ITO/NPB/Alq_3/LiF/Al电致发光器件光电特性

针对有机电致发光器件发光效率低、稳定性差的问题,设计制备了ITO/NPB/Alq3/LiF/Al多层有机电致发光器件.测试了器件的电流电压特性、器件的亮度电压特性、器件的电致发光光谱.结果表明,当外加电压为16V时,器件的电流达到最大值21.70mA,器件的亮度达到了11 700cd/m2;当外加电压为14 V时,电致发光光谱波峰位于528 nm处,归一化强度最大值为0.522 1a.u.制备的器件电子注入能力、电流和亮度均得到了增强.     

基于模糊变换的射线图像增强算法

运用模糊理论的思想提出了一种基于模糊变换域的射线图像增强算法,该算法利用模糊隶属度函数对中值滤波的结果进行改善,引入对数图像处理模型对模糊线性增强的结果加以优化,使其在抑制噪声的同时显著提高了图像对比度.     

利用偶联反应光度法检测甲磺隆

在pH值为7．0的磷酸氢二钠-磷酸二氢钠体系中，甲磺隆与亚硝酸钠反应生成重氮盐，重氮盐与α-萘胺进行偶联反应生成红棕色化合物，该产物在500nm处有最大吸光值，据此，建立了利用偶联反应测定甲磺隆残留的新方法。在最佳条件下，甲磺隆质量浓度与吸光值呈良好的线形关系，线性范围为10～150mg／L。平均回收率为98．10％，相对标准偏差为2．12％。     

集群并行显示同步技术研究

集群并行显示系统在超高分辨、大数据信息高速显示等方面优势明显,但是集群节点机接收用户指令和信息显示输出存在不同步的问题。为了解决这一问题,文中研究了集群并行显示技术,分析了信息显示处理不同步的原因,提出了用户指令同步、渲染显示同步等同步机制,解决了用户交互处理同步和显示渲染输出同步等问题。实验结果证明,文中的集群并行显示同步技术是有效的,可以有效地实现用户指令和集群显示输出的同步。     

PDF集群并行解析显示技术研究

针对大型拼接显示系统对PDF文件高分辨显示的需求,文中研究了集群并行高分辨信息显示平台的显示技术,分析了PDF在大屏显示系统中的重要性以及PDF文件格式和层次关系,研究并探讨了poppler库和mupdf库的优缺点,以及对PDF文件格式的解析与显示技术,并基于poppler库和mupdf库分别实现了PDF文件的解析和集群并行显示。通过对比实验,采用mupdf库能够更清晰、高效地实现PDF集群并行显示,验证了文中提出的PDF集群并行解析显示技术可极大地提高大型拼接显示系统对PDF文件的高分辨显示处理能力。     

2500m^3高炉基础自动化系统构成

介绍新钢2×2500m^3高炉基础自动化系统各个子系统的构成,以及环形网络的构成及配置方法。     

自嵌式生态挡墙在河道综合治理中的应用

为解决城市河道护岸治理中施工场地小、施工工期短、河道景观性差等问题,以广州某河道综合整治工程项目为例,提出一种施工用地少、易施工的自嵌式可植生绿化生态挡墙,并对其构造、优点、施工工艺及稳定性进行分析与计算。结果表明自嵌式生态挡墙结构稳定、地基适应性强,在满足河道防洪排涝要求的基础上能够与周边河道景观相协调,在河道综合治理项目中应用效果良好,可为类似河道综合治理提供参考。     

基于改进eRCNN的局部路网交通流预测

针对误差反馈循环卷积神经网络在运用到短时交通流预测时存在仅仅能接收时序误差序列,忽略交通流误差数据中隐含的空间拓扑特征,且在模型初始化时其采用的通用卷积神经网络初始化方法降低了模型训练效率的问题,本文提出一种优化的误差反馈循环卷积神经网络模型,在误差反馈循环卷积神经网络模型基础上根据预测误差数据的时空特性对误差反馈层进行结构强化,能够处理包含简单空间关系的误差序列。同时通过在模型训练的过程中分离模型产生的历史预测误差和训练误差,使得模型构建过程更加高效,加速了模型收敛速度。通过北京市四环道路交通数据的实验表明,优化的误差反馈循环卷积神经网络预测模型在预测精度、构建效率及鲁棒性上均得到有效提高。     

基于节点运动的机会网络路由算法

机会网络利用节点移动带来的接触机会传输数据,数据在节点运动过程中捎带转发,保证了节点独立性,但会给数据传输带来影响.以节点的运动特性为切入点,设计了基于运动的机会网络路由算法.综合考虑数据传输、数据内容以及应用需求等因素,设计了数据转发优先级评价模型,结合节点活动区间划分方案制定数据传输规则;设计了差异化副本传输策略,在数据传输效率和系统开销之间取得折衷;考虑了节点活动范围、中心度及能量水平,构建了运动自由度函数评估节点运动水平.在此基础上设计了效用函数,选择中继节点转发数据.仿真结果表明,该算法能够在满足传输要求的同时限制网络开销,提高分组投递率,降低传输时延.     

空洞残差U型网络用于视网膜血管分割

青光眼是一种不可逆转的致盲性眼科疾病,应当早发现和早治疗。但人工诊断是费时费力的过程,而且受基层医疗资源的限制,人工诊断很容易产生漏诊和误诊的现象。因此,利用深度学习技术辅助诊断眼疾病具有重大意义。如何更为准确且有效地分割视网膜血管成为眼疾病辅助诊断的研究热点问题。于是,基于U型网络（U-Net）提出一种新的网络结构称为空洞残差U型网络（Atrous Residual U-Net,AR-Unet）。在AR-Unet中,为了避免U-Net中的梯度消失以及图像结构信息丢失等问题,将残差网络（ResNet）引入到U-Net中。为了扩大感受野和提高物体间的相关性,再将空洞卷积（Atrous Convolution）整合到U-Net中,从而使得血管分割更加精确。在三个公开的彩色眼底图像数据集DRIVE、STARE和CHASE上进行大量实验,结果表明在不同评价指标下,AR-Unet方法的性能均要优于大多数对比方法。