助熔剂对Y_2O_2S∶Ti长余辉磷光体发光性能的影响(英文)

用高温固相还原法合成了无稀土激活离子Y2O2S∶0.09Ti长余辉发光材料,研究了 Li2CO3,Na2CO3,K2CO3,K3PO4和K2HPO4等 5种助熔剂对Y2O2S∶Ti磷光体发光性能的影响。结果表明:除了 K2HPO4外,加入 Li2CO3,Na2CO3, K2CO3与 K3PO4助熔剂均可得到单相Y2O2S∶Ti晶体。发射光谱结果显示:不同助熔剂的加入并没有改变样品发射谱主峰位置(565 nm),但对其峰强度产生明显影响。助熔剂也显著改善了Y2O2S∶Ti的余辉亮度,特别是Li2CO3。10 min衰减时,Y2O2S∶Ti样品的余辉亮度从加 K2CO3助熔剂的0.15 mcd/m2增加到加Li2CO3助熔剂的10.1 mcd/m2。用紫外光激发样品,移去光源后,加Li2CO3助熔剂合成的样品在暗室中的余辉时间可持续达 5 h(0.32 mcd/m2) 。     

无机填料对二甲苯不饱和聚酯树脂固化性能的影响

一、引 言 近年来,树脂砂浆地面,因其具有耐腐蚀性能好,机械强度高,耐磨,抗渗,施工简便等特点而被广泛采用。一般多采用不饱和聚酯树脂为基体,添加无机粉状填料。不饱和聚酯树脂具有可在室温下固化、施工的工艺性能好、价格较低等优点,但收缩率大,工艺上不注意,会引起裂纹、起壳等现象。加入一定量的无机填料,既能降低成本,又能改进不饱和聚酯树脂的工艺性能和机械强度,起到较好的作用。 本文通过实验,就填料对二甲苯不饱和聚     

基于YOLOv4的输电线路外破隐患识别算法

针对人工巡检及传统视频监测方式不能及时识别输电线路外破隐患的问题, 本文提出基于YOLOv4的输电线路外破隐患识别算法. 该算法采用改进K-means算法对图片样本集目标的大小进行聚类分析, 筛选出符合检测目标特征的锚框, 之后利用CSPDarknet-53残差网络提取图片深层次网络特征数据, 并采用SPP算法对特征图进行处理增加感受野, 提取更高层次的语义特征. 最后结合实际的输电线路现场监控图片, 测试结果表明该算法能够及时准确检测到外破隐患.     

基于注意力机制和卡尔曼滤波的多目标跟踪

为了解决目前多目标跟踪算法在行人遮挡后无法再次准确跟踪的问题,提出了一种融入注意力机制和改进卡尔曼滤波的多目标跟踪算法,选用联合检测和重识别框架提取特征,同时完成目标检测和重识别任务.设计了并行支路注意力机制,包括空间注意力和通道注意力两个部分,每个部分都采用并行支路的方式完成池化和卷积操作.在跟踪阶段,本文提出了速度先验卡尔曼滤波,实现对行人运动状态更精确的预测.采用CUHK-SYSU数据集对算法进行训练,并在MOT16数据集上做算法的验证和测试.本算法的多目标跟踪准确度(MOTA)达到了65.1％,多目标跟踪精确度(MOTP)达到了78.8％,识别F1值(IDF1)达到62.3％.实验表明,提出的跟踪算法可以有效地提高跟踪的整体性能,实现对目标的持续跟踪.     

粗精结合的室内机器人视觉定位方法

为实现室内机器人自身精准定位,提出一种由粗匹配到精定位相融合的视觉定位方法.利用搭载在机器人上方的1台相机观测室内天花板、水平方向的4台相机观测周边环境,得到当前环境特征形成指纹信息库.定位时,将测试图像的周边环境信息与信息库中对应的信息粗匹配,得到机器人粗略位置;使用改进的GMS算法对测试图像及粗匹配结果中对应的天花板图像进行拼接,计算距离差与偏转度,得到精确位置.实验结果表明,该方法位移误差可控制在4 cm之内,偏转角误差在2.4°之内;对光照变化、行人闯入等情况鲁棒性明显,定位精度优于O RB视觉定位及指纹定位方法.     

