多种输出外特性晶体管弧焊电源的研制

晶体管弧焊电源,具有很高的动态频率响应,控制精度高,并易于获得输出多种外特性。如果能使一台弧焊电源输出多种外特性,满足各种不同焊接的需要,这将使焊接电源使用范围更广泛、运用更灵活、达到一机多用。 1.方案本弧焊电源的主回路选用晶体管开关电路,     

结合边缘信息和门卷积的人脸修复算法

针对任意形状遮挡下人脸修复,现有方法容易产生边缘模糊和恢复结果失真等问题。提出了一种结合边缘信息和门卷积的人脸修复算法。首先,通过先验人脸知识产生遮挡区域的边缘图,以约束人脸修复过程。其次,利用门卷积在部分像素缺失下的精确局部特征描述能力,设计面向图像修复的门卷积深度生成对抗网络(GAN)。该模型由边缘连接生成对抗网络和图像修复生成对抗网络两部分组成。边缘连接网络利用二值遮挡图和待修复图像及其边缘图的多源信息进行训练,实现对缺失边缘图像的自动补全和连接。图像修复网络以补全的边缘图为引导信息,联合遮挡图像进行缺失区域修复。实验结果表明:相比其他算法,该算法修复效果更好,其评价指标比当前基于深度学习的图像修复算法更优。     

河流治理的人水和谐评价研究

建立了河流治理人水和谐评价的模型,并以健康指数、发展指数、和谐指数为框架提出指标体系构建准则,论述了人水和谐指标量化方法,提出了一种指标权重的组合赋权法,即AHP-EM法,依据评价模型与指标量化、赋权方法构建了河流治理的人水和谐评价方法。最后通过实例,表明所建立的评价模型及计算方法是可行的。     

图像超分辨率技术的回顾与展望

图像超分辨率(SR)是计算机视觉中提高图像和视频分辨率的一类重要技术。近年来,得益于神经网络的成功,基于深度学习的图像超分辨率技术正在蓬勃发展,这无疑是超分辨率技术研究的主流方向。对超分辨率工作进行综述。首先,总结目前已有的超分辨率技术,根据其输入输出进行分类介绍;其次,将基于深度学习的单图像超分辨率技术分为有监督学习和无监督学习两类进行论述,并对部分具有代表性的最新超分辨率重建技术进行总结分类介绍;然后,讨论了超分辨率技术的相关问题,即性能评价指标、标准数据集,进而对几种典型算法进行实验对比;最后,对图像超分辨率算法未来的研究趋势进行展望。     

超疏水表面抗结冰性能研究进展

阐述了近期国内外对超疏水表面抗结冰的研究进展,以期弄清这种特殊浸润性表面的抗结冰性能。发现必须根据超疏水表面的微结构类型判断其能否抗结冰,而不能只依据接触角进行笼统的判断。有些超疏水表面,其抗结冰能力随着结冰-融冰循环次数的增加而下降。在低温高湿条件下,很多超疏水表面的抗结冰能力会因水蒸气在表面微纳结构的间隙内冷凝而恶化.因此,设计机械强度高的超疏水表面(耐结冰融冰循环)、或能使冷凝水滴在其上自迁移的新型超疏水表面、或者简单地在固体表面沉积一层光滑牢固的疏冰涂层,或许是制备持久抗结冰表面的现实、可靠选择。     

论改性塑料生产过程中存在的质量问题及管控策略

伴随改性塑料应用要求的日益提升,分析其生产实践中存在的质量问题及管控策略拥有十分关键的意义。鉴于此,本文首先简单介绍了优化改性塑料生产过程的重要性,然后分析了改性塑料生产过程中存在的质量问题,最后结合相关实践经验,探究了改性塑料生产过程的质量管控策略,阐述了个人对于改性塑料的几点看法与认识,以供参考。     

蓄电池工业中金属型铸造的发展

本文描述了在铅蓄电池生产中浇铸板栅和零件用的转盘立式和单机及固定和移动式铸造装置的构造。     

多注意力域的稠密连接人脸超分算法

人脸超分辨率重建是一种对低分辨率人脸处理获取对应高分辨率人脸的低成本技术,又称人脸幻生。为了使重建的人脸图像有更清晰的细节纹理,通过对基于深度学习的人脸超分算法的研究,提出了基于注意力机制的稠密连接人脸超分算法。该算法主要由特征提取和图像重建两个部分组成,通过同时关注特征通道域和空间域的信息,创建了多注意力域模块MADM（Multi Attention Domain Module）。其中,通过改变信道和空间上的相互关系和权重,自适应地对特征进行加权重组,并且使用密集的稠密连接和长短连接将不同层的特征融合在一起,实现提升网络性能。实验结果验证了该算法的正确性;并与现有算法比较,表明了该算法的优越性能,重建的人脸图像具有更清晰的纹理细节特征。     

多目标TOPSIS法在水资源配置方案综合评价中的实践

随着水资源供需矛盾日益尖锐,某些地区的水资源已经很难满足用水要求,为使可供的水资源得到高效利用,需合理规划配置水资源。利用多目标决策中TOPSIS方法的原理及计算步骤,对区域水资源配置的不同方案中进行综合评价,得出最优配置方案。通过TOPSIS方法与FS-BP-ANN评价方法的结果对比表明,此法能够客观、准确地选择出最优方案,具有实用性。     

基于深度学习的面部修复技术综述

传统图像修复算法在修复区域涉及复杂非重复结构(如面部)时,不能准确捕捉到高级语义。近三年来基于深度学习的方法被应用于图像修复中,其修复结果的结构相似性较传统方法提高了10%以上。首先阐述了面部修复技术的研究发展历程,主要介绍了基于深度学习的面部修复算法,将其分为无监督和有监督两大类方法,在每一类中重点对近年来涌现的各种面部修复算法进行分析和总结;然后归纳了当前主流的六类图像数据集,以及算法性能评价指标;最后讨论了面部修复技术的未来研究方向。