|
搜索
搜 索
高等教育領(lǐng)域數(shù)字化綜合服務(wù)平臺(tái)
農(nóng)業(yè)大學(xué).jpg){kind=logo}
污泥堆肥快速發(fā)酵及規(guī)?；镉袡C(jī)肥產(chǎn)業(yè)化
一、成果簡(jiǎn)介 本項(xiàng)目針對(duì)當(dāng)前我國(guó)城鄉(xiāng)大量存在的市鎮(zhèn)污泥，采用環(huán)境生物技術(shù)，開展好氧堆肥發(fā)酵快速處理，實(shí)現(xiàn)廢物的循環(huán)利用，對(duì)于保障生態(tài)環(huán)境，推動(dòng)有機(jī)固體污泥的資源化利用以及生物有機(jī)肥企業(yè)的發(fā)展，有著重要的意義。項(xiàng)目解決了傳統(tǒng)污泥堆肥中堆肥時(shí)間長(zhǎng)、養(yǎng)分損失大、臭味控制難以及規(guī)模化工業(yè)化生產(chǎn)水平落后等問題，堆肥周期從已往的35-45天縮短到10-15天，堆肥養(yǎng)分損失減少了30%以上，堆肥臭味得到明顯控制，有關(guān)成果已授權(quán)專利4項(xiàng)，達(dá)到國(guó)際先進(jìn)水平。
中國(guó)農(nóng)業(yè)大學(xué)
2021-04-14
.jpg){kind=logo}
一種基于時(shí)分復(fù)用的虛擬多信道分配方法
本發(fā)明涉及無線Mesh網(wǎng)絡(luò)中基于時(shí)分復(fù)用的虛擬信道分配方法，屬于無線通信技術(shù)領(lǐng)域。本發(fā)明通過將MAS時(shí)隙再分割成子時(shí)隙并進(jìn)行編號(hào)，并將每個(gè)MAS中編號(hào)相同的子時(shí)隙視為一組，稱為虛擬信道。通過構(gòu)建二跳節(jié)點(diǎn)干擾模型，引入圖著色的方法，即被染上相同顏色的鏈路可以同時(shí)使用同一虛擬信道。通過圖著色對(duì)網(wǎng)絡(luò)中的鏈路進(jìn)行虛擬信道分配，由于兩跳或兩跳以外的節(jié)點(diǎn)互不干擾，因此可以鏈路兩跳以外的鏈路可以同時(shí)使用相同虛擬信道。與目前Mesh網(wǎng)絡(luò)中現(xiàn)有資源分配問題相比，本發(fā)明充分考慮了時(shí)隙的利用率，提出了一種提高網(wǎng)絡(luò)吞吐量的時(shí)分復(fù)用虛擬多信道分配方法。
東南大學(xué)
2021-04-11
.jpg){kind=logo}
基于多信息融合的軌跡數(shù)據(jù)路網(wǎng)精確匹配方法
高?？萍汲晒M在科轉(zhuǎn)云
電子科技大學(xué)
2021-04-10
.jpg){kind=logo}
一種快速互相關(guān)灰度圖像匹配方法與裝置
本發(fā)明公開了一種快速互相關(guān)灰度圖像匹配方法與裝置，用于 在灰度目標(biāo)圖像中查找目標(biāo)圖案的位置與方向，所述方法包括：對(duì)模 板圖像進(jìn)行極坐標(biāo)轉(zhuǎn)換；獲取灰度目標(biāo)圖像中目標(biāo)圖案的外接盒，將 其定義為目標(biāo)圖案搜索區(qū)；在目標(biāo)圖案搜索區(qū)中選取與模板圖像同樣 大小的匹配區(qū)域，對(duì)所述匹配區(qū)域進(jìn)行極坐標(biāo)轉(zhuǎn)換，計(jì)算所述匹配區(qū) 域一維數(shù)據(jù)與所述模板圖像一維數(shù)組的相關(guān)性；直至對(duì)所有的匹配區(qū) 域均完成相關(guān)性計(jì)算，選取相關(guān)性最大的匹配區(qū)域作為目標(biāo)圖案，獲 取所述目標(biāo)圖案的位置與方向。通過本發(fā)明方法，從而縮小匹配的搜 索范圍，提高匹配速度，并且通過極坐標(biāo)形式的歸一化互相關(guān)計(jì)算， 實(shí)現(xiàn)目標(biāo)圖像±180 度全角度匹配。
