虚实结合的可穿戴产品适合性检验研究

目的 为了更科学地研究和检验可穿戴产品的适合性,提出一种适合性检验方法,能够精确保留现实环境中的产品佩戴关系,并能将现实与虚拟的适合性检验研究相结合,得到合理的适合性检验结果.方法 以虚拟现实眼镜的适合性检验为例,通过高精度的三维测量技术将现实环境中的人、产品以及人—产品佩戴关系转化为三维虚拟信息,并以人—产品佩戴三维模型为参考基准对齐人和产品的虚拟模型,得到保留现实佩戴关系的人—产品佩戴模型组,再应用偏差分析法得出人—机佩戴区域的可视化适合性结果和统计数据,结合主观评价方法进一步分析产品的适合性.结论 虚实结合的产品适合性检验方法可在虚拟环境中高精度地保留现实环境中的人—产品佩戴关系,并能得到可视化的适合性检验结果,为检验和指导产品的适合性提供依据.     

新时期大学英语文化与读写教学研究——评《新时代大学英语教育教学理论与实践研究》

文化是语言表达的核心内涵,读写是语言交流的重要途径,两者在英语语言学习中占据着至关重要的地位。大学作为优秀专业人才培养基地,英语教学发展一直是学术界重点关注和思考的研究课题,面对新时期的教育发展,如何提高英语文化与读写教学成为了大学英语教学研究所面临的重难点问题。在2019年四川工业科技学院教育教学改革项目(cgkjg-19028)资助下,参阅《新时代大学英语教育教学理论与实践研究》一书,深入探讨新时期大学英语文化与读写教学研究。     

兰州化物所与美国加州大学洛杉矶分校合作制备出强收缩高能量密度水凝胶材料

环境响应型水凝胶,也称为“刺激响应”或者“智能”水凝胶,因为其高的含水量、弹性、渗透性、外界刺激响应性和大的变形等优点,被广泛应用于生物医学、软体机器人等领域。目前,大多数智能水凝胶的响应变形均凭借凝胶体内和体外渗透压的变化。然而,在这种渗透驱动机制下,凝胶材料的驱动力和响应速度间相互矛盾。要打破这个矛盾,需要从分子尺度设计并且提出一种异于传统“渗透型”水凝胶的非常规驱动机制。     

暗示教学在外语教学中的应用研究综述

暗示教学法是乔治·洛扎诺夫20世纪60年代提出的教学法,起源于外语教学,后推广到其他领域,注重开发大脑潜能,发挥学生的无意识作用,以极大的教学效果著称,得到很多国家的认可和推广.中国于20世纪80年代引进,取得一定进展,但近几年在中国面临一些问题,甚至有"过气"倾向.梳理暗示教学研究的历程,分析影响教学的科学原理,提出暗示教学与新时期以学生为中心的理念和课程思政的要求不谋而合,仍有很大潜力可以发挥.总结实践过程中的问题,探讨其在我国新时期外语教学改革中的发展思路,提出走有中国特色的改革之路.     

光/热双重固化羟丙分散体的制备及性能研究

利用 4-羟基二苯甲酮（ 4-HBP）和丙烯酰氯合成了 4-丙烯酰氧基二苯甲酮（ 4-ABP），将其与丙烯酸类单体共聚制备了光交联型羟丙分散体（ PCHAD）进一步与氨基树脂复配，得到了一系列光 /热双重固化羟基丙烯酸酯分散体 PCHAD-AR。利用差式，扫描量热仪、紫外分光光度计对 PCHAD-AR的光 /热双重固化行为进行了研究，探讨了光 /热双固化顺序和氨基树脂含量对涂膜性能的影响。结果表明：加入氨基树脂后不影响双固化体系的光交联行为；最佳固化工艺为先光后热固化，当光固化 60 s、170 ℃热固化 20 min，氨基树脂用量为分散体的 10%时，涂膜的 Tg为 57. 1 ℃，凝胶含量达到 98%以上，涂膜硬度为 3H，柔韧性为 0. 5 mm，附着力 0级，耐酸、耐醇、耐水稳定性均达到 10 d以上，相比于单一的光、热固化体系，双固化体系涂膜耐碱性提升，涂膜外观无明显变化的时间由 1d延长至 3d。     

可钢化双银低辐射镀膜玻璃生产改进

通过对低辐射镀膜玻璃现有技术进行分析,运用磁溅射镀膜技术解决现有膜系的小角度反射发红问题,降低钢化后的颜色变化.     

建筑用夹层玻璃常见质量问题及原因分析

阐述了建筑用夹层玻璃产品检测中一些常见的质量问题,对其产生的原因进行分析,并对建筑用夹层玻璃的生产和质量管理提出建议.     

非光滑凸问题投影型对偶平均优化方法的个体收敛性

对于一般凸问题,对偶平均方法的收敛性分析需要在对偶空间进行转换,难以得到个体收敛性结果.对此,文中首先给出对偶平均方法的简单收敛性分析,证明对偶平均方法具有与梯度下降法相同的最优个体收敛速率Ο(lnt/t).不同于梯度下降法,讨论2种典型的步长策略,验证对偶平均方法在个体收敛分析中具有步长策略灵活的特性.进一步,将个体收敛结果推广至随机形式,确保对偶平均方法可有效处理大规模机器学习问题.最后,在L1范数约束的hinge损失问题上验证理论分析的正确性.     

基于可穿戴传感器数据的人体行为识别数据特征提取方法

随着可穿戴设备的发展与普及,基于可穿戴传感数据进行人体行为检测展现了巨大的研究价值.目前大多人类行为识别工作都是基于视频图像展开的,然而,使用计算机视觉技术进行人类行为识别存在2个挑战:一是很难使参与数据采集的人员在自然状态下采集真实状态下的运动数据,在开展数据采集之前往往需要对参与数据采集的人员进行培训并严格规范其采集动作,最终得到的数据将是背离真实生活的数据,其研究价值将大打折扣;二是数据采集过程中还涉及采集人员的隐私保护问题.为此,提出一种基于深度学习的数据特征提取方法.首先在灵活设置卷积核的基础上引入神经网络的分支结构多尺度提取原始数据的深度特征;然后将各分支得到的数据特征进行融合并作为下一个卷积层的输入.实验结果表明,与目前主流方法相比,该方法在MHEALTH,WHARF和USCHAD这3个标准数据集上的准确率和召回率都取得了更好的效果.此外,该方法还在2个较新数据集Stanford-ECM Dataset和DATAEGO上做了验证,结果表明该方法具有较好的泛化能力.