，在每類選取 30 個樣本的情況下，本 模 型 的 OA，AA，Kappa系 數(shù) 比 DFFN 模 型 高 出20.8%，17.4% 和 26.5%；比CNN 高 出 23.1%，18.8% 和29.2%。并且下表證明了使用了偽標(biāo)簽樣本擴(kuò)充的空譜全卷積網(wǎng)絡(luò)的本方法在小樣本情況下每個類的分類準(zhǔn)確性均優(yōu)于 DFFN 和 CNN，達(dá)到了較好的分類效果。
表 1 PaviaU 數(shù)據(jù)集上對比實驗結(jié)果
西安電子科技大學(xué)
2023-03-03
基于空譜差分輔助核聯(lián)合稀疏表示的高光譜圖像分類
該成果提出了一種基于空譜差分輔助核聯(lián)合稀疏表示分類的高光譜圖像分類方法。本章方法的主要創(chuàng)新性在于：1）能夠?qū)⒐庾V的差分輔助信息和原光譜特征信息有效結(jié)合。2）能夠考慮不同光譜屬性間的高階空間相關(guān)信息。3）原空譜和差分空譜核特征字典的信息通過具有混合正則的核聯(lián)合稀疏表示分類方法得到充分利用。通過在真實高光譜圖像數(shù)據(jù)上的實驗表明，該成果提出的方法能夠有效地提高高光譜遙感圖像的分類效果。
主要技術(shù)指標(biāo)
不同數(shù)據(jù)集下的訓(xùn)練樣本與測試樣本數(shù)參閱表 1. 在該訓(xùn)練樣本集數(shù)量下的分類結(jié)果表現(xiàn)參見表 2. 相比于傳統(tǒng)分類器 SVM，OA 提高了約 20%；相比于 SOMP，OA 提高了約20%。
該成果無需使用 GPU 資源在保證精度的同時有效提升了分類的精度和效果，同時在較少訓(xùn)練樣本條件下仍能得到較好的分類精度和分類效果。
表 1. 不同數(shù)據(jù)集下的訓(xùn)練樣本選取數(shù)量
表 2. PaviaU 大學(xué)數(shù)據(jù)下不同方法的正確率比較
西安電子科技大學(xué)
2023-03-22