可变形物体的轮廓的提取

边缘信息一直被认为是计算机视觉的重要特性。因而，边缘的检测与轮廓的提取是图象分析的重要步骤。对于边缘的检测，近年来，人们的研究兴趣更多的转向了局部能量的方法，这是一种基于局部相位的方法，它的特点是通过局部能量的最大值可以同时得到不同类型的边缘。在初步得到物体边缘后，本文应用Ｍ．Ｋａｓｓ１９８７年提出的蛇行模型的方法获取物体轮廓，蛇行模型比较适合于可变形物体的轮廓的提取，如：红血球。     

基于CNN-GRU的光伏电站电压轨迹预测

光伏电站出力随机性易引发并网点电压大幅度波动,通过趋势预测提前调控是提高电压稳定性的有效途径。为了提升电压趋势预测精度,提出一种基于卷积神经网络（convolutional neural networks,CNN）和门控循环单元（gated recurrent unit,GRU）的电压轨迹预测方法。首先,通过采集单元提取电压数据构建时间序列;然后,计算电压时间序列的自相关系数及其与外部变量间的最大信息系数（maximal information coefficient,MIC）,分析电压时间序列与外部变量在时序上的关联性;再通过CNN网络提取输入数据的高层特征;最后输入至GRU网络完成电压轨迹预测。通过某地光伏电站实测数据进行验证,结果表明：本文模型与GRU、长短期记忆网络（long short-term memory,LSTM）、CNN-LSTM、支持向量回归（support vector regression,SVR）等模型相比预测准确度更高。     

新型受阻胺光稳定剂在人造草丝中的应用

介绍了新型受阻胺类光稳定剂(HALS)在人造草丝防老化技术中的发展历程,并对HSG50、HS-G55等一系列自主创新产品的防老化性能进行评估。通过人工加速老化试验得出:与传统受阻胺光稳定剂相比,HS-G50、HS-G55具有更好的热氧稳定性和长效耐候性。同时,HS-G55还具有更好的耐酸性。     

基于CNN-GRU的光伏电站电压轨迹预测

光伏电站出力随机性易引发并网点电压大幅度波动,通过趋势预测提前调控是提高电压稳定性的有效途径。为了提升电压趋势预测精度,提出一种基于卷积神经网络（convolutional neural networks,CNN）和门控循环单元（gated recurrent unit,GRU）的电压轨迹预测方法。首先,通过采集单元提取电压数据构建时间序列;然后,计算电压时间序列的自相关系数及其与外部变量间的最大信息系数（maximal information coefficient,MIC）,分析电压时间序列与外部变量在时序上的关联性;再通过CNN网络提取输入数据的高层特征;最后输入至GRU网络完成电压轨迹预测。通过某地光伏电站实测数据进行验证,结果表明：本文模型与GRU、长短期记忆网络（long short-term memory,LSTM）、CNN-LSTM、支持向量回归（support vector regression,SVR）等模型相比预测准确度更高。