镧(La)改性吸附材料脱除水体磷酸盐研究进展

磷素是水体富营养化的主要限制性因子，合适的除磷方法对控制水体富营养化具有重要意义。吸附法是一种经济、高效、操作简单的除磷方法，但如何选择合适的吸附材料是其应用的关键。La应用于常规吸附材料改性可提高其吸附磷酸盐的性能，同时可提高La利用效率。为进一步促进La改性吸附材料脱除水体磷酸盐的发展，本文归纳了国内外关于La改性吸附材料应用于水体磷酸盐脱除的相关研究，介绍了La改性吸附材料脱除磷酸盐的能力，分析了La改性吸附材料脱除磷酸盐的机理、主要影响因素以及解吸磷酸盐的特性。同时在此基础上提出未来应制备出对实际水体磷酸盐脱除高效和选择性强的La改性吸附材料，深入研究吸附材料制备机理以及脱除磷酸盐机理，探明吸附材料解吸磷酸盐的简单方法，并作出吸附材料解吸循环使用的经济效益评价。     

基于时频域的卷积神经网络运动想象脑电信号识别方法

针对目前运动想象脑电（EEG）信号识别率较低的问题，考虑到脑电信号蕴含着丰富的时频信息，提出一种基于时频域的卷积神经网络（CNN）运动想象脑电信号识别方法。首先，利用短时傅里叶变换（STFT）对脑电信号的相关频带进行预处理，并将多个电极的时频图组合构造出一种二维时频图；然后，针对二维时频图的时频特性，通过一维卷积的方法设计了一种新颖的CNN结构；最后，通过支持向量机（SVM）对CNN提取的特征进行分类。基于BCI数据集的实验结果表明，所提方法的平均识别率为86.5%，优于其他传统运动想象脑电信号识别方法；同时将该方法应用在智能轮椅上，验证了其有效性。     

基于深度预分割结合Camshift跟踪算法的动态手势识别方法

针对现有改进的Camshift手势跟踪算法没有考虑光照变化影响下的鲁棒性,进而降低了动态手势的识别率,提出一种基于深度预分割结合Camshift跟踪算法的动态手势识别法.通过在Camshift手势跟踪的基础上引入深度信息,对手势搜索区域进行深度预分割,改进手势目标匹配概率,去除非手势肤色区域及光照变化的影响,最后用隐马尔可夫模型(HMM)进行识别.实验结果表明,提出的方法在光照变化及肤色干扰的环境下有很好的鲁棒性,数字0～9的平均识别率可达97.7％.     

高职师资建设所面临的问题思考

通过对常州工程职业技术学院师资队伍现状的分析与研究,对其中存在的问题进行了探讨,结合常州工程职业技术学院所提出的"三双型"师资模式,提出如何来建设一支符合高职教育特色要求的教师队伍的解决方案.     

基于改进的形态学灰度图像边缘检测算法

针对传统形态学在边缘检测算法上存在的检测边缘错位、较粗等缺点,在传统形态学的基础上,提出了一种具有方向估计性的梯度算子。该算法通过改进的梯度算子及多结构元素模式来获取梯度方向,并沿边缘梯度方向进行非极大值抑制,以此细化边缘宽度,最终获取图像边缘。实验结果表明,相对传统形态学边缘检测算法,该算法具有更精细的检测结果与较强的抗噪能力。     

基于融合DCT和LBP特征提取的面部表情识别

针对离散余弦变换(DCT)只能提取面部表情图像的全局特征,而忽略了临近像素之间的关系、不能提取纹理特征信息、不能准确区分相似表情等问题,提出一种融合离散余弦变换方法和局部二值模式(LBP)特征的表情特征提取方法。该方法首先将人脸图像经过DCT获得的低频系数作为表情的全局特征;然后用LBP对贡献率较大的嘴部、眼睛区域进行局部纹理特征提取,通过将LBP提取到的局部纹理特征与DCT提取到的全局特征进行融合,从而得到更有效的表情特征;最后利用支持向量机(SVM)进行识别。实验结果表明:该方法比单独使用DCT方法提取的表情特征更有利于识别,提高了表情识别的准确性,并将这个表情识别方法用于智能轮椅的控制上,收到了良好的效果。     

基于蜂窝与同步卫星TDOA定位的比较研究

基于蜂窝的定位与基于卫星的定位都是当今无线定位的研究热点.采用基站TDOA定位和采用同步卫星TDOA定位技术进行比较,给出了各自的TDOA定位的算法,并分别对TDOA定位性能进行了仿真和分析,表明两种定位方法基本原理相同,各有优缺点,在应用中通常将两者相结合以适应不同环境的定位需要.     

智能轮椅上的机械手运动学分析及轨迹规划*

装备了机械手臂的智能轮椅在助老、助残、辅助康复等方面都有重要的研究价值。对装备于智能轮椅的四自由度机械手臂运动学分析以及轨迹规划进行了研究,为机械手臂自主抓取建立了数学模型和理论依据,运用D-H法建立了机器人的运动学方程。提出了基于目标函数的最小功率法,在逆解存在多组解的情况下,选取节约能量的一组解,从而节约了能量。通过仿真实验验证了算法的有效性,为以后的轨迹优化、无碰撞轨迹规划建立基础。     

基于Kinect深度图像信息的手势轨迹识别及应用

为实现基于Kinect深度图像信息的手势轨迹识别,提出了一种基于隐马尔可夫模型(HMM)的手势轨迹识别的方法。首先采用新型Kinect传感器获取图像深度信息;然后通过OpenNI的手部分析模块获得手心的位置,提取轨迹特征;最后利用隐马尔可夫模型训练有效的轨迹样本并实现轨迹的识别。实验结果证明,该方法能有效地识别手势轨迹,并可用于控制智能轮椅的运动。     

基于PCA与SVM结合的面部表情识别的智能轮椅控制

为了实现基于面部表情识别的智能轮椅控制,在传统的支持向量机(SVM)面部表情识别与分类方法的基础上,采用基于"八眼"的面部有效区域提取方法,将基于主成分分析(PCA)的面部表情特征提取方法与支持向量机分类方法相结合,实现了面部表情的识别与分类,并最终实现基于面部表情识别的智能轮椅的运动控制。实验结果表明,所采用的方法在识别率上明显优于传统SVM与PCA方法。