对一种已有的自适应算法进行了改进,并将该算法思想引入到粒子群算法的改进中,在种群进化到一定代数时按照改进自适应算法改变搜索范围的大小,实现了自动调整搜索范围、提高收敛速度和精度并可有效防止粒子群算法早熟收敛的目的,同时通过实验仿真进行了验证.将该改进粒子群算法应用到热连轧机精轧机组的负荷分配优化计算中,程序运行时间小于5s,满足实时性的要求,为其提供了一种更为有效的优化手段

提出了一种基于小波矩不变量和保局投影(LPP)的特征提取方法,并应用于中厚板表面缺陷自动识别.首先对图像做三级小波变分解,将中厚板表面图像的细节分解到各个尺度的各个分量中并利用小波阈值收缩法降噪;然后对各分量的傅里叶幅值谱提取Hu不变矩作为原始特征向量,并利用LPP将该特征向量的维数从77维降到8维;最后利用AdaBoost分类器对样本进行分类识别.实验结果表明,本文提出的特征提取方法适用于中厚板表面缺陷分类,识别率达到91.60%

Photoshop 作为图形图像处理领域的顶级专业软件，近几年来不断更新，而每一次升级 都可以为用户提供更为广阔的编辑空间和更为友好的环境，为选择它的使用者带来不同的激 动，从而也使 Photoshop 在图形图像处理领域一直保持着领先地位。 最新发布的 Photoshop 7.0 增加了一系列新的功能，更利于用户方便的编辑、管理数字 图片。例如，新增了“修复工具”可自动修复图片的划伤或其它缺陷；而“文件浏览器”以 极小的图像来显示文件夹内所有图片的详细信息，使用户以最快的速度找到所需图片；

一．固定输出电压工作方式 按LINE键到ON的位置，在输出端开路的情况下，转 动VOLTAGE控制旋钮到所需要的输出电压值，CV（固定 电压）的指标灯亮。 再按下CC SET键，转动CURRENT旋钮，设定电流 极限值。如工作中因某种原因达到了极限电流，电流不会 再增长，电源会自动转换到固定电流工作方式，并相应降 低输出电压保护电源

热力学第一定律给出了各种形式的能量 在相互转化过程中必须遵循的规律,但并未 限定过程进行的方向。观察与实验表明,自 然界中一切与热现象有关的宏观过程都是不 可逆的,或者说是有方向性的。例如,热量 可以从高温物体自动地传给低温物体,但是 却不能从低温传到高温。对这类问题的解释 需要一个独立于热力学第一定律的新的自然 规律,即热力学第二定律

本文首先对当前全球两大气溶胶观测网络,世界气象组织(WMO)的全球大气观测计划(GAW)和气溶胶自动观测网(AERONET)的组织、规模、设备、数据和气溶胶网络的规范作了介绍,并对近年来国际上的重大气溶胶科学计划的目标、实验方法、步骤作了介绍,说明观测网络的重要性

14.1基本原理 14.1.1(气泡间隔的)连续流动自动分析仪 以空气为间隔,试剂和样品在被隔开的小室中均匀 混合并达到稳态

一、外形、视觉测定、捕食过程观察实验 二、反射时测定、反射弧分析、搔扒反射 三、心搏曲线的观察 四、心室肌的期前收缩和代偿间歇 五、肠系膜微循环的观察 六、心脏起搏点的分析及自动节律性观察 七、肾小球血流的观察 八、离体心脏灌流 九、内部解剖 十、坐骨神经腓肠肌标本的制备 十一、骨骼肌单收缩和强直收缩 十二、神经干复合动作电位的记录和观察 十三、神经干传导速度及不应期的测定 十四、血红蛋白和红细 胞渗透脆性的测定

高质量睡眠与儿童的身体发育、认知功能、学习和注意力密切相关，由于儿童睡眠障碍的早期症状不明显，需要进行长期监测，因此急需找到一种适用于儿童睡眠监测，且能够提前预防和诊断此类疾病的方法。多导睡眠图(Polysomnography，PSG)是临床指南推荐的睡眠障碍基本检测方法，通过观察PSG各睡眠期间的变化和规律，对睡眠质量评估和睡眠障碍识别具有基础作用。本文对儿童睡眠分期进行了研究，利用多导睡眠图记录的单通道脑电信号，在Alexnet的基础上，用一维卷积代替二维卷积，提出一种1D-CNN结构，由5个卷积层、3个池化层和3个全连接层组成，并在1D-CNN中添加了批量归一化层（Batch normalization layer），保持卷积核的大小保持不变。针对数据集少的情况，采用了重叠的方法对数据集进行了扩充。实验结果表明，该模型儿童睡眠分期的准确率为84.3%。通过北京市儿童医院的PSG数据获得的归一化混淆矩阵，可以看出，Wake、N2、N3和REM期睡眠的分类性能很好。对于N1期睡眠，存在将N1期睡眠被误分类为Wake、N2和REM期睡眠的情况，因此以后的工作应重点提升N1期睡眠的准确性。总体而言，对于基于带有睡眠阶段标记的单通道EEG的自动睡眠分期，本文提出的1D-CNN模型可以实现针对于儿童的自动睡眠分期。在未来的工作中，仍需要研究开发更适合于儿童的睡眠分期策略，在更大数据量的基础上进行实验

针对不同路况和运动模式下的高维、非线性、强耦合和高时变下肢加速度信号的识别问题,提出了一种基于时——频分析的步态模式自动分类方案.利用三轴加速度传感器采集运动时小腿在矢状面、冠状面和横切面的加速度信号,利用五阶Daubechies小波基对其进行特征提取,并采用线性判别式分析进行降维,最后利用决策树和支持向量机对得到的精简步态特征进行模式分类.实验结果显示两种分类器的总体分类准确率均达到90%以上,个别步态分类可达到100%,验证了特征提取和降维方法的合理性和有效性