華中科技大學(xué)
2021-04-11
一種基于決策判斷 Hausdorff 距離的圖像匹配方法
本發(fā)明公開了一種基于決策判斷 Hausdorff 距離的圖像匹配方法，包括：（a）讀取模板圖像和待匹配圖像，并獲取相應(yīng)的有限像素點(diǎn)集；（b）設(shè)定匹配閾值和搜索閾值，然后將模板圖像在待匹配圖像中執(zhí)行平移搜索，在此過程中：當(dāng)兩者之間對(duì)應(yīng)點(diǎn)的最小距離均小于匹配閾值時(shí)，則取所有最小距離的平均值作為兩者之間的 Hausdorff 距離；反之，則取最小距離中的最大值作為兩者之間的 Hausdorff 距離；（c）對(duì)所有搜索點(diǎn)的 Hausdorff 距離取其最小值并與匹配閾值相比較，由
華中科技大學(xué)
2021-04-14
豆基嬰幼兒配方粉蛋白原料加工技術(shù)
一、成果簡(jiǎn)介 通過本項(xiàng)目的研究，在提高嬰幼兒豆基配方粉的營(yíng)養(yǎng)性和安全性方面取得了4個(gè)方面的成果：（1）確定了 同時(shí)去除大豆蛋白中植酸和異黃酮的工藝，解決了豆基粉大豆蛋白原料植酸含量高抑制礦物質(zhì)吸收、所含異黃酮存在安全隱患等問題。同時(shí)，該工藝還改善了豆基粉的酸凝特性，提高了嬰幼兒食用豆基配方粉后胃部的舒 適性。（2）通過特定方式的加熱來控制大豆蛋白溶液中蛋白粒
中國(guó)農(nóng)業(yè)大學(xué)
2021-04-14
一種快速互相關(guān)灰度圖像匹配方法與裝置
本發(fā)明公開了一種快速互相關(guān)灰度圖像匹配方法與裝置，用于在灰度目標(biāo)圖像中查找目標(biāo)圖案的位置與方向，所述方法包括：對(duì)模板圖像進(jìn)行極坐標(biāo)轉(zhuǎn)換；獲取灰度目標(biāo)圖像中目標(biāo)圖案的外接盒，將其定義為目標(biāo)圖案搜索區(qū)；在目標(biāo)圖案搜索區(qū)中選取與模板圖像同樣大小的匹配區(qū)域，對(duì)所述匹配區(qū)域進(jìn)行極坐標(biāo)轉(zhuǎn)換，計(jì)算所述匹配區(qū)域一維數(shù)據(jù)與所述模板圖像一維數(shù)組的相關(guān)性；直至對(duì)所有的匹配區(qū)域均完成相關(guān)性計(jì)算，選取相關(guān)性最大的匹配區(qū)域作為目標(biāo)圖案，獲取所述目標(biāo)圖案的位置與方向。通過本發(fā)明方法，從而縮小匹配的搜索范圍，提高匹配速度，并且通過
華中科技大學(xué)
2021-04-14
業(yè)大學(xué).jpg){kind=logo}
一種夏玉米專用緩控釋肥組合物以及制備方法與應(yīng)用
