|
搜索
搜 索
高等教育領(lǐng)域數(shù)字化綜合服務(wù)平臺
物聯(lián)控制主機(jī)
與控智安卓系統(tǒng)系列平板電腦無縫連接；
與 Android2.2 以上系統(tǒng)的平版手機(jī)實(shí)現(xiàn)完美融合；
全面兼容 IPAD、Iphone，多平臺使用；
高性能網(wǎng)絡(luò)數(shù)據(jù)處理主機(jī)，軟硬件加密解碼；
WIFI 通訊傳輸，穩(wěn)定可靠；
支持?jǐn)?shù)據(jù)解析運(yùn)算、數(shù)據(jù)監(jiān)控，可執(zhí)行任務(wù)計劃；
支持 linux 控制系統(tǒng)，主機(jī)內(nèi)置系統(tǒng) Ubuntu15.04；
CPU ARM-A7 四核，主頻 1.3GHz；
2G DDR3 運(yùn)行內(nèi)存；8GB EMMC 閃存；
板載 BIOS，斷電保護(hù)；
10 路 RS232，2 路 RS485 接口，可支持串口轉(zhuǎn)發(fā)；
1 路以太網(wǎng) 10/100Mbps；1 路 USB；
DC12V/4A 適配器供電；RESET 復(fù)位按鍵；
尺寸：1U 標(biāo)準(zhǔn)機(jī)柜尺寸
北京時代新維測控設(shè)備有限公司
2021-08-23
物聯(lián)集控系統(tǒng)
安道云教育科技（山東）有限公司
2021-08-23
.jpg){kind=logo}
一種建筑物多層地下結(jié)構(gòu)支護(hù)施工方法及支護(hù)裝置
本發(fā)明涉及一種建筑物多層地下結(jié)構(gòu)支護(hù)施工方法及支護(hù)裝置，按照如下方法進(jìn)行，挖掘工作井、安裝工作井支護(hù)裝置、挖掘水平挖掘井、安裝水平挖掘井裝置，繼續(xù)向下挖掘工作井、安裝對應(yīng)的工作井支護(hù)裝置、挖掘水平挖掘井、安裝水平挖掘井裝置，依次類推從上到下進(jìn)行工作井和水平挖掘井的挖掘及支護(hù)裝置的安裝，施工方便，能夠從上到下進(jìn)行支護(hù)，在挖掘的過程中進(jìn)行支護(hù)裝置的安裝，進(jìn)一步提高了低下施工的安全性，減少了低下施工的安全隱患和地面下陷的風(fēng)險。
聊城大學(xué)
2025-01-08
業(yè)大學(xué).jpg){kind=logo}
一種能區(qū)分小麥初生根、次生根的分根套管裝置
本實(shí)用新型涉及一種能區(qū)分小麥初生根、次生根的分根套管裝置，包括內(nèi)PVC管和外PVC管，內(nèi)PVC管設(shè)置在外PVC管內(nèi)部縱向中心線位置；內(nèi)PVC管頂部設(shè)有分根錐形帽，分根錐形帽頂部中間位置設(shè)有填土注水孔，分根錐形帽上部錐形側(cè)面上分布有多個種植孔；內(nèi)PVC管管壁側(cè)面分布有多個水分平衡孔。該實(shí)用新型的優(yōu)勢在于內(nèi)管頂部錐形帽的設(shè)計，既可以實(shí)現(xiàn)更好的初生根、次生根分離，又可以填土，注水；內(nèi)管壁有水分平衡孔，可以保證初生根、次生根的生長環(huán)境一致，具有分離徹底，操作方便，干擾少，苗存活率較高等優(yōu)點(diǎn)。
青島農(nóng)業(yè)大學(xué)
2021-04-11
藥大學(xué).jpg){kind=logo}
中藥液體制劑的陶瓷膜分高在線耦合超聲方法
【發(fā) 明 人】潘林梅；郭立瑋；黃敏燕；朱華旭【技術(shù)領(lǐng)域】本發(fā)明涉及一種陶瓷膜分離的技術(shù)，特別涉及一種適用于陶瓷膜微濾中藥液體制劑的膜分離方法。【摘要】 本發(fā)明公開了一種中藥液體制劑的陶瓷膜分離在線耦合超聲方法，步驟為：藥液加壓至膜組件中，調(diào)節(jié)陶瓷膜工作壓力與溫度，打開滲透液閥門，測定單位時間內(nèi)滲透液流出量，截留液循環(huán)流回原料罐，陶瓷膜管處于功率為5～20W的超聲中，工作壓差為0.1～0.5MPa，藥液溫度范圍為5～85℃。所述的超聲由探頭式超聲發(fā)生器發(fā)生，超聲探頭進(jìn)入陶瓷膜管的深度占陶瓷膜管總長的10～90％。藥液為中藥酒類液體制劑或以水為溶劑的中藥液體制劑。可以在線控制膜污染、降低清洗頻率、顯著提高膜的分離效率。
南京中醫(yī)藥大學(xué)
2021-04-13
.jpg){kind=logo}
