PowerBuilder数据窗口字段动态保护设计

本文介绍了使用PowerBuilder开发数据库应用程序时数据窗口字段保护的设计,包括一个窗体及一个数据窗口控件,给出了一个具有使用价值的通用模块的设计实例。     

PowerBuilder数据窗口焦点切换设计

本文介绍了使用PowerBuilder开发数据库应用程序时数据窗口焦点切换的设计,包括一个窗体及两个数据窗口控件,给出了一个具有使用价值的通用模块的实例。     

乳酸菌的乙醇耐受机制及其在食醋生产中的应用

传统固态发酵食醋因其丰富的菌群在风味、品质等方面有着不可比拟的优势,乳酸菌作为固态食醋发酵中重要的功能微生物,广泛应用于食品、生物等领域。然而,食醋在发酵过程中乳酸菌会受到高乙醇环境的胁迫,因此探究乳酸菌如何在高乙醇环境下生存具有积极意义。该研究选择耐乙醇副干酪乳杆菌（PC-5）和不耐乙醇植物乳杆菌（PR-7）作为实验对比菌株,通过检测生物指标发现：在体积分数为8%的乙醇环境下,PC-5的多糖含量占比和细胞膜通透性分别提高至0.56%和75%,且显著高于PR-7。此外,代谢途径中的己糖激酶（Hexokinase,HK）、6-磷酸果糖激酶（6-Phosphofructokinase,PFK）、丙酮酸激酶（PyruvateKinase,PK）的活性均高于PR-7,并分别提高至99.82、2.78、3.43 U/mg。最后,在食醋不同发酵阶段中加入PC-5使其与酵母菌实现共同发酵,结果发现：共发酵食醋体系中多酚的生成和总抗氧化能力比单菌发酵分别提升了32.14%和55.56%。因此乳酸菌对食醋发酵有着良好的促进作用,为乳酸菌参与食醋共发酵提供了良好的理论依据。     

相关测量用光纤传感器的研究

相关测量技术是解决某些工业过程流体流量难以测量的有效途径之一。随着传感器和微机应用技术的发展,在线相关测量已成为现实。光学纸浆相关流量计的研究成功,就是一个例证。纸浆是液固两相流体,是水和造纸纤维的混合物,属于非牛顿流体。纸浆流体动力学研究表明,当管道内纸浆浓度在1％～5％之间,且流速<6m/s时,流态呈柱塞状(plug flow),即管道截面上各点的流速相同,且在管壁附近有一极薄(微米级)的水环。这一特性为采用非接触式的光学传感器检测流体流动的湍扰信号提供了条件。     

8098单片机在纸浆浓度变送器中的应用

纸浆浓度是造纸生产过程的重要工艺参数,进行纸浆浓度自动控制和绝干纤维计量管理的关键在浓度测量.目前,现场使用的各种纸浆浓度测量装置所依据的原理和资料介绍过的各种在线纸浆浓度测量方法,都属于间接测量.在纸浆中、高浓度范围,唯有力学法测量技术优越,应用广泛.接力学     

一种用于相关漏的声波拾取装置

本文主要介绍漏水声拾取装置中增益达８０ｄＢ的低噪声前置放大器设计与调试，并简要介绍压电式传感器的原理及结构。     

面向模型检测的LTL语句自动生成方法

为优化线性时态逻辑语句的生成过程,减少模型检测的时间,提出一种面向模型检测的基于自然语言处理生成线性时态逻辑验证语句的方法。对需求文档提取关键词,将文档中的数据和可以代表模型中状态的名词进行提取,注释UML模型,对UML模型中的状态进行归类,将模型中的状态分为数据属性类和调用操作类,利用配对的线性时态逻辑格式生成线性时态逻辑,用于软件模型一致性验证。实验结果表明,该方法与ST模型相比可以提高模型检测的效率。     

自然场景图像去雨的可学习混合MAP网络

目的 近年来,人工智能成为新兴研究领域,得到越来越多研究机构的关注。图像恢复问题一直是低层次计算机视觉领域的一个研究热点,其中,图像去雨由于其雨线分布的未知性及其求解的病态性,导致难以解决。现有方法存在雨线和背景之间的估计具有依赖性,难以平衡雨线去除效果与估计背景的清晰程度之间的关系;局限性比较大,训练数据很难涵盖各种场景下的雨图,而测试结果受训练数据的影响,导致难于泛化。针对上述不足,借鉴一般图像恢复问题思路,将模型与以数据驱动的网络相结合,凸显网络与模型各自的优势,提出可学习的混合MAP网络有效地解决图像去雨问题。方法 首先基于最大后验估计（MAP）建立含有隐式先验的能量模型,然后通过优化算法将模型分解为背景估计模型和雨线估计模型两部分,以减少背景估计和雨线估计之间的依赖性。对于背景估计模型,通过对模型及优化目标分析采用以数据驱动的去噪残差网络进行建模,保证估计出的背景更清晰;对于雨线估计模型,为避免直接对未知的雨线建模失去准确性,利用高斯混合模型实时刻画输入雨图的雨线先验。结果 在合成数据集Rain12及真实雨图上进行实验,通过综合考虑定量分析和定性分析,并与3种基于模型的方法及两种基于深度网络的方法相比,本文方法在去除雨线的同时能够损失的背景信息最少,合成数据集上的平均结构相似性（SSIM）值达到0.92。结论 本文通过将基于模型的方法与基于深度网络的方法相结合,既去除了雨线又保证了估计背景的清晰程度,同时也验证了将传统模型与深度网络相结合是一种解决图像恢复问题的有效途径。     

判别特征回归的鲁棒目标跟踪

目的 近年来,目标跟踪领域取得了很大进步,但是由于尺度变化,运动,形状畸变或者遮挡等造成的外观变化,仍然是目标跟踪中的一大挑战,因而有效的图像表达方法是提高目标跟踪鲁棒性的一个关键因素。方法 从中层视觉角度出发,首先对训练图像进行超像素分割,将得到特征向量集以及对应的置信值作为输入值,通过特征回归的方法建立目标跟踪中的判别外观模型,将跟踪图像的特征向量输入该模型,得到候选区域的置信值,从而高效地分离前景和背景,确定目标区域。结果 在公开数据集上进行跟踪实验。本文算法能较好地处理目标尺度变化、姿态变化、光照变化、形状畸变、遮挡等外观变化;和主流跟踪算法进行对比,本文算法在跟踪误差方面表现出色,在carScale、subway、tiger1视频中能取得最好结果,平均误差为12像素,3像素和21像素;和同类型的方法相比,本文算法在算法效率上表现出色,所有视频的跟踪效率均高于同类型算法,在carScale视频中的效率,是同类算法效率的32倍。结论 实验结果表明,本文目标跟踪算法具有高效性和鲁棒性,适用于目标发生外观变化时的目标跟踪问题。目前跟踪中只用了单一特征,未来考虑融合多特征来提升算法鲁棒性和准确度。