|
搜索
搜 索
高等教育領(lǐng)域數(shù)字化綜合服務(wù)平臺(tái)
.jpg){kind=logo}
一種無向圖或有向有圈圖的層次化顯示方法
本發(fā)明公開了一種銅納米線的銅銅鍵合工藝。在基片表面依次 沉積粘附層和種子層；在種子層上制備一層光刻膠，并在光刻膠上制 作圓孔；在圓孔中電鍍銅，得到銅凸點(diǎn)；利用水熱法在銅凸點(diǎn)表面生 長 Cu(OH)2 納米線；去除殘余的光刻膠；對(duì) Cu(OH)2 納米線進(jìn)行熱分 解，得到 CuO 納米線；對(duì) CuO 納米線進(jìn)行還原，得到銅納米線；利 用上述步驟分別在兩個(gè)基片上制得銅納米線，通過熱壓方式對(duì)這兩個(gè) 基片上的銅納米線進(jìn)行鍵合。本發(fā)明通過還原制得銅納米線，直接應(yīng)于后續(xù)鍵合，避免了額外的去氧化層步驟，能在較低的
華中科技大學(xué)
2021-04-14
一種大功率長行程永磁同步直線電機(jī)的伺服驅(qū)動(dòng)裝置
本發(fā)明提供一種大功率長行程永磁同步直線電機(jī)伺服驅(qū)動(dòng)裝置，主要包括增量式旋轉(zhuǎn)光電編碼器、位置傳感器、數(shù)字信號(hào)處理器、現(xiàn)場可編程門陣列和智能功率模塊。增量式旋轉(zhuǎn)光電編碼器和位置傳感器與數(shù)字信號(hào)處理器相接，用于提供包含導(dǎo)滾輪轉(zhuǎn)角、轉(zhuǎn)速及電機(jī)動(dòng)子基準(zhǔn)位置信息的信號(hào)，數(shù)字信號(hào)處理器通過現(xiàn)場可編程門陣列連接智能功率模塊，用于執(zhí)行各種操作命令及矢量控制算法的計(jì)算，并產(chǎn)生脈寬調(diào)制信號(hào)傳送給智能功率模塊以完成電壓逆變。本發(fā)明不需要光柵尺、磁柵尺等昂貴的直線位置檢測設(shè)備，具有成本低、動(dòng)態(tài)性能好、啟動(dòng)力矩大
華中科技大學(xué)
2021-04-14
一種環(huán)形總線數(shù)據(jù)報(bào)文 CRC 校驗(yàn)字的動(dòng)態(tài)修正方法
本發(fā)明提出一種環(huán)形總線數(shù)據(jù)報(bào)文 CRC 校驗(yàn)字的動(dòng)態(tài)修正方法，該方法采用 FPGA 實(shí)現(xiàn)。當(dāng)網(wǎng)絡(luò)報(bào)文經(jīng)過各從站點(diǎn)時(shí)，網(wǎng)絡(luò)報(bào)文與從站完成數(shù)據(jù)交換并被發(fā)送給下一站，與此同時(shí)，從站根據(jù)交換數(shù)據(jù)后的新網(wǎng)絡(luò)報(bào)文的數(shù)據(jù)計(jì)算新的 CRC 校驗(yàn)字，新的 CRC 校驗(yàn)字的計(jì)算采用按位計(jì)算法，并采用 4 至 16 倍網(wǎng)絡(luò)芯片工作時(shí)鐘作為 CRC 的高頻計(jì)算頻率，減少了 CRC 校驗(yàn)字的計(jì)算時(shí)間，在網(wǎng)絡(luò)報(bào)文幾乎無延時(shí)等待的情況下，實(shí)現(xiàn)新的 CRC 校驗(yàn)字緊隨網(wǎng)絡(luò)報(bào)文發(fā)送給下一站，從而實(shí)現(xiàn) CRC 校驗(yàn)字的動(dòng)態(tài)修正。網(wǎng)絡(luò)報(bào)