超聲波改變濕藻細(xì)胞分形結(jié)構(gòu)促進(jìn)油脂萃取的方法
本發(fā)明涉及生物質(zhì)能利用技術(shù)，旨在提供一種超聲波改變濕藻細(xì)胞分形結(jié)構(gòu)促進(jìn)油脂萃取的方法。該方法包括：收獲分形維數(shù)為1.21～1.24、細(xì)胞壁厚度為0.07～0.08μm的濕藻，然后進(jìn)行超聲波輻照改性，控制超聲波輻照功率和時間使?jié)裨逯屑?xì)胞的分形維數(shù)上升為1.46～1.51，細(xì)胞壁厚度減小為0.04～0.06μm；向處理后的濕藻中加入萃取劑，進(jìn)行油脂萃取；所述濕藻細(xì)胞是指含水率在10～90％的微藻細(xì)胞的集合體。本發(fā)明利用超聲波改變濕藻細(xì)胞分形結(jié)構(gòu)促進(jìn)油脂萃取，省去了傳統(tǒng)方法中濕藻細(xì)胞的脫水干燥等高能耗步驟，通過提高藻細(xì)胞分形維數(shù)和降低細(xì)胞壁厚度，使萃取劑對細(xì)胞內(nèi)油脂的萃取效率提高到85-90％。
浙江大學(xué)
2021-04-13
.jpg){kind=logo}
基于光譜擬合與差分算法的光纖傳感動態(tài)信號解調(diào)方法
本發(fā)明公開了一種基于光譜擬合與差分算法的光纖傳感動態(tài)信 號解調(diào)方法，包括：掃描得到光譜紋波；對光譜紋波進(jìn)行擬合獲得靜 態(tài)光譜；將光譜紋波與靜態(tài)光譜進(jìn)行差分處理獲得差值信號；對光譜 紋波的極值點(diǎn)進(jìn)行擬合獲得上下邊緣包絡(luò)曲線；對上下邊緣包絡(luò)曲線 進(jìn)行差分處理獲得光譜變化函數(shù)，將差值信號與光譜變化函數(shù)進(jìn)行歸 一化處理，獲得去包絡(luò)后差值信號，根據(jù)掃描速度和初始波長將波長 換算為時間，獲得去包絡(luò)后時域動態(tài)信號。本方法對紋波光譜及其擬 合曲線進(jìn)行差分獲得動態(tài)信號，可以消除諸如溫度、濕度等環(huán)境干擾， 且恢復(fù)的動態(tài)
華中科技大學(xué)
2021-04-14
基于分形彈簧結(jié)構(gòu)的 RFID 電子標(biāo)簽、射頻天線及制備方法
本發(fā)明公開了一種基于平面分形彈簧結(jié)構(gòu)的 RFID 電子標(biāo)簽射頻天線，其為由多個呈分形彈簧結(jié)構(gòu)的線圈段依次首尾相連形成的閉合線圈。本發(fā)明還提供了基于所述射頻天線的 RFID 電子標(biāo)簽，射頻天線附著于基板上，線圈段的彈簧伸縮方向與其處的基板區(qū)域受到的拉伸方向一致。本發(fā)明還提供了制備所述 RFID 電子標(biāo)簽的方法。本發(fā)明 RFID 電子標(biāo)簽在基板橫向和縱向分別布置有與基板拉伸方向一致的多級彈簧分形結(jié)構(gòu)的射頻天線，存在較大的變形冗余，能夠承受軸向和橫向拉伸與壓縮，具有很大的彎曲變形能力，從而使其可以貼在人體
華中科技大學(xué)
2021-04-14
.jpg){kind=logo}
基于差分熵和結(jié)構(gòu)相似性的圖像編碼質(zhì)量預(yù)測方法
本發(fā)明公開了一種基于差分熵和結(jié)構(gòu)相似性的圖像編碼質(zhì)量預(yù)測方法，包括步驟：步驟 1，獲取樣本圖 像序列中各樣本圖像的圖像差分熵及不同壓縮倍數(shù)下的圖像結(jié)構(gòu)相似性；步驟 2，基于步驟 1 獲取的數(shù)據(jù)， 采用線性擬合方式構(gòu)建不同壓縮倍數(shù)下圖像差分熵與圖像結(jié)構(gòu)相似性間的線性關(guān)系，即圖像編碼質(zhì)量預(yù)測模 型；步驟 3，根據(jù)待預(yù)測圖像的圖像差分熵，采用圖像編碼質(zhì)量預(yù)測模型即可獲得待預(yù)測圖像在不同壓縮倍 數(shù)下的圖像結(jié)構(gòu)相似性。本發(fā)明簡單，高效，無需消耗較大的硬件
武漢大學(xué)
2021-04-14
.jpg){kind=logo}
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(shí)高光譜圖像數(shù)據(jù)上的實(shí)驗(yàn)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