用人工神经网络法预估芳香族多硝基化合物生成焓

采用误差反向传播学习(BP)的一个双层神经网络，以分子结构中不同基团作为描述码，预估芳香族多硝基化合物的生成焓，研究了网络参数及分子结构描述码的影响，同时用分子子图法进行了多元线性回归，取得了较好的结果(其回归方程相关系数达到0．9967)，计算结果的绝大多数相对误差在10％范围以内。     

一种自然图像中的建筑物目标验证方法

提出了一种对自然图像中候选的建筑物目标进行验证的方法。与传统的提取单一图像特征，利用少量先验知识进行验证的方法相比，该方法提取图像的边缘特征和短线段特征，通过建筑物图像中特征和特征分组的观察，将目标验证转化为给定候选目标的条件概率问题。利用贝叶斯理论，将建筑物目标的先验知识表现为一系列先验概率并计算后验概率的值，从而给出了一种新的目标验证方法。利用拍摄的自然图片进行实验表明：与传统的方法相比，该方法的识别性能有了一定程度的提高。     

基于支持向量机的显著性建筑物检测

提出了一种针对自然图像中显著性建筑物的检测方法.首先,采用自底向上的注意力机制,对图像进行Haar小波分解,对得到的HL,LH分量进行平方求和,得到增强图像,然后对该增强图像在垂直方向上进行侧投影,基于得到的投影曲线进行多层阈值分割,找到显著性建筑物候选区域.进而,利用Sobel算子进行水平边缘与垂直边缘的检测,并统计较长的水平边缘与垂直边缘的数目,组成特征矢量.最后利用线性支持向量机对特征进行分类.实验证明了所提算法的有效性.     

一种新颖的海上运动目标实时检测方法

提出了一种基于可见光成像序列的海上运动目标的快速检测方法。该方法先在静态图像中分割出感兴趣区域,继而仅在感兴趣区域中应用变形的时间差分法来检测运动目标。在感兴趣区域分割阶段,引入视觉注意力机制,通过构造金字塔结构以及迭代的小尺寸倒三角低通模板运算成功地滤除了海面波浪噪声。在此基础上,检测并分析外边缘,在单帧图像中快速实现了感兴趣区域的分割。大量实验表明,该方法具有实时性好、鲁棒性强等特点。     

陶瓷滤料反粒度过滤生产性试验研究

通过自来水厂的生产性试验,在常规处理工艺的基础上对比研究了陶瓷滤料和石英砂滤料的过滤效果。结果表明,相同过滤条件下,陶瓷滤料反粒度过滤周期比均质石英砂滤料过滤周期长66.7%～87.5%,最低出水浊度比石英砂过滤出水最低浊度低约0.2NTU;试验周期内,陶瓷滤料的总截污量比常规石英砂大几倍;陶瓷滤料和石英砂滤料的FPI和MSC的比值分别为1.47和1.41。     

应用斜投射法研究画法几何中图解问题

介绍了投影变换中的斜投射法及其在解决工程图学一些问题中的应用。用这种方法要解决工程图学中用正投影方法不便解决的图示、图解问题,而且具有应用范围广、作图简便的优点。     

碳纳米管和碳微米管的结构、性质及其应用

评述碳纳米管和碳微米管的结构、性质及其应用,指出碳纳米管可看作是石墨烯片按照一定的角度卷曲而成的纳米级无缝管状物,根据层数不同可分为多壁碳纳米管和单壁碳纳米管.由于碳纳米管管壁中的碳原子采用的是sp2杂化,因此碳纳米管沿轴向具有高模量和高强度,可用于增强复合材料的力学性能;而碳纳米管圆筒状弯曲会导致量子限域和σ-π再杂化,这种再杂化结构特点以及π电子离域结构赋予了碳纳米管特异的光、电、磁、热、化学和力学性质;碳纳米管的管腔内部是纳米级中空结构,可作为纳米级分子反应器和存储容器.但碳纳米管的管径尺寸太小、表面缺陷多、团聚严重等问题一直影响着碳纳米管在实际中的应用.而碳微米管的出现弥补了其不足,碳微米管具有与碳纳米管相似的管状结构,在保持纳米级管壁厚度的同时,能拥有微米级的管径,巨大的管壁外表面,相当于一张微米级的石墨烯网状膜,因此碳微米管能同时拥有碳纳米管和石墨烯的独特物理和化学性能.通过对碳微米管各项性能的研究表明,碳微米管的管壁具有规整的石墨烯结构,管腔具有微米级中空管结构,有较高的比表面积,电学和化学性能良好.利用其优良的电学性能,它们能较好地应用在量子导线和晶体管阵列;同时利用其优良的化学和电化学性能,也能广泛用于锂离子电池、超级电容器和储氢材料.     

基于改进Hough变换的建筑目标搜索与识别

结合建筑物搜索与识别的实例，运用改进的Hough变换算法，对经过预处理的图像进行检测，提出了优化、合并、分组的线条分析策略和针对目标的排伪策略以确定目标可能出现的区域，进而排除虚假目标，最终获得目标准确的定位区域。实验结果表明，改进的Hough算法以及线条分析和排伪策略应用在实际的检测识别系统中时，对不同比例、不同视角、不同拍摄时间和条件、目标被部分遮挡的情况以及出现马赛克现象的各种实验图像都具有较好的识别效果。     

基于排序支持向量机的多特征融合目标跟踪算法

针对计算机视觉领域的目标跟踪问题,提出一种基于排序支持向量机的多特征融合目标跟踪算法。利用排序支持向量机学习得到排序函数,提取2种不同的图像特征分别构造分类器,使2个排序支持向量机并行预测,分别计算2个分类器的错误率,从而得到分类器权重完成融合。实验结果表明,与目前主流的跟踪算法相比,该算法的跟踪结果更准确,在复杂视频环境下也能对目标进行稳定跟踪,具有较强的鲁棒性。