華中科技大學(xué)
2021-04-14
.jpg){kind=logo}
基于激光掃描離散點(diǎn)強(qiáng)度梯度的道路標(biāo)線自動(dòng)化提取方法
本發(fā)明公開了基于激光掃描離散點(diǎn)強(qiáng)度梯度的道路標(biāo)線自動(dòng)化提取方法，包括：步驟 1，利用高程 信息與 RANSAC 法從激光點(diǎn)云中提取路面點(diǎn)集；步驟 2，采用中值濾波器對(duì)路面點(diǎn)集中路面點(diǎn)進(jìn)行濾波； 步驟 3，分別計(jì)算路面點(diǎn)集內(nèi)各路面點(diǎn)的強(qiáng)度梯度；步驟 4，根據(jù)路面點(diǎn)的強(qiáng)度梯度，采用全局聚類法 將路面點(diǎn)集內(nèi)路面點(diǎn)聚類為強(qiáng)度梯度較大和強(qiáng)度梯度較小的兩類路面點(diǎn)，將強(qiáng)度梯度較大的路面點(diǎn)作為 種子點(diǎn)；步驟 5，根據(jù)種子點(diǎn)進(jìn)行標(biāo)線點(diǎn)搜索。本發(fā)明綜合利用離散點(diǎn)的
武漢大學(xué)
2021-04-14
基于豐度顯著性分析的高光譜圖像解混方法及系統(tǒng)
本發(fā)明提供基于豐度顯著性分析的高光譜圖像解混方法及系統(tǒng)，包括建立待處理的高光譜遙感圖像 的端元光譜庫；用基于稀疏回歸的混合像元分解方法對(duì)每個(gè)像元進(jìn)行初步混合像元分解并按照豐度值的 大小降序排列，對(duì)排序后的豐度序列進(jìn)行顯著性分析，得到顯著性豐度的臨界值，然后根據(jù)預(yù)設(shè)的顯著 性豐度閾值進(jìn)行判斷組成該像元的稀疏表示端元子集；最后采用豐度約束的最小二乘法再次進(jìn)行混合像 元分解，將結(jié)果作為最終的混合像元分解結(jié)果。本發(fā)明可以得到更為稀疏和準(zhǔn)確的像元表示端元
武漢大學(xué)
2021-04-14
一種基于區(qū)域相關(guān)反饋的行人重識(shí)別方法及系統(tǒng)
本發(fā)明提供一種基于區(qū)域相關(guān)反饋的行人重識(shí)別方法及系統(tǒng)，進(jìn)行初次查詢匹配和反饋樣本收集， 選取不相關(guān)圖像作為反饋樣本并標(biāo)記類型;確定近鄰集合、區(qū)域權(quán)重調(diào)整和特征權(quán)重調(diào)整;進(jìn)行特征表 達(dá)和距離度量，得到查詢匹配結(jié)果;查詢匹配結(jié)果，如果符合要求則輸出結(jié)果，如果不符合要求，則返 回進(jìn)行迭代更新反饋樣本，直到符合要求。本發(fā)明提出的基于區(qū)域相關(guān)反饋的技術(shù)，是充分了利用行人 圖像的局部特征信息，從局部特征出發(fā)，結(jié)合其他信息實(shí)時(shí)動(dòng)態(tài)地調(diào)整局部特征權(quán)重，并結(jié)合傳統(tǒng)行人 重識(shí)別方法最終實(shí)現(xiàn)準(zhǔn)確快速地找出并成功匹配目標(biāo)嫌
武漢大學(xué)
2021-04-14
一種利用多系統(tǒng) GNSS 觀測值的高精度基線解算方法
