多聚焦图像融合是计算机视觉领域中的一个重要分支，旨在使用图像处理技术将同一场景下的聚焦不同目标的多张图像中各自的清晰区域进行融合，最终获得全清晰图像。随着以深度学习为代表的机器学习理论的突破，卷积神经网络被广泛应用于多聚焦图像融合领域，但大多数方法仅关注网络结构的改进，而使用简单的两两串行融合方式，降低了多图融合的效率，并且在融合过程中存在的失焦扩散效应也严重影响了融合结果的质量。针对上述问题，在显微成像分析的应用场景下，提出了一种最大特征图空间频率融合策略，通过在基于无监督学习的卷积神经网络中增加后处理模块，规避了两两串行融合中冗余的特征提取过程，实验证明该策略显著提高了多张图像的多聚焦图像融合效率。并且提出了一种矫正策略，在保证融合效率的情况下可有效缓解失焦扩散效应对融合图像质量的影响

数列极限是考察数列在n→∞这一过程中的变化 总趋势(即有无极限).而对于函数y=f(x),当考察它的 变化总趋势时,因自变量的连续变化过程有许多情况, 如x→∞,x→-00,x→0,x→x,x→xi等

一、是脊椎动物进化历程中的一个重要类群,处于从水生向陆生过渡的中间地位。 二、是硬骨鱼类中的古总鳍鱼类在泥盆纪期演化而来

为探究干湿循环对水泥基复合充填材料长期稳定性的影响，以水灰比4∶1水泥基复合材料为研究对象，借助ETM力学试验系统、X射线衍射及扫描电镜扫描装置，对不同干湿循环次数下“饱水”状态和“失水”状态的试件进行单轴抗压强度试验，并通过物相分析及微观结构探讨干湿循环对其影响机理。结果表明，随着干湿循环次数的增加，“饱水”状态下失水率逐渐增大，含水率和容重呈下降趋势，峰值强度先增加后减小，增幅最高达9%；“失水”状态下失水率、含水率和容重均变化不大，峰值强度较初始状态有所降低，最高达13.5%；两种状态弹性模量和残余强度都呈下降趋势。通过机理分析发现，“干”过程中碳化反应是材料强度降低的主要原因，而“湿”过程中吸水将部分碳酸钙等物质转化为具有承载能力的钙矾石（AFT）和碳硫硅钙石（TSA）是材料强度恢复的主要原因，但恢复能力有限，长期的干湿循环会对水泥基复合充填材料稳定性产生不利影响

以往对全尾砂膏体屈服应力的研究局限于理想屈服应力流体框架内，认为一定材料配比条件下，膏体的屈服应力是确定的，即认为屈服应力是膏体料浆固有的一个物理属性值。通过开展不同质量分数全尾砂膏体屈服应力测量实验，分析了测量速率与测量时间对不同浓度膏体屈服应力的影响，发现屈服应力值的大小与测量过程相关。对比分析峰值屈服应力、动态屈服应力、静态屈服应力，发现全尾砂膏体屈服应力随测量时间–测量速率在一定条件下的变化规律，即峰值屈服应力、静态屈服应力正比于膏体的测量速率，动态屈服应力反比于测量时间，以变异系数Cv评价料浆屈服应力的离散程度，其中74%质量分数膏体动态屈服应力变异系数最大，Cvmax=27.07%，而66%质量分数膏体静态屈服应力变异系数最小，Cvmin=2.33%。进而从细观层面分析了膏体屈服过程中颗粒间作用力、颗粒网络结构随测量时间–测量速率的变化规律，解释了全尾砂膏体屈服应力易变性机理

1合成有机物质的主要途径70×1011吨CO2被吸收,合成5×1011吨的有机物 2巨大能量转换过程 光能→化学能,唯一的将光能→化学能的过程

修一块[昆腾]的过程 昆腾FB老硬盘在MHDD下检测是这样的: 此主题相关图片如下: ERR INDX CORR DREQ DRSC HRFT DRDY BUSY

为了获得钢渣制备陶瓷过程中,烧结温度和保温时间的影响规律及实现样品的致密化,在传统研究关于配方试制及性能检测的基础上,以钢渣、黏土等为主要原料制备出钢渣陶瓷,针对低镁样品和高镁样品,研究了烧结温度和保温时间对样品烧结性能的影响及致密化规律.基于烧结速率方程建立了烧结温度和保温时间对样品线性收缩率的函数关系.通过动力学分析,得出不同条件下的烧结激活能,分析认为不同Mg含量下陶瓷样品的致密化方式为扩散控制,低镁样品烧结温度为1000℃时,物质迁移由表面扩散控制,1100℃时,以体积扩散为主;高镁样品在1110℃以上烧结时,主要由液相烧结过程的扩散控制

针对分类数据, 通过数据对象在属性值上的集中程度定义了新的基于属性值集中度的类内相似度(similarity based on concentration of attribute values, CONC), 用于衡量聚类结果中类内各数据对象之间的相似度; 通过不同类的特征属性值的差异程度定义了基于强度向量差异的类间差异度(dissimilarity based on discrepancy of SVs, DCRP), 用于衡量两个类之间的差异度.基于CONC和DCRP提出了新的分类数据聚类有效性内部评价指标(clustering validation based on concentration of attribute values, CVC), 它具有以下3个特点: (1)在评价每个类内相似度时, 不仅依靠类内各数据对象的特征, 还考虑了整个数据集的信息; (2)采用几个特征属性值的差异评价两个类的差异度, 确保评价过程不丢失有效的聚类信息, 同时可以消除噪音的影响; (3)在评价类内相似度及类间差异度时, 消除了数据对象个数对评价过程的影响.采用加州大学欧文分校提出的用于机器学习的数据库(UCI)进行实验, 将CVC与类别效用(category utility, CU)指标、基于主观因素的分类数据指标(categorical data clustering with subjective factors, CDCS)指标和基于信息熵的内部评价指标(information entropy, IE)等内部评价指标进行对比, 通过外部评价指标标准交互信息(normalized mutual information, NMI)验证内部评价效果.实验表明相对其他内部评价指标, CVC指标可以更有效地评价聚类结果.此外, CVC指标相对于NMI指标, 不需要数据集以外的信息, 更具实用性

通过Thermo-Calc热力学计算、OM和FE-SEM观察、力学性能和腐蚀性能试验对不同固溶温度下的特超级双相不锈钢进行分析和研究。结果表明：σ相和非平衡氮化物是固溶水冷组织中的主要析出相，当固溶温度低于1050 ℃时，σ相优先沿双相界面析出，显著降低双相不锈钢的冲击韧性；当固溶温度高于1100 ℃，非平衡氮化物开始在铁素体晶粒内部析出，且随着固溶温度的升高，非平衡氮化物析出数量增加。这是由于固溶水冷过程中氮在铁素体中的溶解度快速降低，过饱和的氮来不及扩散到相邻奥氏体中，只能以氮化物的形式析出。随固溶温度升高，铁素体含量增加，奥氏体含量降低，实验钢的强度增加，冲击韧性降低。在1080～1120 ℃之间固溶时，双相比例接近1∶1，S32707特超级双相不锈钢具有优良的综合力学性能和耐晶间腐蚀性能