基于滑窗滤波和多项式拟合的时变信道估计方法

基于长期演进（LTE）的车辆到一切（LTE-V2X）标准沿用LTE标准的帧格式,并采用块状导频辅助的单载波频分多址（SC-FDMA）系统完成信道估计。然而,由于V2X信道的时变特性,接收机信道估计面对巨大的技术挑战。因此,设计了一种基于滑窗滤波和多项式拟合的时变信道估计方法。针对导频符号处的噪声问题,在最小二乘（LS）方法基础上,采用了自适应长度的滑动窗口滤波进行降噪处理,从而保证导频符号处的信道估计精度。另外,根据多普勒频移大小,设计了自适应阶次的多项式拟合方法来跟踪数据符号处的信道变化。仿真结果表明,所提方法在LS方法的基础上有良好的去噪效果,在低速移动情况下的估计精度介于LS方法和线性最小均方误差（LMMSE）方法之间,而该方法在高速移动条件下能更好地拟合信道的时变特性,且性能上超过了LMMSE方法结合线性插值的信道估计方法。以上结果说明,所提方法相对于对比方法具有更好的自适应性,适用于不同的信道噪声和终端移动速度下的LTE-V2X通信场景。     

改进CBAM的轻量级注意力模型

近几年注意力模型在计算机视觉领域取得了广泛的应用,通过在卷积神经网络中加入注意力模型,网络的性能可以显著提升。然而大多数现有的方法都专注于开发更复杂的注意力模型,以使卷积神经网络获得更强的特征表达能力,但这也不可避免地增加了模型的复杂性。为了在性能和复杂度间取得平衡,对CBAM模型进行优化提出了轻量级的EAM（Efficient Attention Module）模型。针对CBAM的通道注意力模块,引入一维卷积替代全连接层来聚合各通道间的信息;对于CBAM的空间注意力模块,将大卷积核替换为空洞卷积来增加感受野以聚合更广的空间上下文信息。将该模型融入YOLOv4后在VOC2012数据集上进行测试,mAP提高3.48个百分点。实验结果表明,该注意力模型只引入较小的参数量,网络性能可获得较大提升。     

基于图卷积神经网络的隐式篇章关系识别

隐式篇章关系识别是篇章关系识别的子任务,其挑战性在于难以学习到具有丰富语义信息和交互信息的论元表示。针对这一难点,该文提出一种基于图卷积神经网络(Graph Convolutional Network,GCN)的隐式篇章关系分类方法。该方法采用预训练语言模型BERT(Bidirectional Encoder Representation from Transformers)编码论元以获取论元表示,再分别拼接论元表示和注意力分数矩阵作为特征矩阵和邻接矩阵,构造基于图卷积神经网络的分类模型,从而根据论元自身信息以及交互信息对论元表示进行调整,以得到有助于隐式篇章关系识别的论元表示。该文利用宾州篇章树库(Penn Discourse Treebank,PDTB)语料进行实验,实验结果表明,该方法在四大类关系上分类性能优于基准模型BERT,且其在偶然(Contingency)关系和扩展(Expansion)关系上优于目前先进模型,F₁值分别达到60.70%和74.49%。     

基于改进YOLOv3的人体行为检测

针对人体行为检测中相同行为差异大, 不同行为相似度高, 以及视觉角度、遮挡、不能实时检测等问题, 提出Hierarchical Bilinear-YOLOv3人体行为检测网络. 该网络采用YOLOv3在3个不同尺度上进行预测, 抽取YOLOv3金字塔特征提取网络中特定层作为Hierarchical Bilinear的输入, 捕获特征图的层间局部特征关系, 并在3个不同尺度上进行预测, 最后将YOLOv3和Hierarchical Bilinear两种预测结果融合. 实验结果显示, 改进后的模型相比于原网络仅增加了少量参数, 在保证检测效率的同时提高原算法的检测精度, 并在一定程度上优于当前行为检测算法.     

论计算机导论课程对前沿技术知识的吸纳——以量子信息技术的讲授为例

分析计算机导论课程中吸纳前沿技术知识的必要性和面临的挑战.以量子信息技术的讲授为例,从内容选择、课程结合点、知识衔接、重点难点、教学资源、实践环节、课程思政、授课思路等方面探讨将前沿技术知识纳入计算机导论课程内容中的方法.