本發(fā)明公開了一種利用多系統(tǒng) GNSS 觀測值的高精度基線解算方法，首先通過對(duì)各 GNSS 系統(tǒng)各頻 率的偽距、載波相位觀測值在基線兩端測站間做差構(gòu)建站間單差觀測值，之后選擇某類觀測值的偽距硬 件延遲作為基準(zhǔn)以解決法方程秩虧問題，并根據(jù)各 GNSS 系統(tǒng)的性質(zhì)對(duì)浮點(diǎn)單差模糊度估值處理去除組 合 UPD 影響，恢復(fù)單差模糊度的整周特性，進(jìn)而實(shí)現(xiàn)基線高精度解算。本發(fā)明突破了現(xiàn)有多系統(tǒng) GNSS 基線解算方法存在的缺陷，具有理論嚴(yán)密、模型簡單、易于實(shí)現(xiàn)
武漢大學(xué)
2021-04-14
一種針對(duì)含有模糊信息歷史洪水的 L-moment 估參方法
本發(fā)明公開了一種針對(duì)含有模糊信息歷史洪水的 L-moment?估參方法，通過對(duì)含有模糊信息的歷史 洪水，在合理范圍內(nèi)對(duì)它可能的量值進(jìn)行離散，然后求得含有模糊信息的歷史洪水在不同離散值下，頻 率估計(jì)結(jié)果的離差平方和，通過隨機(jī)動(dòng)態(tài)規(guī)劃法求解得到使離差平方和最小時(shí)的離散值組合，則在該離 散值組合下計(jì)算得到的頻率分布線型的參數(shù)為最優(yōu)解，該方法既不增加冗余信息，又不提高歷史洪水的 誤差，還能夠得到使估計(jì)結(jié)果最優(yōu)的參數(shù)，拓展了 L-moment?方法的適用
武漢大學(xué)
2021-04-14
一種檢測電流諧波有效值的交流電流互感裝置
本實(shí)用新型涉及電流諧波檢測技術(shù)，具體涉及一種檢測電流諧波有效值的交流電流互感裝置，包括 電流互感放大模塊、AD 采樣模塊、單片機(jī)計(jì)算模塊、藍(lán)牙發(fā)送模塊、藍(lán)牙接收模塊、電腦和電源模塊; 所述電流互感放大模塊、AD 采樣模塊、單片機(jī)計(jì)算模塊依次連接，藍(lán)牙發(fā)送模塊連接到單片機(jī)計(jì)算模 塊，藍(lán)牙接收模塊連接到電腦，電源模塊為電流互感放大模塊、AD 采樣模塊、單片機(jī)計(jì)算模塊、藍(lán)牙 發(fā)送模塊供電;藍(lán)牙發(fā)送模塊與藍(lán)牙接收模塊之間無線連接。該裝置是通過互感器原理和單片機(jī)快速傅 里葉變換&
武漢大學(xué)
2021-04-14
一種結(jié)合時(shí)空信息的遙感逐日積雪產(chǎn)品去云方法
本發(fā)明公開了一種結(jié)合時(shí)空信息的遙感逐日積雪產(chǎn)品去云方法，首先根據(jù) DEM 數(shù)據(jù)和土地利用數(shù) 據(jù)對(duì)遙感逐日積雪產(chǎn)品進(jìn)行積雪單元?jiǎng)澐?再利用 DEM 數(shù)據(jù)和多時(shí)相數(shù)據(jù)分別得到每個(gè)云像元在空間 和時(shí)間上的積雪概率;最后利用加權(quán)平均的方法獲得云像元的積雪概率，評(píng)判云像元是積雪還是無雪。 本發(fā)明充分結(jié)合了積雪在空間上和時(shí)間上的相關(guān)性，以及地形因子對(duì)積雪的影響，有效地減少云對(duì)積雪 產(chǎn)品的影響，提高了積雪產(chǎn)品的精度，并且算法簡單，計(jì)算效率高，易于實(shí)現(xiàn)。
武漢大學(xué)
2021-04-14