土特产品包装地域性表达的审美价值研究——以四川为例

土特产品包装设计的地域性表达通过对地域文化中典型文化元素的强调,赋予了土特产品包装独特的艺术魅力与审美价值,能够推动地域文化的传承与发展、满足现代人的回归意识和寻根情节等文化心理需求,以及在日常生活审美化语境下人们的精神审美需求。这一审美价值不仅带给消费者精神上的满足和情感上的愉悦,而且为一直渴望形成具有民族个性包装设计风格的中国包装设计者们开启了新的设计之路。     

石蜡乳液的研制

选用三乙醇胺、吐温-60和硬脂酸作为乳化剂,考察乳化剂的HLB值、乳化温度、时间、乳化剂和水的用量等因素对石蜡乳液的影响,获得制备石蜡乳液的优化工艺条件。实验结果表明,该乳液的稳定性和分散性均很好。     

大学物理课上运用多种实验方法的探讨

物理是一门实验科学,因此物理课教学也离不开实验.笔者在本院的大学物理课堂上,引入了多种实验教学方法,实现了理论和实验相结合的教学要求.激发了学生的学习兴趣和主动性,培养了学生的思维创造能力,提高了大学物理课的教学效果.     

楔环连接结构的非线性静力学行为研究

通过静力加载实验,并结合3维接触有限元数值计算,研究了由2个筒体和2根楔带装配组成的楔环连接结构试件的非线性静力学行为。结果表明,在轴向拉伸下,当拉力增大到一定值时,楔环连接结构的总拉力-总轴向伸长就表现出非线性关系;在轴向-横向力联合作用下,在载荷增大过程中,楔带与壳体的接触位置会发生变化,从而导致口盖孔邻近区域应力集中位置也会发生一定变化,进而引起结构上应力随载荷的非线性变化。对楔环结构的这些非线性行为的认识为结构的设计和使用提供了概念指导。     

有限封闭环境中基于PCA的水声测距方法

有限空间中多途效应严重影响测距的准确性,针对该问题,提出一种基于主成分分析的水声信号测距方法,对信号协方差矩阵进行降维和特征抽取,在保留协方差矩阵信息量的同时抑制多途干扰信号的影响。实验结果表明,该方法能够提高有限封闭液态场环境中水声测距的准确性和稳健性。     

基于LabVIEW的程控交流电源控制系统

针对程控交流电源手动设置方式的缺点,为了实现对程控交流电源在线编程和远程控制,设计了一套基于LabVIEW软件开发平台的程控交流电源控制系统。该控制系统利用LabVIEW软件作为开发工具,通过GPIB接口实现计算机对程控交流电源的通信,完成对程控交流电源的参数设置和输出控制。详细介绍了控制系统的设计思路、组成和实现方法。经过实际测试与应用,该控制系统运行可靠,具有一定的实用性和推广应用价值。     

基于支持向量机和灰度共生矩阵的纹理图像分割方法

图像分割是计算机视觉领域的研究热点。灰度共生矩阵是图像灰度的二阶统计度量,反映了纹理图像灰度在方向、局部邻域和变化幅度的综合信息,以能量、对比度、熵、差方差和差熵作为纹理图像的特征,利用支持向量机(SVM)对这些特征进行训练和分类,以达到纹理图像分割的目的。详细说明了纹理图像的分割过程,同时分析了不同参数情况下对分割精度的影响。针对Brodatz纹理库的实验结果表明:该方法具有较好的分割效果。     

量子电压标定的噪声温度计系统设计

针对传统噪声温度计2个噪声源的功率和阻抗不能同时匹配的问题,为实现热力学温度自动化准确测量,以量子电压任意波形合成技术为基础,合成频率、幅度已知的赝噪声源作为参考端信号,并以高精度数字分析仪PXI—5922为数据采集平台,完成量子电压标定的噪声温度计系统设计。初步实验结果表明:此系统运行良好,可以实现水三相点热力学温度的准确测量。     

一种利用并行复算实现的OpenMP 容错机制

基于并行复算的故障恢复技术,将故障恢复的计算任务分配至未发生故障的结点上并行执行,从而显著缩短复算时间,有效降低故障恢复开销,提高并行程序容错性能.基于该故障恢复技术,提出了一种针对OpenMP并行程序的容错机制PR-OMP,有效解决了分段复算、复算负载重分布等问题;此外,还扩展了传统编译数据流分析技术,提出了针对OpenMP并行程序的数据流分析技术,并基于该技术计算状态保存开销进行优化.设计实现了用于支持PR-OMP的编译工具GiFT-OMP,并通过实验证明了PR-OMP机制及其支持工具的有效性,评估并分析了其性能和可扩展性.     

基于选择性集成的最大化软间隔算法

当前,boosting集成学习算法研究主要集中于最大化弱学习器凸组合的间隔或软间隔,该凸组合几乎使用了生成的所有弱学习器,然而这些弱学习器间存在大量的相关性和冗余,增加了训练和分类过程的时空复杂度.针对这一问题,在LPBoost基础上提出了一种选择性boosting集成学习算法,称为SelectedBoost.在每次迭代生成新的弱学习器以后,通过计算新生成的弱学习器与已有弱学习器的相关度和差异度,并结合当前集成的强学习器的准确率来判断是否选择该弱学习器.另外,当前的一系列boosting算法(如AdaBoost,LPBoost,ERLPBoost等),本质上是基于已生成的1个或者多个弱学习器来更新样本权重,但与弱学习器相比,强学习器更能代表当前的决策面.因此,SelectedBoost通过在带约束的间隔最大化问题中引入更加严格的强学习器边界约束条件,使得该算法不仅参考弱学习器边界,同时还参考已生成的强学习器来更新样本权重,进而提高算法的收敛速度.最后,与其他有代表性的集成学习算法进行实验比较,结果表明,该方法在收敛率、分类准确性以及泛化能力等方面均具有比较明显的优势.