一種夏玉米專用緩控釋肥組合物以及制備方法與應(yīng)用，所述專用緩控釋肥組合物由合成物一、合成物二、合成物三按質(zhì)量比1∶5∶4制成；其中，合成物一由以下質(zhì)量百分比的原料制成：鈣鎂磷肥30％、硫酸鉀40％、七水硫酸鋅15％、七水硫酸亞鐵10％、十水硼砂50％制成；合成物二由以下質(zhì)量百分比的原料制成：尿素47.5％、磷酸一銨17.5％、氯化鉀20％、10％硫磺，5％的乙烯-醋酸乙烯共聚物與石蠟的混合物；合成物三由質(zhì)量比為6∶1的尿素與甲醛制成。本發(fā)明還包括專用緩控釋肥組合物的制備方法以及在種植夏玉米中應(yīng)用。本發(fā)明之夏玉米專用緩控釋肥組合物具有緩控時(shí)間長(zhǎng)、高效、環(huán)保、安全、經(jīng)濟(jì)的特點(diǎn)。
青島農(nóng)業(yè)大學(xué)
2021-04-11
.jpg){kind=logo}
基于復(fù)雜煤質(zhì)條件的脫硝催化劑配方及制備技術(shù)
授權(quán)專利《一種添加SiO的脫硝催化劑及其制備方法》通過共沉淀法制備 TiO-SiO復(fù)合載體，一步浸漬法負(fù)載V0和W0,再經(jīng)過焙燒得到的催化劑具有低 溫脫硝率高、能夠明顯增加催化劑整體的機(jī)械強(qiáng)度和抗磨損性等特點(diǎn)，采用硅溶 膠作為SiO硅源不僅成本低廉，在實(shí)際生產(chǎn)過程中可以很好地改善其加工、擠出、 成型等工序的機(jī)械性能。 授權(quán)專利《一種具有抗硫氧化特性的脫硝催化劑及其制備方法》包括浸 漬液的制備、活性組分的負(fù)載和焙燒三個(gè)步驟；該發(fā)明中的脫硝催化劑由于加 入了 BaO改性，使該改性后的脫硝催化劑具有良好的孔隙結(jié)構(gòu)，酸性中心位置沒 有明顯變化,催化劑表面的S0的氧化反應(yīng)得到了抑制，并可保證N0的脫除率在 95%以上，該發(fā)明適用于我國(guó)燃煤含硫量高的特點(diǎn)，有利地提高了催化劑的使用 壽命,降低煙氣脫硝成本。市場(chǎng)及經(jīng)濟(jì)效益分析： 以上兩項(xiàng)發(fā)明的原料價(jià)格低廉且來源豐富，生產(chǎn)制備工序簡(jiǎn)潔，批量生 產(chǎn)可行性高，具有一定的市場(chǎng)價(jià)值。
重慶大學(xué)
2021-04-11
.jpg){kind=logo}
一種基于機(jī)器學(xué)習(xí)的空間數(shù)據(jù)匹配方法
本發(fā)明涉及一種基于機(jī)器學(xué)習(xí)的空間數(shù)據(jù)匹配方法，包括四個(gè)步驟:1)自動(dòng)生成匹配訓(xùn)練樣本，2) 通過機(jī)器學(xué)習(xí)建立分類器模型及其參數(shù)，3)應(yīng)用分類器模型對(duì)輸入空間數(shù)據(jù)進(jìn)行目標(biāo)匹配，4)顧及邏 輯和領(lǐng)域約束對(duì)匹配結(jié)果的過濾和改善。其中機(jī)器學(xué)習(xí)采用以空間目標(biāo)的位置、大小、形狀和方位等多 種指標(biāo)作為特征提取。具有如下優(yōu)點(diǎn):可避免量綱標(biāo)準(zhǔn)化和多指標(biāo)加權(quán)中的主觀任意性，匹配精度較加 權(quán)平均方法更高;匹配模型基于樣本數(shù)據(jù)學(xué)習(xí)建立，數(shù)據(jù)的自適應(yīng)性較高;建立模型的典型樣本數(shù)量少， 可大規(guī)模應(yīng)用;利用空間數(shù)據(jù)的內(nèi)在幾何信息，無需額外屬性信息，使用準(zhǔn)入性低。
武漢大學(xué)
2021-04-13